系列文章见: 《回忆AI时代-从图灵机到人工智能》
2025年10月16日（October 16, 2025）,Anthropic当天发布了技术文章《Equipping agents for the real world with Agent Skills》首次公开介绍 Agent Skills、SKILL.md 结构以及动态加载机制。
Skill是一种把知识、流程、代码和资源打包成可复用能力模块的机制，让Agent遇到特定任务时能够直接加载并执行，而不是每次都重新推理。
以下是传统Agent工作方式与有了skill工作方式：
| 传统 Agent 工作方式 | Skill 工作方式 |
|---|---|
| 用户任务 ↓ LLM 思考 ↓ 调用工具 ↓ 继续思考 ↓ 完成任务 |
用户任务 ↓ 发现 SEO Skill ↓ 加载 Skill ↓ 执行预定义流程 ↓ 完成任务 |
1 | Agent |
系列文章见: 《回忆AI时代-从图灵机到人工智能》
艾伦·麦席森·图灵(Alan Mathison Turing)1912年6月23日-1954年6月7日, 英国数学家、计算机科学家、逻辑学家和密码分析学家，被誉为计算机科学与人工智能之父。
1939年，第二次世界大战期间,图灵加入了英国密码破译中心Bletchley Park,德国军方使用Enigma（恩尼格玛密码机）进行通信加密，图灵设计改进了Bombe(炸弹机）用于快速破解密码获取德军的实时情报信息。
图灵团队大幅缩短了战争时间，间接挽救了数千万人的生命。
图灵设计的Bombe(炸弹机)原型。
学术界一般认为图灵一生共发过约18～25篇论文，之所以统计的不精确是因为图灵发的渠道不一样，如在期刊、二战期间保密的密码学报告（多年后才公开）和演讲稿等，但它对AI与计算机重要贡献的三篇论文：
1936年，发表了《On Computable Numbers》（中文译 “论可计算数”）这是图灵最著名的论文，被许多人认为是计算机科学的开山之作。图灵在剑桥大学国王学院（King’s College Cambridge）时思考一个非常简单的问题，当一个人在纸上进行计算时，他究竟在做什么？图灵没有从数学公式出发，而是从人的行为出发，他观察到计算员（Computer，当时指人工计算员）实际上是在：
1 | 读取一个符号 |
于是图灵想到，如果把这种行为抽象出来，会得到一种最简单的计算机器，这就是后来著名的图灵机（Turing Machine）。
注：它并不是一台真实存在的机器，而是一种用于研究“什么问题能够被计算”的数学模型。
图灵机结构示意图
今天所有的计算机，本质上都是图灵机思想的工程实现。
| 图灵机 | 现代计算机 |
|---|---|
| 状态机 | CPU |
| 纸带 | 内存 |
| 读写头 | CPU访问内存 |
| 状态转移表 | 程序 |
当下人工智能的发展日新月异，哪怕提笔撰文的片刻间，AI也在飞速迭代。本文回望我们正身处的AI时代，站在未来视角，梳理并审视人工智能一路以来的演变与发展，所以我为这篇文章起的标题是《回忆AI时代-从图灵机到人工智能》。
世间常有两种态度：有人因相信而看见，有人因看见而相信,于AI领域，我属于后者。尤其是今年，人工智能的发展速度堪称日新月异，直观感受尤为强烈。
回溯我的工作经历，早在2016年我便接触并落地智能运维相关工作。彼时行业多以 “智能” 为统称如智能运维、智能监控，究其内核和如今的人工智能并无本质区别，只是叫法不同。直到ChatGPT掀起浪潮“AI” 才成为行业主流词汇。
技术飞速迭代的同时，智能体、Skill 等专业概念层出不穷。我虽大致知晓其用途，却对细节一知半解，为此，我计划通过本文分三大板块，系统梳理、学习 AI 知识：
1.1 AI时代重要人物、事件与里程碑！
1.2 机器可以思考吗？图灵用一篇论文开启AI时代!
1.3 1956年人工智能诞生的那个夏天！
1.4 1966年的人机对话程序ELIZA！
1.5 1980年的专家系统！
1.6 AI的两次寒冬期!
1.7 从M-P神经元到感知机再到BP神经网络!
1.8 如何理解机器学习？
1.9 深度学习为什么强大：神经网络的发展与突破!
1.10 CNN让计算机”看见”世界
1.11 RNN让计算机学会”记忆”
1.12 大模型的奠基之作-Attention Is All You Need!
1.13 ChatGPT将AI带入大众时代!
1.14 多模态时代（GPT-4o、Gemini等）
1.15 Deepseek深度求索
1.16 Anthropic
2.1 数学基础
2.2 什么是大模型？它是如何工作的，应用场景又是什么？
2.3 为什么大模型最小单位Token？它是怎么计算的？
2.4 如何与大模型交互-提示词?
