AI实践
更新时间：2026年3月
本文聚焦 2022 年至今 AI 领域与软件开发工程师工作方式直接相关的技术演进，梳理关键里程碑、核心概念及工具生态。
一、总览：从"对话"到"协作"到"自主"
2022 ─── 2023 ─── 2024 ─── 2025 ─── 2026
│ │ │ │ │
│ │ │ │ └─ AI 自主开发（Vibe Coding 成熟）
│ │ │ │ Skill 机制 / MCP 企业级落地
│ │ │ │
│ │ │ └─ AI Agent 元年 / MCP 生态爆发
│ │ │ AI IDE 全面竞争（Cursor/Windsurf/TRAE）
│ │ │ DeepSeek-R1 / Claude 4 / Vibe Coding
│ │ │
│ │ └─ AI 应用落地年 / MCP 协议发布（2024.11）
│ │ Function Calling 成熟 / RAG 普及
│ │ Cursor 爆发 / Sora 发布
│ │
│ └─ 大模型竞争年 / GPT-4 / Claude 系列 / Llama 2
│ LangChain 生态形成 / 开发者开始集成 LLM
│ Prompt Engineering 成为必备技能
│
└─ ChatGPT 发布（2022.11）/ GitHub Copilot 商业化
开发者首次大规模接触 LLM
AI 辅助编码的起点
二、关键技术演进时间线
2.1 ChatGPT 与 LLM 爆发期（2022.11 — 2023）
标志事件
- 2022.11：OpenAI 发布 ChatGPT，基于 RLHF 对齐人类偏好，成为首个现象级对话模型
- 2023.3：GPT-4 发布，支持多模态输入（文本+图像）
- 2023：Claude 系列、Llama 2、Code Llama、Gemini 陆续发布
对开发者的影响
- Prompt Engineering 成为新技能：开发者需要学会如何与 LLM 高效交互
- GitHub Copilot 全面商业化（2023），付费用户突破百万
- LangChain 框架诞生并快速流行，成为连接 LLM 与外部工具的标准选择
- 开发者开始在项目中集成 LLM API（OpenAI API / Claude API）
核心概念解读
| 概念 | 说明 | 开发者关注点 |
|---|---|---|
| Prompt Engineering | 通过精心设计的提示词引导模型输出 | 编写系统提示词、Few-shot 示例 |
| LLM API | 大模型以 API 形式对外提供服务 | HTTP 调用、Token 计费、流式响应 |
| Embedding | 将文本转为向量表示 | 语义搜索、相似度计算 |
2.2 应用落地与工具成熟期（2024）
标志事件
- 2024.6：OpenAI Function Calling 能力成熟，模型可结构化调用外部函数
- 2024.11.25：Anthropic 发布 MCP（Model Context Protocol） 协议 1.0
- 2024：Cursor 爆发增长，AI IDE 概念被验证
- 2024：Sora（视频生成）、Claude 3、Gemini 1.5 发布
对开发者的影响
- RAG（检索增强生成） 成为主流架构：LLM + 向量数据库 + 外部知识
- Function Calling 让 LLM 从"纯对话"进化为"能调用工具"
- AI 编码工具从插件形态（Copilot 插件）向 AI 原生 IDE（Cursor）演进
- 开发者开始构建生产级 AI 应用，关注 Token 成本、上下文管理、安全性
核心概念解读
| 概念 | 说明 | 开发者关注点 |
|---|---|---|
| RAG | 检索增强生成：先检索相关文档，再让 LLM 基于检索结果回答 | 向量数据库选型（Chroma/Pinecone/Milvus）、文档分块策略 |
| Function Calling | 模型自主决定调用哪个函数，并生成结构化参数 | 函数定义 Schema、参数验证、安全控制 |
| 向量数据库 | 存储文本 Embedding 并支持相似度检索 | 选型、索引策略、混合检索 |
2.3 Agent 元年与生态爆发期（2025）
标志事件
- 2025.1：字节发布 AI IDE TRAE，成为首个中文 AI IDE
- 2025.1：DeepSeek-R1 发布，开源模型推理能力大幅提升
- 2025.2：Andrej Karpathy 提出 Vibe Coding（氛围编程）概念
- 2025.3：OpenAI 宣布全面支持 MCP 协议
- 2025.5：OpenAI 以 30 亿美元收购 Windsurf
- 2025.5：Anthropic 发布 Claude Sonnet 4 / Opus 4
- 2025：MCP 生态爆发，社区贡献超过 1000+ 连接器
对开发者的影响
- AI Agent 从概念走向落地：不再只是聊天机器人，而是能自主执行任务的系统
- AI IDE 全面竞争：Cursor、Windsurf、TRAE、GitHub Copilot 的 Agent 模式
