F1. AI 的前世今生 | The Evolution of AI

路径: Path 0: AI 基础先行 · 模块: F1 最后更新: 2026-03-12 难度: 入门 预计时间: 2 小时 前提: 无，零基础可学

flowchart LR
F1[" F1 AI 的前世今生<br/>（当前）"]:::current
F1 --> F2
F2["F2 Prompt 工程"]
F2 --> F3
F3["F3 知识库与 RAG"]
F3 --> F4
F4["F4 自动化与 Agent"]
classDef current fill:#ff9900,stroke:#333,color:#fff,font-weight:bold

本模块章节导航

1. 第一性原理 · 2. 发展脉络 · 3. Transformer · 4. 大语言模型 · 5. 多模态与推理 · 6. Agent 时代 · 7. 跨境电商视角 · 8. 能力边界 · 9. 未来趋势 · 10. 学习资源 · 11. 完成标志

本模块你将理解

AI 不是魔法，它有清晰的工作原理。理解原理不是为了变成技术专家，而是为了知道 AI 能做什么、不能做什么、什么时候会出错。

完成本模块后，你将能够：

• 用一句话解释 LLM 的本质（predict next token）
• 理解从机器学习到 Agent 的完整发展脉络
• 知道 AI 为什么会“胡说八道“（幻觉问题的根源）
• 判断一个任务适不适合用 AI 来做
• 用跨境电商的场景理解每一个核心概念

核心理念：你不需要理解数学公式，但你需要理解 AI 的“思维方式“。就像你不需要懂发动机原理才能开车，但你需要知道油门、刹车和方向盘分别做什么。

1. 第一性原理：LLM 到底在做什么

1.1 一句话解释

大语言模型（LLM）的本质就是一个超级强大的“下一个词预测器“。

当你输入“今天天气真“，LLM 会计算所有可能的下一个字的概率：

• “好” → 72%
• “热” → 15%
• “冷” → 8%
• “差” → 3%
• 其他 → 2%

然后它选择概率最高的（或按概率随机采样一个），输出“好“。接着把“今天天气真好“作为新的输入，继续预测下一个字。如此循环，直到生成完整的回答。

就这么简单。 ChatGPT、Claude、Gemini，所有的大语言模型，底层都在做同一件事：predict next token（预测下一个 token）。

1.2 用跨境电商类比理解

想象你是一个经验丰富的 Amazon 运营，有人问你：“这个产品的 Listing 标题应该怎么写？”

你的大脑会怎么工作？

1. 你回忆过去见过的几千个成功 Listing 标题
2. 你根据产品特点、关键词、品类惯例，判断每个词出现的可能性
3. 你一个词一个词地组织出标题

LLM 做的事情本质上一样，只不过它“见过“的不是几千个，而是互联网上几乎所有的文本数据 几万亿个词。它的“经验“比任何人类都丰富，但它的“经验“全部来自文本，它没有真正“理解“产品是什么。

1.3 Token：AI 的最小单位

LLM 不是按“字“或“词“处理文本的，而是按 token 处理。

为什么 token 很重要？

• 成本：API 按 token 计费。GPT-4o 大约 $2.50/百万输入 token，$10/百万输出 token
• 上下文窗口：每个模型有 token 上限（GPT-4o: 128K，Claude 3.5: 200K）。超过上限，AI 就“记不住“前面的内容
• 速度：token 越多，生成越慢

实用技巧：当你觉得 AI “忘记了“你之前说的内容，很可能是对话已经超过了上下文窗口。解决方案：开新对话，把关键信息重新提供。

1.4 为什么“预测下一个词“能产生智能

这是最反直觉的部分：一个“只会预测下一个词“的系统，怎么能写文章、做分析、写代码？

答案在于规模。当训练数据足够大（几万亿 token）、模型参数足够多（几千亿个参数）时，“预测下一个词“这个简单任务会迫使模型学会：

这就是为什么 GPT-3（2020）到 GPT-4（2023）的飞跃如此巨大 不是算法有本质变化，而是规模的量变引发了质变。这个现象被称为 涌现能力（Emergent Abilities）：小模型完全做不到的事，大模型突然就能做了。