2.5 什么是智能体Agent、Agent工作模式、以及Agent框架!
2.6 上下文临时记忆
2.7 Harness
2.8 Skill在Agent中的作用是什么?
2.9 MCP在Agent中的作用是什么?
3.1 M-P神经元
3.2 感知机
3.3 BP神经网络
3.4 多头注意力机制
3.5 前馈神经网络
3.6 Token预测过程
4.1 未来AI时代，什么是变化的什么又是不变的？
4.2 人工智能上下游产业链
4.3 AI产品的应用场景
4.4 开源模型
系列文章见: 《回忆AI时代-从图灵机到人工智能》
智能体（Agent，也常被称为 AI Agent）是指能够自主感知环境、进行推理和规划，并采取行动以实现特定目标的计算机系统。
| Agent 核心能力 | AI Agent 工作流程示例（找一台 5000 元以内的笔记本电脑） |
|---|---|
| 🎯 Goal（目标） ↓ 👀 Perception（感知） ↓ 🧠 Reasoning（推理） ↓ ⚡ Action（行动） ↓ 💾 Memory（记忆） ↓ 📄 Output（输出） |
用户提出需求 ↓ 分析预算与需求 ↓ 搜索电商网站与评测信息 ↓ 筛选符合条件的机型 ↓ 比较配置、价格与优缺点 ↓ 生成推荐报告 ↓ 输出最终结果 |
| 大模型（LLM） | Agent |
|---|---|
| 主要负责思考和生成文本 | 负责思考 + 行动 |
| 回答问题 | 完成任务 |
| 一次性响应 | 可连续执行多个步骤 |
| 通常不能主动使用工具 | 可以调用工具和 API |
| 像顾问 | 像员工/助理 |
https://chatgpt.com/c/6a2d7d85-1128-83ec-961e-94fbd431fb7b
1 | Agent |
ReAct来源于2022年发表的论文（ https://react-lm.github.io/ ），它的构建思想思考 → 行动 → 观察 → 再思考, 以下为执行过程与案例。
| ReAct流程 | 案例 |
|---|---|
| Question ↓ Thought ↓ Action ↓ Observation ↓ Thought ↓ Answer |
用户：新加坡今天会下雨吗？ ↓ 思考：需要查询天气信息 ↓ 行动：调用天气 API ↓ 观察：返回降雨概率 80% ↓ 思考：降雨概率较高，今天可能下雨 ↓ 回答：今天大概率有雨，建议带伞出门 |
但它有缺点：
ReAct升级版Plan & Execute,发布于2023年。
| Plan & Execute流程 | 案例 |
|---|---|
| Goal ↓ Plan ↓ Task1 / Task2 / Task3 ↓ Execute |
* 写一篇Transformer教程 * Plan： 1. 收集资料 2. 整理结构 3. 编写内容 4. 审核 * Execute： 逐步完成 |
2023-2024，一个Agent不够,多个Agent协作方式，每个Agent专注一件事。Agent流程与案例：
| 流程 | 案例 |
|---|---|
| CEO Agent │ ├── Research Agent ├── Coding Agent │ └── Review Agent |
PM Agent ↓ Architect Agent ↓ Developer Agent ↓ Tester Agent |
2024-至今，它不需要让Agent自由思考，而是把流程固定下来，以下流程与案例：
| 流程 | 案例 |
|---|---|
| Trigger ↓ Step1 ↓ Step2 ↓ Step3 ↓ Result |
用户提问 ↓ RAG检索 ↓ 知识库 ↓ LLM总结 ↓ 返回结果 |
| 范式 | 核心思想 | 代表论文 | 作者 | 机构 |
|---|---|---|---|---|
| ReAct | 一个 Agent 思考 + 行动交替进行 | ReAct: Synergizing Reasoning and Acting in Language Models (2022) | Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan, Yuan Cao | Princeton University / Google Research |
| Plan & Execute | 先规划，再逐步执行 | Plan-and-Solve Prompting (2023) / Plan-and-Execute 系列 | Lei Wang, Jiacheng Liu, Xiang Ren（代表论文） | University of Southern California (USC) 等 |
| Multi-Agent | 多个 Agent 分工协作 | AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation Framework (2023) | Qingyun Wu, Chi Wang, et al. | Microsoft Research |
| Multi-Agent | 多 Agent 协作模拟组织结构 | MetaGPT: Meta Programming for Multi-Agent Collaborative Framework (2023) | Hongbo Zhang, et al. | Independent / Open-source community |
| Multi-Agent | 对话式智能体社会模拟 | CAMEL: Communicative Agents for “Mind” Exploration (2023) | Guohao Li, et al. | 多机构合作 |
