2025 年，被称为“Agentic AI 元年”。
2025 年才过去一半，Agentic AI 已经从研究走向工程化，从单体走向多 Agent 协作，从云端走向本地系统级落地。同时，“数字劳动力”也悄然被 AI 智能体引入现实。
AI 智能体（AI Agent）让 AI 能够像人类一样完成任务、像团队一样协同工作、像助理一样主动服务。它正在重新定义各行各业的工作和协作方式，重塑世界的运转方式。我认为，在未来一种全新的协作范式 “人类定义目标，智能体执行路径”，将会成为默认常态。
AI 智能体为什么有这么大的影响力？它的本质是什么？也许大家很轻易就能获取“答案”。在 AI 时代，最不愁的就是“获取答案”。但是，就像不能同时戴两块手表一样，面对生成式“答案”的众说纷纭，哪一个才是对的？或者说更接近对的？如何在 AI 面前保持清醒而准确的判断力，这将是未来的一大课题（Emm… 扯远了，回归正题）。
我打算通过开发一个智能体，来对 AI 智能体背后的逻辑和运行机制探索一二。
Let’s do it！
ChatGPT 的横空出世与 DeepSeek 的迅速崛起，将人工智能再次推至科技浪潮之巅。科技公司、企业与创业者纷纷入局，不仅仅是想要抓住技术的红利，也有出于被时代淘汰的担忧。全民 AI 时代随之到来，大模型成为热门话题。
然而，当我们在谈论 AI 时，可能互相谈论的不是同一个东西。在互联网碎片化信息和媒体过度营销的影响下，不少人对 AI 产生认知偏差，认为：AI 就是 ChatGPT、AI 就是 DeepSeek，AI 应用就是提示词工程，AI 是新的科技革命，AI 现在无所不能，只要接入 AI 马上就可以替代员工从而降本增效……但事实上，ChatGPT 和 DeepSeek 只是大语言模型技术的两个应用产品，AI 的领域也远不止文本处理、推理和生成，提示词只是目前与文本类 AI 最有效的交流方式，AI 的研究在上个世纪就开始了，大模型很强大但也有它的缺陷，完全替代人为时尚早。过度营销也是一种营销策略，它可以制造认知泡沫，培养行业“韭菜”，然后在你懵懵懂懂但又想分一杯羹的时候收割一把。
我在探索 AI 过程中强烈意识到，要想应用好大模型技术，必须先从底层全面了解它是什么，怎么来的，底层依赖哪些技术，能做什么，不能做什么，当前主流大模型产品在 AI 应用领域处于什么位置。否则只会在层出不穷的大模型产品中迷失方向，沦为行业“韭菜”。于是花了一些时间翻查资料，整理后有了本文。本文可以帮助你了解到底什么是大语言模型，什么是大模型，什么是 AI，它们之间到底是什么关系，人工智能到底在研究什么，AI 背后依赖哪些技术，了解这些有助于你厘清概念、消除误解、和警惕幻觉，进一步戳破认知泡沫、有的放矢地去探索大模型应用的边界、更好地应用好大模型工具去创造价值。
PS: 如有错漏之处请留言告诉我 :)
在计算机语言中，正则表达模式匹配是非常高效的字符串处理方式。我们在进行字符串处理的时候，比如表单校验、url参数获取、文本预编译处理，多端跨端转译等等，都少不了跟正则表达式打交道。但由于正则表达的语法规则比较抽象，如果平常不经常接触，一旦要用，就得好一番查找资料。但是网上的资料很多都太零散，为方便以后高效查看，略系统地整理如下。
上篇文章说到，如果想从其他分支取某（几）个提交来合并，可以使用 cherry-pick 命令，那么如果这个分支想剔除这几个被 cherry-pick 出去的提交呢？这就要用到 git 中另一个强大的命令：rebase。
如果你在使用 git 进行多人协作的代码管理，合并代码（ git merge ）的操作你一定不陌生。 git merge 会将指定分支的所有提交历史合并到当前所在的分支，它的合并单位是“分支”。但有的时候，我只想取某个分支的某几个提交的内容来合并。
遇到这种操作需求，我们可以使用 cherry-pick 命令，它是以“提交”为单位的合并，可以帮助你安全快速地达到目的。
要取消已经track过的文件的修改，可以使用
git checkout xxx，但是如果要取消 untracked 文件的修改，checkout 就不行了。除了手动删除修改，我们还可以使用 git 提供的git clean命令来快速达到目的。