- MCP 成为事实标准：开发者可通过标准协议让 AI 连接数据库、Git、Slack 等
- Vibe Coding 兴起：开发者通过自然语言描述需求，AI 生成完整代码
- Skill 机制出现：AI IDE 通过 Skill 系统扩展专项能力
三、核心技术概念详解（开发者必知）
3.1 Prompt → Function Calling → Agent → MCP 的演进
这是 AI 应用开发方式的核心演进路径，每一步都是对 LLM 能力边界的扩展：
┌─────────────────────────────────────────────────────────────┐
│ │
│ Prompt（2022-2023） │
│ ├─ 人类手动构造文本输入 │
│ ├─ LLM 返回纯文本 │
│ └─ 限制：无法调用外部工具，只能"对话" │
│ │
│ Function Calling（2023-2024） │
│ ├─ LLM 可以选择调用预定义的函数 │
│ ├─ 返回结构化 JSON 参数 │
│ ├─ 开发者需为每个 LLM 厂商单独适配 │
│ └─ 限制：点对点集成，接口碎片化 │
│ │
│ Agent（2024-2025） │
│ ├─ LLM + 记忆 + 规划 + 工具调用 = 自主系统 │
│ ├─ 可多步推理、自我纠错、动态选择工具 │
│ ├─ 框架支持：LangChain / AutoGen / CrewAI │
│ └─ 限制：每个工具需单独开发适配器 │
│ │
│ MCP（2024.11 至今） │
│ ├─ 标准化的 AI ↔ 外部世界通信协议 │
│ ├─ 一次开发 MCP Server，所有支持 MCP 的客户端可用 │
│ ├─ 类比：AI 领域的 "USB-C" 接口 │
│ └─ 解决了 Function Calling 的碎片化问题 │
│ │
└─────────────────────────────────────────────────────────────┘
3.2 MCP（Model Context Protocol）
MCP 是当前 AI 应用开发中最重要的基础协议之一。
核心架构
用户 → [ AI 应用 (Host) ] → [ MCP Client ] → [ MCP Server ] → [ 外部资源 ]
(Claude/Cursor/TRAE) (协议适配器) (工具提供方) (数据库/API/文件)
三大核心能力
| 类型 | 说明 | 示例 |
|---|---|---|
| Tools（工具） | 模型可调用的函数 | send_email(), query_database(), create_jira_ticket() |
| Resources（资源） | 模型可读取的数据 | list_files(), get_calendar_events() |
| Prompts（提示模板） | 预定义的交互模板 | summarize_text, translate_to_chinese |
开发者实战场景
- 在 Cursor/TRAE 中配置 MCP，让 AI 直接查询本地 MySQL 数据库
- 通过 GitHub MCP Server 让 AI 搜索 Issue、创建 PR
- 通过 Slack MCP Server 让 AI 将 Code Review 意见发送给同事
- 通过 Browsertools MCP 让 AI 自动获取浏览器 DevTools 日志
MCP 发展里程碑
| 时间 | 事件 |
|---|---|
| 2024.11 | Anthropic 发布 MCP 1.0，开源到 GitHub |
| 2024.12 | Cursor、Windsurf 成为首批支持者 |
| 2025.3 | OpenAI 宣布全面支持 MCP |
| 2025.6 | MCP 1.2 添加授权规格（读/写/执行权限分级） |
| 2025.9 | MCP Registry 启动，类似 npm 的工具注册中心 |
| 2025.10 | MCP 1.3 发布，添加动态权限 |
3.3 AI Agent
AI Agent 是能够自主感知环境、规划任务并执行决策的智能程序。
Agent 核心组成
┌──────────────┐
│ LLM 大脑 │
│ (推理 & 规划) │
└──────┬───────┘
│
┌────────────┼────────────┐
│ │ │
┌─────▼─────┐ ┌───▼────┐ ┌────▼─────┐
│ Memory │ │ Tools │ │ Planning │
│ 记忆系统 │ │ 工具链 │ │ 规划器 │
└───────────┘ └────────┘ └──────────┘
主流 Agent 框架对比
| 框架 | 定位 | 特色 | 适用场景 |
|---|---|---|---|
| LangChain | 全栈 Agent 平台 | 模块化设计、生态最完善 | RAG、对话机器人、流程自动化 |
