基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

现在的 AI 术语满天飞：一会儿是 Model、Agent，一会儿又是 RAG、MCP、Vibe Coding 还有最近大火的 Skills。 但看了这么多文章和视频，你有没有发现一个问题：绝大多数内容都在死磕 “名词解释”，却没告诉你 “为什么会有它”。概念之间逻辑性很弱。 所以，这篇文章的目标很简单：不堆砌晦涩的术语，只讲前因后果和保证逻辑清晰。 同时，我们公众号还特别服务于面试前端开发或者前端ai全栈岗位的的同学，在我开发的前端面试真题网站上，发现近期已经出现了相关考点，例如： 美团（2026.02.28）： “聊聊 MCP 和 Skills 的底层原理？” 字节跳动（2026.01.30）： “MCP 的概念是什么？它和传统的 Function Call 有什么区别？” 然后，上一篇 《ai 全栈开发》系列文章 - AI 是如何进化到大模型的 ，从宏观层面，讲述了 AI 的发展史。为了让本篇文章有一个宏观的背景铺垫（所有微观的概念，都是宏观思想的延伸与落地。） 因此，在进入新的术语之前，我先带你回顾一下之前文章介绍的 ai 宏观的历史。 第一章：缘起–从“想要智能”开始 人工智能的本质：当“推理”变成“计算” 计算机诞生之初，其实是个极度“偏科”的天才。它天生擅长算数，无论多复杂的数字，它都能在极短的时间算出结果。 既然机器可以精准地模拟人类的“计算”能力，那么它是否也能模拟人类最引以为傲的“推理”能力？ 所以人工智能的目标就是：智能如何被形式化，也就是智能如何表达为逻辑公式或者数学模型，如果可以的话，那么计算机就能实现智能！ 初代尝试——被规则锁死的“教条” 既然想让计算机像人一样思考，最直观的办法就是：把人类的经验，翻译成机器能听懂的逻辑。 逻辑的起点： If(如果)…Then(那么)… 。 当时的科学家觉得，人类的智慧不就是一套复杂的规则吗？…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。