Content rephrased for compliance with licensing restrictions. Source: Emergent Abilities of Large Language Models

1.5 幻觉问题：为什么 AI 会“胡说八道“

理解了“预测下一个词“，你就能理解 AI 最大的问题 幻觉（Hallucination）。

AI 不是在“回忆事实“，而是在“预测最可能的下一个词“。当它没有足够的训练数据来支撑某个事实时，它会生成“看起来合理但实际错误“的内容。

跨境电商中的幻觉示例：

如何应对幻觉：

1. 数据类问题：永远用工具验证（Helium 10、Keepa、Seller Central），不要相信 AI 给的具体数字
2. 合规类问题：AI 的回答只作为起点，最终以官方文档为准（参考 A6 合规模块）
3. 分析类问题：给 AI 提供真实数据让它分析，而不是让它凭空生成数据
4. 要求引用来源：在 Prompt 中加上“请标注信息来源“，虽然 AI 可能编造来源，但至少你可以去验证

核心原则：AI 是分析师，不是数据库。给它数据让它分析 = 靠谱。让它凭空给你数据 = 不靠谱。

2. 发展脉络：从规则到智能

2.1 AI 发展时间线

1950s-1980s: 符号 AI（规则系统）
人工编写规则："如果 Review 包含'broken'，则标记为负面"
优点：可解释、可控
缺点：规则写不完，无法处理复杂场景

1990s-2010s: 机器学习（统计学习）
从数据中学习模式，不再手写规则
代表：决策树、SVM、随机森林
跨境电商应用：垃圾邮件过滤、简单的销量预测
缺点：需要人工设计特征（Feature Engineering）

2012-2017: 深度学习（神经网络复兴）
2012: AlexNet 在 ImageNet 上碾压传统方法
代表：CNN（图像）、RNN/LSTM（文本）
跨境电商应用：图像识别（产品分类）、情感分析
缺点：RNN 处理长文本效率低，训练慢

2017: Transformer 架构诞生
Google 论文 "Attention Is All You Need"
核心创新：自注意力机制（Self-Attention）
解决了 RNN 的长距离依赖问题
这是一切的转折点

2018-2022: 预训练大模型时代
2018: BERT（Google） 理解型模型
2019: GPT-2（OpenAI） 生成型模型
2020: GPT-3 175B 参数，Few-shot Learning 涌现
2022: ChatGPT AI 走进大众视野
跨境电商应用：Review 分析、Listing 生成、客服自动化

2023-2024: 大模型竞赛
GPT-4、Claude 2/3、Gemini、Llama 2/3
多模态（文本+图像+音频）
上下文窗口从 4K → 128K → 1M+
跨境电商应用：多模态产品分析、长文档处理

2025-2026: Agent 时代
从"对话"到"行动"：AI 不只回答问题，还能执行任务
MCP 协议标准化：AI 连接外部工具的统一接口
跨境电商应用：自动化运营监控、智能补货、多平台管理
我们正在这里 ← 你来得正好

Content rephrased for compliance with licensing restrictions. Sources: Attention Is All You Need (2017), Emergent Abilities of LLMs