| AI Workflow | 用流程编排 Agent，而非自由推理 | （工程范式，无单一论文）但基础来自 Tool Use / Agent Systems | —— | 工业界（LangChain / Dify / Microsoft / n8n） |
| AI Workflow（基础研究） | 工具调用与任务分解基础 | Toolformer (2023) | Timo Schick, et al. | Meta AI |
2026主流框架地图。
1 | Agent |
以下是一些开源的框架拿来就用。
| 框架 | 工作方式 | 项目地址 | Agent特点 | 适合场景 |
|---|---|---|---|---|
| LangChain | ReAct + Tool Calling + Chain 组合执行 | https://github.com/langchain-ai/langchain | 生态最大、组件最全、支持 Tool / Memory / RAG / Agent | 快速构建通用 AI Agent、原型开发、RAG + Agent 应用 |
| LlamaIndex | 数据索引 + RAG + Query Engine + Agent | https://github.com/run-llama/llama_index | 强数据层能力，文档/数据库连接能力极强 | 企业知识库问答、数据检索型 Agent |
| Haystack | Pipeline（流水线）+ Retrieval + QA + Agent扩展 | https://github.com/deepset-ai/haystack | 工程化强、搜索系统成熟、模块清晰 | 企业搜索、问答系统、生产级 NLP Pipeline |
| AutoGen | 多Agent对话协作（Role-based conversation） | https://github.com/microsoft/autogen | 支持多角色 Agent 自动协作、自动拆解任务 | 多智能体系统、自动编程、研究型任务 |
| CrewAI | Role-based Multi-Agent Workflow（角色驱动） | https://github.com/crewAIInc/crewAI | 简单易用、结构清晰（CEO/Writer/Analyst） | 内容生产、自动化任务流、业务流程 Agent |
当然也可以自己开发一个基于ReAct的框架，以下是整理资料时看到一个网友分享的手搓基于ReAct框架。
1 | https://github.com/MarkTechStation/VideoCode/tree/main/Agent%E7%9A%84%E6%A6%82%E5%BF%B5%E3%80%81%E5%8E%9F%E7%90%86%E4%B8%8E%E6%9E%84%E5%BB%BA%E6%A8%A1%E5%BC%8F |
新加坡🇸🇬工作与生活指南: 系列文章概览
新加坡建国初期国土面积约为581.5平方公里而截至今天，新加坡面积已增加到约735平方公里。新加坡从20世纪60年代开始大规模填海，以下都是通过填海扩展出来的土地：
以下照片是新加坡老巴刹食阁，1970年时与现在（2026年）的对比，远处的海现在已经是叫滨海湾。
新加坡由1个主岛和60多个离岛组成。主要岛屿包括：
全国划分为五个社区（行政区），中区社区（人口120万），东北社区（人口130万），西北社区（人口83万），东南社区（人口84万），西南社区（人口83万），由相应的社区发展理事会（简称社理会）管理。
系列文章见: 《回忆AI时代-从图灵机到人工智能》
| 时间 | 人物 | 重要事件 | 时代背景 | 相关论文 |
|---|---|---|---|---|
| 1943 | * 沃伦·麦卡洛克（Warren McCulloch） * 沃尔特·皮茨（Walter Pitts） |
提出人工神经元模型，被视为神经网络的起点。 | 二战期间，信号处理、自动控制、数理逻辑快速发展，学界开始尝试用数学模型模拟人脑神经活动。 | A logical calculus of the ideas immanent in nervous activity |
| 1950 | 阿兰·图灵（Alan Turing） | 发表《计算机器与智能》，提出“图灵测试”。 | 第一台通用电子计算机问世不久，计算机能力初步显现，学界开始探讨机器是否具备“智能”。 | Computing Machinery and Intelligence |
| 1956 | * 约翰·麦卡锡（John McCarthy） * 马文·明斯基（Marvin Minsky） |
达特茅斯会议正式提出“Artificial Intelligence（人工智能）”这一名称。 | 计算机、逻辑学、神经科学交叉发展，一众学者希望合力打造具备人类思维能力的机器，AI 学科正式诞生。 | （会议论文集，无单一标题） |
| 1958 | 弗兰克·罗森布拉特（Frank Rosenblatt） | 发明感知机（Perceptron），推动早期神经网络研究。 | 人工智能处于发展初期，受MP神经元模型启发，研究者尝试搭建可自主学习的简易人工神经网络。 | The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain （1958正式发表） |
| 1966 | 约瑟夫·魏泽鲍姆（Joseph Weizenbaum） | 开发聊天程序 ELIZA，展示了人机对话的潜力。 | 早期AI聚焦自然语言交互，受限于技术，仅能依靠关键词匹配实现简单对话，是人机交互的初步探索。 | ELIZA — A Computer Program For the Study of Natural Language Communication Between Man and Machine |
