智慧团建网站登陆湖南网站建设欧黎明

智慧团建网站登陆,湖南网站建设欧黎明,番禺知名网站建设公司,建设国家标准官方网站三年前#xff0c;“使用大语言模型”还意味着把一大段文字粘贴到聊天框里#xff0c;然后期待能收到些有用的东西。如今#xff0c;我们让智能体对接代码库、操控浏览器#xff0c;允许它们自主运行并代表我们执行具体任务。在此期间#xff0c;有一个关键的问题一直在酝…三年前“使用大语言模型”还意味着把一大段文字粘贴到聊天框里然后期待能收到些有用的东西。如今我们让智能体对接代码库、操控浏览器允许它们自主运行并代表我们执行具体任务。在此期间有一个关键的问题一直在酝酿我们如何能让终端用户真正地按照自己的意愿、为满足自己的具体需求来调整和塑造这些 AI 系统的工作方式随着模型能力的增强终端用户可用的定制方式和机制也在不断扩展。我们从简单的系统提示词起步演进到复杂的客户端-服务器协议而后又再次回归简化的模式。我想借此机会回顾一下过去三年大语言模型扩展方式的演变并谈谈我对未来趋势的看法。01 ChatGPT 插件2023 年 3 月[1]在 ChatGPT 发布仅四个月后OpenAI 就推出了 ChatGPT 插件。如今回过头看这项设计在当时可谓极度超前。这一构想雄心勃勃给大语言模型一个符合 OpenAPI 规范的链接让它“自由发挥”调用各类 REST 接口。这直接体现了 AGI 式的思维模式通过标准化 API 实现通用工具的调用。{ schema_version:v1, name_for_human:TODO Manager, name_for_model:todo_manager, description_for_human:Manages your TODOs!, description_for_model:An app for managing a users TODOs, api:{url:/openapi.json}, auth:{type:none}, logo_url:https://example.com/logo.png, legal_info_url:http://example.com, contact_email:helloexample.com }那么问题出在哪里呢当时的模型尚未准备就绪。GPT-3.5甚至早期的 GPT-4在处理庞大的 API 规范文档时存在困难很容易“产生幻觉”译者注即编造不存在的信息或调用不存在的接口或在上下文信息中“迷失方向”译者注即无法准确理解或跟踪当前任务所需的上下文导致错误操作或理解偏差。此外用起来也很麻烦每开始一个新的对话即使想使用和上一次相同的插件也必须重新手动在列表中找到并点击启用它。尽管当时存在种种不足但 ChatGPT 插件仍让我们窥见了未来其中的 Code Interpreter 插件后更名为 Advanced Data Analysis变得不可或缺它预示了我们今天正在使用的强大代码执行沙箱。02 自定义指令2023 年 7 月[2]自定义指令是对插件过于繁杂的一种“化繁为简”的回应。写到这里时我甚至愣了一下因为我一度认为这项功能是在插件之前推出的。它只是在每次对话中自动追加一段用户自定义的提示词prompt。简单、直观却解决了一个大麻烦重复设置上下文。它可被视为后来所有 .cursorrules 和 CLAUDE.md 文件的理念原型。03 Custom GPT2023 年 11 月[3]OpenAI 将指令和工具重新打包推出了“Custom GPT”。这是将提示词工程“产品化”的一次尝试你可以将一个角色设定、若干文件和几个操作打包成一个可分享的链接。相比插件最初所承诺的那种开放、灵活、可自由扩展的能力Custom GPT 的做法实际上是一种战略上的退让 —— 它转向了经过精心设计、功能单一的“应用”apps模式。04 ChatGPT 的记忆功能2024 年 2 月[4]之前的扩展方式如自定义指令、插件、Custom GPT 等都依赖用户主动提供上下文或相关配置。而“记忆”功能则由系统自动记录并利用用户的历史对话信息在用户无需干预的情况下动态调整模型行为实现更自然、持续的个性化体验。ChatGPT 记忆会记录你对话中的细节并在后续对话的上下文中悄悄插入这些信息。这就像一个能自我编写的系统提示词。比如你提到自己是素食者几周后它依然记得。这个功能虽小却标志着智能体开始能自主积累和利用上下文信息像一个有“记忆”的助手一样持续与用户互动而不是每次对话都从零开始。05 Cursor Rules2024 年 4 月[5]以前用户得在聊天界面里反复输入或设置上下文比如代码风格、项目规范等既麻烦又难以复用。而 Cursor 的做法是把这些指令直接写进项目代码仓库从而彻底改变了这一游戏规则。.cursorrules 文件的出现令人耳目一新。