从 ChatGPT 到 Agent，我这三年到底经历了什么

点击上方蓝字关注"Bob来啦"呀~

毕业那年，AI 闯进了我的生活

01

你好呀，今天聊点个人的。

2023 年对我来说是特别的一年。不仅大学毕业，AI 突然也火了。

第一次用 ChatGPT，我被震住了

还记得实习的时候，我碰到一个功能需求。逻辑不复杂，但要处理大量图片和判断，纯手工写估计得好几天。

我当时想，试试 ChatGPT 吧，看它能帮上多少。

我把思路和需求一股脑输进去。不到一小时，它给我返回了完整的代码框架，还带了注释和思路说明。

我当时盯着屏幕看了好几秒。

不是因为代码写得多完美，而是它居然真的"懂"我要什么。

那种感觉很奇怪，一半是惊讶，一半是——妈的，这东西以后可能会让我失业。

从那之后，我对 AI 的看法彻底变了。

比百度好用，不是一点点

2023年初申请到 ChatGPT 的时候，我的第一反应是：

这玩意比百度好用太多了。

你搜百度，它给你一堆链接，你得自己点进去找答案。

你问 ChatGPT，它直接给你答案，还能跟你对话、帮你理清思路、推翻你刚才的想法。

这种体验，一旦用过就回不去了。

国内大模型百花齐放，但我只留下了 DeepSeek

2024 年上半年到2025年，国内大模型开始冒出来。

文心一言、通义千问、讯飞星火、ChatGLM……那段时间，几乎每周都有新模型发布。

我基本都试了一遍。

说实话，大部分用完就删了，没有"想留下来继续用"的冲动。

唯独DeepSeek让我觉得，嗯，这个可以。

理由很简单：

• 响应快
• 代码能力强
• 免费（这个很重要）
• 不需要精心雕琢提示词就能用

其他的模型，试了一下就没再深入了。不是它们不好，而是我找不到留下的理由。

2024-2025：应用框架和微调的狂欢

02

在 ChatGPT 爆火之后，大家玩得比较多的是大模型应用框架。

那个时期大家都在想同一件事：大模型很强，但怎么把它用到实际场景里？

答案就是应用框架。

LangChain 火了

LangChain 的核心思路很简单：把大模型"串"起来。

比如你想做一个公司文档问答系统，流程是这样的：

1. 把文档切成小块
2. 每块转成向量（embedding）
3. 存到向量数据库
4. 用户提问时，先去数据库找最相关的内容
5. 把找到的内容 + 用户问题一起扔给大模型
6. 大模型基于这些上下文生成答案

LangChain 把这整套流程封装成了"链"（Chain），你可以像搭积木一样组合不同组件。

那段时间，LangChain 的教程满天飞，几乎每个做 AI 应用的团队都在用它。

大模型微调也在火

另一个热门方向是微调（Fine-tuning）。

大思路是：通用大模型很强，但如果你让它学习你领域的专业数据，它就能变得更专业。

比如：

• 法律 AI：用法律条文和案例微调
• 医疗 AI：用医学文献和病历微调
• 客服 AI：用历史对话记录微调

那时候 Hugging Face 的 Transformers 库几乎人手一份，各种微调教程、各种开源模型，真的是百花齐放。

2026年：Agent 元年

03

如果给 2026 年贴一个标签，我会说：

Agent 元年。

什么是 Agent？

之前的大模型是"你问它答"，它是个顾问。

Agent 是"你给它一个目标，它自己拆解、自己执行、自己完成"，它是个员工。

这个变化，比从百度换到 ChatGPT 还要大。

年底的两个大事件

2025 年年底，有两件事让我觉得，AI 的应用层终于爆发了。

第一件：豆包的智能手机助手

字节的豆包推出了智能手机助手，可以让 AI 直接操作你的手机。

点外卖、发微信、查地图，全都可以用自然语言指挥 AI 完成。

这意味着 AI 不再是"对话框里的助手"，而是真的能"动手干活"的助手。

第二件：OpenClaw 出现了

这个可能很多人还没听说过，我来解释一下。

OpenClaw 到底是什么？

很多人可能不知道 OpenClaw 是干啥的。

我用一个比喻：

大模型就像一台裸发动机，OpenClaw 就是给它装上方向盘、轮胎、底盘，让你真的能"开"起来。

本质上，OpenClaw 也是调用大模型，但它给大模型上了一个脚手架。

这个脚手架包括：

• 工具调用能力：大模型可以调用外部 API、执行代码、读写文件
• 记忆系统：记住你之前的对话和偏好
• 任务规划能力：把一个大目标拆解成多个小步骤
• 多模型编排：不同任务用不同模型（比如代码生成用 Claude，搜索用别的）

有了这个脚手架，大模型才真正从"聊天机器人"变成了"能干活的数字员工"。

你可以跟它说："帮我调研一下竞争对标产品，整理成一份报告。"

它会自己：

1. 去网上搜索相关资料
2. 提取关键信息
3. 整理成结构化文档
4. 输出给你

整个过程你不需要一步步指导，它自己搞定。

这就是"解放双手"的含义。

顺便解释一下：Skill 和 MCP

这两个概念最近提得很多，但很多人搞不清楚它们是什么关系。

Skill：给 AI 装上一个"技能包"

Skill 是什么？

简单说，就是扩展 AI 能力的一个模块。

比如你有一个"微信读书笔记导出"的 Skill，那么 AI 就多了一个能力：帮你导出微信读书的笔记。

Skill 通常包括：

• 这个技能能做什么
• 怎么调用（参数、格式）
• 注意事项（坑点）

有了 Skill，AI 就不是只会"说话"，而是真的能"做事"。

MCP：AI 的"万能插座"

MCP（Model Context Protocol）是 Anthropic 提出的一个协议，解决的是另一个问题：

怎么让 AI 方便地连接各种外部工具和数据源？

你可以把 MCP 理解成一个"万能插座"。

• 你的数据库是一个"插头"
• 你的文件系统是一个"插头"
• 你的日历是一个"插头"

MCP 就是那个"插座"，让 AI 能插上这些插头，调用这些工具

有了 MCP，AI 助手就能：

• 读取你本地的文件
• 查询你的数据库
• 访问你的日历
• 调用各种第三方 API

Skill 和 MCP 的关系是什么？

简单说：

• Skill 是"能力描述"：告诉 AI"你能做什么"
• MCP 是"连接方式"：告诉 AI"怎么连接到工具"

一个 Skill 可以基于 MCP 来实现，也可以不基于。但 MCP 让 Skill 的开发变得更标准、更简单。

写在最后

04

这三年，我从一个"AI 小白"变成了一个"AI 工具重度用户"。

有时候，我会想，再过几年，当更多Agent和智能设备进入生活，AI可能不只是助手，而像一个懂你习惯的伙伴，能提前帮你把事情安排好。想想就有点激动，又有点紧张——毕竟，这意味着我们的生活方式可能会彻底不同。

个人来说，这一路体验下来，每一次新功能、新平台的尝试，都像在认识一个新朋友——有惊喜、有好奇，也有摸索，但最终你会发现，这个朋友带来的便利和价值，远超你最初的想象。

未来，或许我们和AI的关系不会只是“使用”，而会变成“合作”——它帮你做事情，你帮它“学会”你的习惯和思路。那种感觉，既奇妙又让人期待。

你最近在用哪些 AI 工具？有没有哪个让你觉得"哇，这个真的好用"？欢迎在评论区聊聊，我打算整理一期"2026 年最值得用的 AI 工具清单"，你的推荐可能会出现在下一篇文章里。