2.2 用跨境电商类比理解每个阶段

2.3 为什么是 2017 年改变了一切

2017 年之前，AI 处理文本的主流方法是 RNN（循环神经网络）。RNN 的问题是：它必须一个词一个词地顺序处理，就像你必须从头到尾读完一篇文章才能理解它。

RNN 的困境（用运营场景类比）：

想象你要分析一篇 500 字的产品 Review。RNN 的方式是：

1. 读第 1 个字，记住
2. 读第 2 个字，更新记忆
3. 读第 3 个字，更新记忆
4. …
5. 读到第 500 个字时，前面的内容已经“模糊“了

这就像你读一份 50 页的报告，读到最后已经忘了开头写了什么。

Transformer 的解决方案：自注意力（Self-Attention）

Transformer 不是顺序处理，而是同时看所有的词，并计算每个词和其他所有词的关联度。

就像你不是逐字阅读报告，而是先扫一遍全文，标记出关键段落之间的关联，然后直接跳到最相关的部分。

这个看似简单的改变，带来了两个革命性的优势：

1. 并行计算：所有词同时处理，训练速度提升 10-100 倍
2. 长距离依赖：第 1 个词和第 500 个词的关联不会丢失

关键洞察：Transformer 不是“更好的 RNN“，而是一种全新的思路。它的成功证明了一个道理：有时候解决问题的最好方式不是改进现有方法，而是换一个完全不同的角度。

3. Transformer 深入：注意力就是一切

3.1 Transformer 的核心组件

Transformer 架构由两个主要部分组成：

Transformer 架构
Encoder（编码器） 理解输入
自注意力层：计算每个词和其他词的关联
前馈网络：对每个位置做非线性变换
残差连接 + 层归一化：稳定训练

Decoder（解码器） 生成输出
掩码自注意力层：只能看到已生成的词（防止"偷看答案"）
交叉注意力层：关注 Encoder 的输出
前馈网络
残差连接 + 层归一化

不同模型用了不同的组合：

为什么现在主流是 Decoder-only？ 因为“生成“是最通用的能力。分类可以通过生成“正面/负面“来实现，翻译可以通过生成目标语言来实现。一个强大的生成模型可以做几乎所有 NLP 任务。

3.2 自注意力机制：用选品会议类比

想象你在开一个选品会议，桌上有 5 份竞品报告（A、B、C、D、E）。

传统方式（RNN）： 你必须按顺序读完 A → B → C → D → E，读到 E 的时候，A 的细节已经模糊了。

自注意力方式（Transformer）： 你同时把 5 份报告摊开在桌上，然后：

1. 看报告 A 时，扫一眼其他 4 份，发现 A 和 C 讨论的是同一个品类 → 给 A-C 关联打高分
2. 看报告 B 时，发现 B 和 E 的价格区间重叠 → 给 B-E 关联打高分
3. 每份报告都知道自己和其他报告的关联程度

这就是“注意力分数“（Attention Score）。每个词都会计算自己和所有其他词的关联度，然后根据关联度加权汇总信息。

数学上的直觉（不需要记公式）：

注意力 = 我在找什么（Query）× 你能提供什么（Key）→ 匹配度
最终输出 = 按匹配度加权的信息汇总（Value）

用电商类比：

• Query = “我想找一个售价 $20-30 的蓝牙耳机”
• Key = 每个产品的标签（价格、品类、特征）
• Value = 每个产品的详细信息
• 注意力 = 根据匹配度，重点关注符合条件的产品

3.3 位置编码：让 AI 知道词序

自注意力机制有一个问题：它同时看所有词，但不知道词的顺序。“猫吃鱼“和“鱼吃猫“对它来说是一样的。

解决方案是位置编码（Positional Encoding）：给每个位置一个独特的数学标记，让模型知道“这个词在第 3 个位置“。

就像 Amazon Listing 的 Bullet Points 有编号一样 第 1 个 Bullet 和第 5 个 Bullet 的权重不同，位置本身就携带信息。

3.4 参数量与模型规模

参数量 ≠ 能力。 更重要的是训练数据的质量、训练方法（RLHF、DPO）和推理优化。Llama 3.1 70B 在很多任务上接近 GPT-4，但参数量只有其 1/25。