它不再需要你把项目上下文手动粘贴到聊天窗口里而是让你直接将这些规则提交到 Git 仓库中We use tabs, not spaces.No semicolons.Always use TypeScript.它最初只是一个单独的文件后来演变为一个 .cursor/rules 文件夹支持更精细的作用域控制。你可以组织多个规则文件甚至指定它们的适用条件比如仅对特定文件类型或子目录生效。这是人们第一次觉得对大语言模型的扩展真正“原生地融入”了代码本身。后来Cursor 还引入了让大语言模型自行决定何时应用某条规则的功能 —— 这种模式我们之后还会再次见到。06 模型上下文协议2024 年 11 月[6]到了 2024 年底大语言模型终于变得足够智能能够稳定、可靠地操作真正的工具了。Anthropic 推出的模型上下文协议Model Context Protocol, MCP正是对这一能力需求的正式回应。MCP 是一个重量级的解决方案。使用 MCP 时客户端必须与 MCP 服务器保持一个持久的连接。服务器负责向客户端通常是智能体提供工具的定义、资源如文件、日志等以及提示词。当客户端决定调用某个工具时它会向服务器发送一条消息说明“我调用了这个工具”。随后服务器执行该工具或协调执行并将结果返回给客户端。与“自定义指令”仅附加上下文不同MCP 赋予模型真正的执行能力 —— 它可以读取你的代码仓库、查询你的 Postgres 数据库甚至部署到 Vercel。除了提供工具MCP 还允许服务器直接向智能体提供资源如文档、日志和提示词。这套机制虽然功能非常强大但可能有点“用牛刀杀鸡”了。虽然复杂但对构建智能体的开发者而言多花点功夫也值得。但若要求普通用户自行搭建并连接 MCP 服务门槛就太高了。正因如此围绕降低 MCP 使用难度的初创生态迅速兴起比如 Smithery[7] 这类公司。值得注意的是2025 年 10 月发布[8]的 ChatGPT Apps 实际上正是以 MCP 作为底层基础构建的。这是 OpenAI 试图让终端用户在无需感知 MCP 存在的前提下也能享受其能力的一次尝试。07 Claude Code新智能体新扩展机制2025 年 2 月2025 年初Anthropic 发布了 Claude Code几乎将当时所有的 LLM 扩展机制集于一身CLAUDE.md为整个项目仓库设置操作规范的标准化方式。MCP用来对接那些功能强、结构复杂的外部工具。斜杠命令Slash Commands类似于 Cursor 提供的 Notebooks 功能用于保存和复用提示词。钩子Hooks能在智能体运行过程中介入并调整其执行流程例如“如果测试失败就立即停止”。子智能体Sub-agents动态创建专门的“子智能体”或工作单元来处理特定的子任务。输出风格Output Styles已弃用用于配置回答语气和响应格式。这些功能中哪些能长期留存仍有待时间检验。事实上Anthropic 已经尝试弃用“输出风格”这一特性[9]。08 Agent Skills2025 年 10 月Claude Code 新增的这一扩展机制意义重大值得深入探讨。Agent Skills 可视为 ChatGPT 插件理念的“重生”。MCP 依赖一整套客户端-服务器通信协议而 Agent Skills 则简单得多 —— 它们只不过是包含 Markdown 文件和脚本可用任意语言编写的普通文件夹。智能体会简单地扫描 skills/ 目录读取每个 SKILL.md 文件的 frontmatter前置元数据并据此构建一个轻量级索引。只有当某项技能与当前任务相关时它才会加载该技能的完整内容。这解决了 MCP 的一个主要痛点所有工具的定义都必须一次性塞进模型的上下文窗口导致上下文膨胀context bloat以下是从 Anthropic 的 Skills 示例仓库[10]中摘录的一个用 Playwright 做端到端测试的技能结构片段webapp-testing/ ├── examples/ │ ├── console_logging.py │ ├── element_discovery.py │ └── static_html_automation.py ├── scripts/ │ └── with_server.py └── SKILL.mdSkill 目录中可以包含脚本、示例和纯文本说明等多种内容形式灵活。但其中唯一必需的文件只有 SKILL.md。