| LangGraph | 复杂工作流管理 | 状态图、可视化、循环支持 | 多步骤审批、动态决策流程 |
| AutoGen | 多 Agent 协作 | 微软出品、Actor 架构 | 代码生成+测试、协作任务 |
| CrewAI | 角色化 Agent 编排 | 语义友好、低门槛 | 内容创作、营销自动化 |
| Semantic Kernel | 企业级集成 | 微软出品、C#/Python/Java | Azure 生态、企业助手 |
| LlamaIndex | 数据连接 | RAG 专精、多数据源 | 知识库问答、文档分析 |
| Dify | 低代码 Agent 平台 | 可视化、私有化部署 | 企业知识库、客服机器人 |
| Coze | 零代码平台 | 字节出品、集成字节生态 | 轻量级 AI 应用 |
3.4 Skill（技能机制）
Skill 是 AI IDE 中用于扩展 AI 助手专项能力的机制。
核心理念
- 将 AI 的能力模块化：每个 Skill 专注于一类任务（如处理 PDF、操作 Excel、生成 UI）
- 按需加载：AI 根据用户任务自动匹配并加载对应 Skill
- 可定制/可扩展：开发者可以创建自定义 Skill
Skill vs MCP 的区别
| 维度 | Skill | MCP |
|---|---|---|
| 作用范围 | IDE 内部的 AI 能力扩展 | AI 与外部世界的通信标准 |
| 关注点 | "AI 怎么做得更好" | "AI 怎么连接更多资源" |
| 类比 | IDE 的插件/Extension | 通用的网络协议 |
| 示例 | PDF 处理 Skill、Excel Skill | MySQL MCP Server、GitHub MCP Server |
3.5 Vibe Coding（氛围编程）
2025 年 2 月由 OpenAI 联合创始人 Andrej Karpathy 提出。
核心理念
- 开发者通过自然语言描述需求，AI 生成、调整和优化代码
- 从"逐行编码"转变为"对话式迭代"
- 开发者更关注业务逻辑和产品设计，技术实现细节交给 AI
传统编程 vs Vibe Coding
| 维度 | 传统编程 | Vibe Coding |
|---|---|---|
| 开发方式 | 逐行编写代码 | 自然语言描述需求 |
| 关注点 | 语法、框架、库 | 业务逻辑、功能设计 |
| 开发流程 | 线性、步进式 | 对话式、迭代式 |
| 入门门槛 | 需要深度编程知识 | 大幅降低 |
| 代码控制 | 完全掌控 | 部分依赖 AI 理解 |
四、AI 编码工具演进（开发者日常工具链）
4.1 发展阶段
第一代：插件形态（2021-2023）
├─ GitHub Copilot（VS Code 插件）
├─ Amazon CodeWhisperer
├─ Tabnine
└─ 特点：代码补全为主，单行/单函数级别
第二代：AI 原生 IDE（2024-2025）
├─ Cursor（基于 VS Code Fork）
├─ Windsurf（原 Codeium）
├─ TRAE（字节跳动，首个中文 AI IDE）
└─ 特点：全项目上下文感知、多文件编辑、Agent 模式
第三代：自主开发 Agent（2025-2026）
├─ Cursor Agent Mode
├─ TRAE SOLO Mode
├─ GitHub Copilot Agent Mode
├─ Claude Code（CLI Agent）
└─ 特点：AI 可独立完成从需求到部署的完整链路
4.2 主流 AI IDE 对比
| 工具 | 出品方 | 发布时间 | 核心特色 | MCP 支持 |
|---|---|---|---|---|
| Cursor | Anysphere | 2022（创立） | 深度上下文感知、Composer 多文件编辑 | 支持 |
| Windsurf | Codeium→OpenAI | 2024 | AI Flow、Cascade 实时感知 | 支持 |
| TRAE | 字节跳动 | 2025.1 | 中文首创、接入豆包模型、免费 | 支持 |
| GitHub Copilot | GitHub/Microsoft | 2021（预览） | 最大用户基数、多模型切换 | 支持 |
五、AI 应用开发技术栈全景图（2025-2026）
┌─────────────────────────────────────────────────────────────────────┐
│ 应用层 │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ AI IDE │ │ AI Agent │ │ AI 客服 │ │ RAG 应用 │ ... │
│ │(Cursor等)│ │(自定义) │ │ │ │ │ │
│ └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘ │
├───────┼────────────┼────────────┼────────────┼──────────────────────┤