4. 大语言模型：从 GPT 到多模态

相关阅读: F2 Prompt 工程 Prompt 工程实操详见 F2

4.1 GPT 系列演进

GPT（Generative Pre-trained Transformer）是 OpenAI 的系列模型，也是“大语言模型“概念的推动者。

GPT-1 (2018): 1.17 亿参数
证明了"预训练 + 微调"的范式有效
能力有限，主要用于学术研究

GPT-2 (2019): 15 亿参数
第一次展示了"零样本"能力（不需要微调就能做任务）
OpenAI 一度因"太危险"而不公开完整模型
现在看来能力很基础

GPT-3 (2020): 1750 亿参数
质变时刻：Few-shot Learning 涌现
给几个例子就能学会新任务
开始有商业应用价值
API 开放，催生了大量 AI 创业公司

ChatGPT (2022.11): 基于 GPT-3.5 + RLHF
不是模型的突破，而是交互方式的突破
RLHF（人类反馈强化学习）让模型学会"像人一样对话"
2 个月达到 1 亿用户，史上最快
AI 从技术圈走进大众视野

GPT-4 (2023.3): 多模态 + 更强推理
支持图像输入（看图说话、分析图表）
推理能力大幅提升（通过律师考试、SAT 等）
128K 上下文窗口
跨境电商应用爆发：Listing 生成、Review 分析、多语言翻译

GPT-4o (2024): 原生多模态
文本、图像、音频统一处理
速度更快、成本更低
实时语音对话
跨境电商：产品图片分析、竞品视觉对比

GPT-4.5 / GPT-5 (2025-2026): 深度推理
更强的逻辑推理和规划能力
更长的上下文窗口
更好的工具使用能力
跨境电商：复杂决策支持、自动化工作流

4.2 主流模型对比（2026 年初）

跨境电商场景推荐：

• 日常运营（Listing、Review、客服）：Claude Sonnet 4 或 GPT-4o 速度快、质量好、成本合理
• 深度分析（市场报告、竞品研究）：Claude Opus 4 长文本处理和深度推理最强
• 多语言翻译：GPT-4o 或 Gemini 多语言能力最均衡
• 预算有限：DeepSeek V3 性价比极高，中文场景表现优秀
• 数据隐私要求高：Llama 3.3 本地部署 数据不出服务器（参考 B5 本地模型部署）

4.3 RLHF：让 AI 学会“说人话“

原始的 GPT-3 虽然能力强，但输出经常不符合人类期望 它可能给出正确答案但格式混乱，或者生成有害内容。

RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习） 是让 AI 从“能力强但不好用“变成“能力强且好用“的关键技术。

RLHF 三步走：

Step 1: 监督微调（SFT）
人类标注员写出高质量的问答对
用这些数据微调模型
类比：给新员工一本标准操作手册

Step 2: 训练奖励模型（RM）
让模型生成多个回答
人类标注员对回答排序（哪个更好）
训练一个"评分模型"来模拟人类偏好
类比：培养一个质检员，学会判断什么是好的回答

Step 3: 强化学习优化（PPO/DPO）
用奖励模型的评分来优化生成模型
模型学会生成"人类觉得好"的回答
类比：员工根据质检反馈不断改进工作

RLHF 的效果：

关键洞察：ChatGPT 的成功不是因为 GPT-3.5 比 GPT-3 强多少，而是因为 RLHF 让它学会了“说人话“。技术突破和用户体验突破是两回事。

5. 多模态与推理：AI 的感官升级

5.1 什么是多模态

早期的 LLM 只能处理文本。多模态模型可以同时处理多种类型的数据：

多模态能力演进：

2023: 文本 + 图像输入（GPT-4V）
看图回答问题
分析图表和截图
跨境电商：上传竞品图片让 AI 分析

2024: 文本 + 图像 + 音频（GPT-4o、Gemini）
实时语音对话
视频内容理解
跨境电商：分析产品视频、语音客服

2025-2026: 统一多模态（Gemini 2.5、GPT-5）
文本、图像、音频、视频无缝切换
生成图像和视频
跨境电商：自动生成产品主图、A+ 内容

5.2 多模态在跨境电商中的应用

实操示例 竞品主图分析：

请分析这张 Amazon 产品主图（上传图片）：

1. 产品展示角度和构图
2. 背景处理方式
3. 是否有信息图（Infographic）元素
4. 估计的拍摄成本和制作难度
5. 3 个可以借鉴的设计亮点
6. 3 个可以改进的地方
7. 如果我要做类似产品，主图策略建议