接下来我们来看看这个文件长什么样--- name: webapp-testing description: Toolkit for interacting with and testing local web applications using Playwright. Supports verifying frontend functionality, debugging UI behavior, capturing browser screenshots, and viewing browser logs. license: Complete terms in LICENSE.txt --- # Web Application Testing To test local web applications, write native Python Playwright scripts. **HelperScripts Available**: - scripts/with_server.py - Manages server lifecycle (supports multiple servers) **Always run scripts with --help first ** to see usage. DO NOT read the source until you try running the script first and find that a customized solution is absolutely necessary. These scripts can be very large and thus pollute your context window. They exist to be called directly as black-box scripts rather than ingested into your context window.这只是一个包含一些元数据和技能描述的普通 Markdown 文件。智能体读取该文件并可以自由引用其中提到的其他文件智能体也能读取这些文件。相比之下一个 Playwright MCP 服务器需要定义几十个工具来控制浏览器而这个 Skill 只需说一句“你拥有 bash 环境这是编写 Playwright 脚本的方法。”诚然要使用“Skill”智能体必须具备对计算机的通用访问能力 —— 但这恰恰体现了“苦涩的教训”the bitter lesson[11]与其为每个任务都定制一套专用工具不如给智能体提供通用工具并相信它有能力自主运用这些工具来完成任务 —— 这很可能才是制胜之道。09 未来展望Agent Skills 真正实现了 ChatGPT 插件最初所描绘的那个愿景只需给模型提供一些说明instructions和通用工具generic tools然后相信它能自己完成中间所需的“胶水”工作。而我有一个假设如今这种模式之所以可能奏效是因为模型真的足够聪明了。Agent Skills 之所以有效是因为它默认智能体具备“自己编写工具”的能力比如通过 bash 命令等。你不需要提供一个封装好的专用工具而只需给它一段代码片段它就能自行推断如何通用地运行这段代码来应对当前任务。更重要的是我认为“Agent Skills”正在重新定义“智能体”的本质。智能体不再仅仅是一个在 while 循环里不断运行的大语言模型LLM而是一个绑着一台计算机的、在 while 循环里跑的大语言模型。Claude Code 是第一个让我真正意识到这一点的软件但它过于面向开发者远非面向大众的终极形态。其他应用如 Zo Computer[12]试图将大语言模型与计算机能力打包成一个整体应用但我认为它们仍未充分向终端用户隐藏底层计算机的复杂性。毕竟当我请同事帮忙做一件事时我不需要知道他电脑里所有的文件结构或操作细节。我只需要知道他有一台能用的电脑并且相信他能自己搞定就行了。展望 2026 年我相信我们使用的 LLM 应用将越来越多地以新颖而巧妙的方式“绑上一台计算机” —— 而作为用户我们可能根本察觉不到。如果我能“做空” MCP我一定会“做空”它。我预计我们最终会回归到用最易用、最普适的“编程语言”来扩展智能体 —— 那就是自然语言。END本期互动内容 ❓作者认为未来的方向是“给模型通用工具让它自己写胶水代码”而不是依赖复杂协议。你认同这个“苦涩的教训”吗为什么学习资源推荐如果你想更深入地学习大模型以下是一些非常有价值的学习资源这些资源将帮助你从不同角度学习大模型提升你的实践能力。一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示​因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。因篇幅有限仅展示部分资料需要点击文章最下方名片即可前往获取四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。