| 1974–1980 | —— | 第一次“AI 寒冬”，由于算力和数据不足，研究热度下降。 | 硬件算力薄弱、算法局限性凸显，早期AI无法落地复杂场景，政府与资本削减科研经费，研究陷入停滞。 | —— |
| 1980年代 | 爱德华·费根鲍姆（Edward Feigenbaum） | 专家系统兴起，AI 开始在商业领域应用。 | 学界转向实用化方向，依托行业知识库打造专用AI系统，在医疗、工业、金融等领域落地，迎来短期复苏。 | The Fifth Generation: Artificial Intelligence and Japan’s Computer Challenge to the World（1983） |
| 1986 | * 杰弗里·辛顿（Geoffrey Hinton） * 大卫·鲁梅尔哈特（David Rumelhart） |
推广反向传播算法，使多层神经网络训练成为可能。 | 单层感知机缺陷明显，多层网络难以训练，反向传播算法突破这一瓶颈，为深度网络发展打下算法基础。 | Learning representations by back-propagating errors |
| 1997 | IBM Deep Blue 团队 | “深蓝”击败国际象棋世界冠军卡斯帕罗夫，AI 首次在复杂博弈中战胜人类顶尖选手。 | 计算机硬件性能大幅提升，算力足以支撑大规模穷举搜索，AI 在规则明确的博弈领域实现重大突破。 | Deep Blue: An Artificial Intelligence Chess System |
| 2006 | 杰弗里·辛顿（Geoffrey Hinton） | 提出深度信念网络（DBN）等方法，“深度学习”概念重新兴起。 | 传统浅层机器学习遇到性能天花板，辛顿解决了深度网络训练的梯度消失问题，唤醒沉寂多年的神经网络研究。 | A Fast Learning Algorithm for Deep Belief Nets |
| 2012 | * 亚历克斯·克里热夫斯基（Alex Krizhevsky） * 杰弗里·辛顿（Geoffrey Hinton） |
AlexNet 在 ImageNet 竞赛中大幅领先，深度学习进入主流。 | 互联网积累海量图像数据，GPU 并行计算普及，深度学习在视觉任务上碾压传统算法，行业全面转向深度模型。 | ImageNet Classification with Deep Convolutional Neural Networks |
| 2014 | 伊恩·古德费洛（Ian Goodfellow） | 提出生成对抗网络（GAN），推动生成式 AI 发展。 | 判别式模型日趋成熟，学界开始探索机器“创作”能力，GAN 利用对抗思想大幅提升图像、文本生成效果。 | Generative Adversarial Nets |
| 2016 | DeepMind 团队（Demis Hassabis 等） | AlphaGo 战胜围棋冠军李世石，震动全球。 | 围棋规则复杂、组合无穷，传统搜索算法难以胜任，AlphaGo 结合深度学习与强化学习，打破大众对AI能力的认知。 | Mastering the game of Go with deep neural networks and tree search |
| 2017 | Vaswani 等 Google 研究者 | 发表《Attention Is All You Need》，提出 Transformer 架构，奠定现代大模型基础。 | 循环神经网络处理长文本效率低，注意力机制被提出，Transformer 架构适配并行计算，成为自然语言处理核心框架。 | Attention Is All You Need |
| 2018 | OpenAI 团队 | 发布 GPT，展示大规模语言模型的潜力。 | Transformer 架构成熟，互联网海量文本数据可用于预训练，大参数语言模型开始展现强大的语言理解与生成能力。 | Improving Language Understanding by Generative Pre-Training |
| 2020 | OpenAI 团队 | 发布 GPT-3，参数规模和生成能力大幅提升。 | 算力集群、大数据、预训练技术全面成熟，行业开始走向超大规模参数模型路线，通用人工智能初见雏形。 | Language Models are Few-Shot Learners |
| 2022 | OpenAI 团队 | ChatGPT 发布，生成式 AI 进入大众视野。 | 对话优化、指令微调技术落地，大模型交互体验大幅提升，AI 从科研、产业走向普通用户。 | Training Language Models to Follow Instructions with Human Feedback（InstructGPT，ChatGPT核心技术） |
| 2023 | OpenAI、Anthropic、Google DeepMind 等 | 大模型竞赛加速，GPT-4、Claude、Gemini 等模型推动 AI 应用爆发。 | 全球科技企业争相布局通用大模型，技术快速迭代，AI 渗透办公、创作、工业、生活等全场景。 | * GPT-4 Technical Report（OpenAI） * Claude 2 Technical Overview（Anthropic） * Gemini: A Family of Highly Capable Multimodal Models（Google） |