5.3 推理能力的进化

2024-2025 年，AI 的一个重大进展是推理能力的提升。

什么是推理？ 不是简单地“回忆“训练数据中的答案，而是通过逻辑步骤“推导“出答案。

简单回忆（早期 LLM）：
Q: "法国的首都是什么？"
A: "巴黎" ← 直接从训练数据中回忆

推理（新一代 LLM）：
Q: "如果一个产品的采购成本是 ¥50，FBA 费用是 $5，佣金率 15%，
售价 $25，那么利润率是多少？"
A: 需要多步计算：
1. 采购成本换算：¥50 ÷ 7.2 ≈ $6.94
2. 总成本：$6.94 + $5 + $25×15% = $6.94 + $5 + $3.75 = $15.69
3. 利润：$25 - $15.69 = $9.31
4. 利润率：$9.31 / $25 = 37.2%

推理模型的代表：

实用建议：日常运营任务（写 Listing、翻译、客服回复）用普通模型就够了，速度快成本低。需要复杂分析（利润测算、市场评估、策略规划）时再用推理模型。

6. Agent 时代：从对话到行动

相关阅读: F4 Agent 自动化 Agent 实操详见 F4

6.1 什么是 AI Agent

普通 LLM 对话：你问一个问题，AI 给一个回答。就像你问一个顾问，他给你建议，但不帮你执行。

AI Agent：AI 不只回答问题，还能使用工具、执行任务、自主决策。就像你雇了一个助理，他不只给建议，还会帮你发邮件、查数据、做报告。

普通对话 vs Agent 的区别：

普通对话：
你："帮我分析这个竞品的 Review"
AI："根据分析，主要痛点是..."（给你文字回答）

Agent：
你："帮我监控这 5 个竞品，每周生成分析报告"
AI：
1. 调用 Amazon API 获取最新 Review 数据
2. 用 NLP 工具做情感分析和主题提取
3. 对比上周数据，发现变化趋势
4. 生成结构化报告
5. 发送到你的邮箱
6. 下周自动重复以上步骤

6.2 Agent 的核心能力

6.3 MCP 协议：AI 的“USB-C 接口“

2025 年，Anthropic 推出了 MCP（Model Context Protocol，模型上下文协议），迅速成为 AI 连接外部工具的行业标准。

MCP 解决了什么问题？

在 MCP 之前，每个 AI 工具要连接外部系统，都需要写定制化的集成代码。就像早期的手机，每个品牌用不同的充电接口。

MCP 就是 AI 世界的 USB-C 一个标准化的协议，让任何 AI 模型都能通过统一的方式连接任何外部工具。

MCP 架构：

AI 模型（Claude/GPT/Gemini）
MCP 协议
MCP Server（工具适配器）

外部工具/数据源
文件系统（读写本地文件）
数据库（查询和更新数据）
API（调用第三方服务）
邮件系统（发送和读取邮件）
任何你想连接的系统

MCP 在跨境电商中的应用场景：

Content rephrased for compliance with licensing restrictions. Sources: Anthropic MCP Documentation, MCP Guide 2026

7. 跨境电商视角：AI 在每个环节的角色

7.1 AI 能力与电商环节映射

跨境电商全链路 × AI 能力矩阵：

选品调研 ←→ 文本分析 + 推理
Review 痛点提取（文本分析）
市场可行性评估（推理）
关键词需求聚类（文本分析）
趋势预测（推理 + 数据分析）

Listing 创作 ←→ 文本生成 + 多语言
标题/五点/描述生成（文本生成）
多语言本地化（翻译 + 文化适配）
A+ 内容策划（多模态生成）
SEO 关键词优化（文本分析）