│ │ 协议/框架层 │ │ │
│ ┌────▼──────────────────────────▼────────────▼─────────────┐ │
│ │ MCP (标准化通信) │ Agent 框架 (LangChain等) │ │
│ │ Skill (能力扩展) │ RAG 框架 (LlamaIndex等) │ │
│ └────┬──────────────────────────┬──────────────────────────┘ │
├───────┼──────────────────────────┼──────────────────────────────────┤
│ │ 模型层 │ │
│ ┌────▼──────────────────────────▼─────────────────────────┐ │
│ │ OpenAI (GPT-4o/o3) │ Anthropic (Claude 4) │ │
│ │ Google (Gemini 2.5) │ DeepSeek-R1 │ │
│ │ Meta (Llama 3) │ 字节 (豆包1.6) │ │
│ └────┬────────────────────────────────────────────────────┘ │
├───────┼─────────────────────────────────────────────────────────────┤
│ │ 基础设施层 │
│ ┌────▼────────────────────────────────────────────────────┐ │
│ │ 向量数据库 (Chroma/Milvus/Pinecone) │ │
│ │ GPU 云 (AWS/Azure/火山引擎) │ │
│ │ 模型部署 (Ollama/vLLM/TensorRT-LLM) │ │
│ └─────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────────┘
六、开发工程师行动指南
6.1 必须掌握的技能（按优先级排序）
- Prompt Engineering：与 LLM 高效交互的基础能力
- AI IDE 使用：Cursor / TRAE / Copilot 至少精通一个
- RAG 架构：向量数据库 + 文档分块 + 检索策略
- MCP 协议：理解架构、能开发自定义 MCP Server
- Agent 框架：LangChain / LangGraph 至少掌握一个
- Vibe Coding 实践：学会用自然语言驱动 AI 完成开发
6.2 推荐学习路径
入门（第1-2周）
├─ 安装并使用 Cursor / TRAE
├─ 学习 Prompt Engineering 基础
└─ 用 AI 辅助完成一个小项目
进阶（第3-6周）
├─ 学习 LangChain 框架，搭建一个 RAG 应用
├─ 了解 Function Calling 和 Agent 概念
├─ 配置 MCP Server（如 MySQL、GitHub）
└─ 在 IDE 中体验 MCP 驱动的 AI 工作流
深入（第7-12周）
├─ 构建自定义 MCP Server
├─ 使用 LangGraph 编排复杂 Agent 工作流
├─ 学习 CrewAI / AutoGen 实现多 Agent 协作
├─ 了解模型微调和私有化部署（Ollama）
└─ 实践 Vibe Coding，提升 AI 协作效率
6.3 值得关注的趋势
| 趋势 | 说明 | 预期时间 |
|---|---|---|
| MCP 2.0 | 支持分布式 Agent、多设备协作 | 2026 Q1 |
| AI 全自主开发 | AI 独立完成需求→开发→测试→部署 | 2026 |
| 多模态编程 | 语音/图像/视频输入驱动开发 | 2025-2026 |
| 开发者角色转变 | 从"编码者"到"AI 代码审核员 + 架构设计师" | 正在发生 |
| Agent 互联互通 | 不同 Agent 通过标准协议协作 | 2025-2026 |
七、总结
从 2022 年 ChatGPT 发布至今，AI 对软件开发的影响可以概括为三个阶段：
| 阶段 | 时间 | 关键词 | 开发者角色 |
|---|---|---|---|
| AI 辅助 | 2022-2023 | Copilot、Prompt、代码补全 | 人写代码，AI 辅助补全 |
| AI 协作 | 2024-2025 | RAG、Agent、MCP、AI IDE | 人描述需求，AI 生成代码，人审核 |
| AI 自主 | 2025-2026 | Vibe Coding、SOLO Mode、全链路 Agent | 人设计架构，AI 独立实现 |
作为开发工程师，最重要的不是"AI 会不会取代我"，而是"会用 AI 的工程师"会取代"不会用 AI 的工程师"。掌握 MCP、Agent、Skill 等核心概念，熟练使用 AI IDE，理解 RAG 和 Prompt Engineering，将成为未来工程师的基本功。