广告运营 ←→ 数据分析 + 生成
搜索词报告分析（数据分析）
广告文案 A/B 测试（文本生成）
竞价策略建议（推理）
预算分配优化（数据分析 + 推理）

客服售后 ←→ 文本生成 + 多语言 + 情感分析
多语言客服回复（生成 + 翻译）
差评分析与应对（情感分析 + 生成）
申诉信撰写（生成 + 推理）
退货原因分析（文本分析）

库存供应链 ←→ 预测 + 推理
销量预测（时间序列预测）
补货决策（推理）
安全库存计算（数据分析）
供应商评估（文本分析 + 推理）

合规风控 ←→ 知识检索 + 推理
多市场合规查询（知识检索）
认证要求梳理（文本分析）
风险评估（推理）
合规文档生成（文本生成）

7.2 不同 AI 技术在电商中的成熟度

核心原则：AI 成熟度越高的场景，越可以放心使用；成熟度越低的场景，越需要人类监督。不要在 Agent 自动化还不成熟的时候就让它自主管理你的广告预算。

7.3 AI 工具选择决策树

你要做什么？

写文案（Listing/广告/邮件）
用 ChatGPT / Claude 直接生成 → 人工审核 → 发布

分析数据（Review/关键词/报告）
数据量小（<100条）→ 直接粘贴到 ChatGPT/Claude
数据量中（100-1000条）→ 上传文件到 ChatGPT/Claude
数据量大（>1000条）→ 用 Python + AI API（参考 Path B）

翻译/本地化
简单翻译 → ChatGPT/Claude/DeepL
专业本地化 → AI 初稿 + 母语者审核

图片/视频分析
上传到 GPT-4o / Gemini → 获取分析结果

预测/决策
快速评估 → ChatGPT/Claude + 你提供的数据
精确预测 → Python + Prophet/AutoGluon（参考 Path B）

自动化/Agent
简单自动化 → Zapier/Make + AI
中等自动化 → MCP + Claude/GPT
高级自动化 → LangGraph/CrewAI（参考 Path B）

8. AI 的能力边界：什么能做，什么不能做

8.1 AI 擅长的（放心用）

8.2 AI 不擅长的（谨慎用）

8.3 AI 绝对不能做的（不要用）

9. 未来趋势：接下来会发生什么

9.1 2026-2027 年的 AI 趋势

9.2 对跨境电商从业者的建议

短期（现在就做）：
学会用 ChatGPT/Claude 做日常运营（Path A）
建立 Prompt 模板库（F2 模块）
每天至少用 AI 完成一个任务

中期（3-6 个月）：
掌握 RAG，让 AI 理解你的私有数据（F3 模块）
尝试简单的 Agent 自动化（F4 模块）
建立团队 AI 使用规范（Path C）

长期（6-12 个月）：
构建 AI 驱动的运营系统（Path B）
探索本地模型部署（数据隐私）
关注垂直电商 AI 工具的发展

最重要的一条建议：不要等 AI “完美“了再开始用。AI 永远不会完美，但它现在已经足够好了。早用早受益，晚用就是在给竞争对手让出优势。

10. 学习资源

10.1 入门推荐（零基础）

10.2 进阶推荐（想深入理解）

10.3 持续跟踪

11. 完成标志

• 能用自己的话解释“LLM 就是一个 next token predictor“
• 理解 Transformer 的自注意力机制（不需要数学，理解直觉即可）
• 知道 GPT/Claude/Gemini/Llama 的区别和各自优势
• 理解 RLHF 为什么让 ChatGPT 比 GPT-3 好用这么多
• 知道 AI 幻觉的原因和应对方法
• 理解 Agent 和普通对话的区别
• 知道 MCP 协议是什么，为什么它很重要
• 能判断一个电商任务适不适合用 AI

完成以上所有项目后，你已经建立了扎实的 AI 认知基础。接下来进入 F2 Prompt 工程，学习如何系统性地和 AI 沟通。

附录：术语表