文章总结： 本文探讨了AI技术在过去一年的发展，包括从聊天机器人到智能体编排，从云上到本地推理，从快思考到慢思考，以及从玩具到流程的四个转变，强调了AI从演示到实际应用的重要性。 综合评分： 85 文章分类： AI安全,技术标准,安全建设,安全工具,数据安全

中秋假期捋了一遍 AI 的技术路线，才懂这一年到底发生了什么

原创

这里至少还有鱼 这里至少还有鱼

老李的信息化自留地

2026年9月26日 11:09 山东

在小说阅读器读本章

去阅读

在公众号小说中沉浸阅读

中秋假期，朋友圈和抖音都在照例被月饼和团圆刷屏。

我一边看着大家的朋友圈和抖音，一边泡了杯茶，把这一年用 AI 干过的活翻出来看了看，又顺手捋了捋 AI 本身这一年走的几条路。

我这人有职业病，看见一堆东西就想归归类、理理顺，算是我干信息化十几年落下的毛病。

捋完有点坐不住。不是因为它又强了多少，是发现它走的路线其实挺清楚：每一条都在把”能不能用”，往”好不好用、能不能信”上推。

我干了十几年企业信息化。去年这时候刚考下 AIGC 证，满脑子想的是”这东西能帮我写写材料吧”。今天它已经在我工作流里了。

说”工作流”可能虚，落到实处就是：写稿、做图、跑数据、整理资料，一半以上的活它都插得上手。

下面这四条路，都是我亲自踩过的，不是从哪份行业报告里抄来的。

第一条路：从”能聊”走到”能动手”

去年大家玩的都是聊天机器人。

你问一句它答一句，出了那个对话框，啥也不是。它像个嘴快的参谋，主意给了一箩筐，真要它去系统里办点事，办不了。

今年不一样了。底层是模型有了函数调用（Function Calling）和工具调用的能力，Agent（智能体）能把”调接口、跑脚本、读写数据库”这些动作串成一条工作流。

这一步看着不大，其实是道分水岭。它从”参谋”变成了”办事员”，技术上叫从大模型（LLM）进了智能体编排。

别小看这步。参谋可以听可以不听，办事员是真把事办了。这一下，AI 从”给建议”跨进了”出结果”，干的是工具调用那一层活。

说两个我自己的例子。

以前做视频字幕，是复制粘贴来回倒，翻译完还得手动对轴、手动切。现在本地模型跑翻译，配上无损切割工具，整套流程能自己转完，我只在两头看一眼。

还有我把一堆散乱的校友攻略、新生 FAQ 丢给 WorkBuddy，它直接整理成能对话的技能包。新生问”宿舍几人间、哪个食堂便宜”，它回得比我还顺。

日常里那些重复活，我也让它替我写脚本跑。文件批量改名、日报自动汇总，都是它动手。

以前这些零碎活，攒一周才舍得花半天处理。现在一句话交代清楚，它跑完我把结果扫一眼。省下的不是那点时间，是”这事总搁在心里”的念想。

这已经不是聊天了，是它在替我把活干完。

拐点在哪？——在它开始能”动手”，而不只是”动嘴”。

第二条路：从”全在云上”走到”也能在本地”

去年一提大模型，基本等于大厂的 API。离了网、离了钱，就转不动。

想用，就得把数据交出去。这对很多企业是道过不去的坎。

今年我发现，不少模型能在自个儿机器上做端侧推理了。

我装了 Ollama 这类推理框架，本地起一个 llama3 的量化模型。翻译、整理文档、做检索增强（RAG），都不用把数据传出去，推理全在本地显卡或 CPU 上完成。

做视频字幕、把一本 PDF 重新排成 EPUB 电子书，全程在本机，不依赖外网，数据不出域。

int4 量化之后，7B 参数的模型消费级显卡甚至纯 CPU 都能带得动。开源那一圈推理框架和工具链，让企业做私有化部署、甚至信创适配成了现实。

这在企业里意味着什么？意味着不用每次都走一遍合规审批，不用跟安全部门解释”数据去了哪”。信息化老伙计都懂，能本地跑，落地的门就宽了一大截。

对企业信息化的人，这条路的份量很重。

数据不出门，成本也能压住，这俩事，在甲方环境里，比”模型多聪明”要命得多。

第三条路：从”快思考”走到”慢思考”

去年那些模型，给答案特别快，走的是”快思考”，靠的是参数里的模式匹配。

可一碰带条件的复杂推理就容易翻车，行话管这叫”幻觉”。你问个有前提的工程问题，它答得理直气壮，仔细一看逻辑是断的，它还觉得自己对。

今年有些模型改了脾气，变成了”推理模型”。

会先把问题拆成多步推理、把思维链摊给你看，再给结论。这背后是类似 System 2的慢思考机制。

我在那个对比页里试过：同一个工程问题丢给几个大模型，有的张嘴就编，有的会先拆步骤、标前提、把边界条件讲清楚，出来的方案明显更经得起推敲。

写代码也是。带推理能力的那个一次写对的概率高不少，省得我回头 Debug。

我还拿它审过自己写的存储过程，它把我漏掉的一个边界条件揪出来了。这事以前得靠同事 code review，现在它先过一道，相当于多了个随时在线的评审。

有意思的是，这正好印证了我上篇写的那个判断——人得先把自己想清楚，AI 才帮得上忙。

现在 AI 自己也在学”先想清楚”。人和工具，在这件事上居然走到一块去了。

所以上篇我说”人得先想清楚”，搁在一年前像句漂亮话，现在看是实打实被验证过的。

第四条路：从”玩具”走到”进了流程”

去年在企业里提 AI，多半是做个 Demo 给领导看。

热闹一阵就凉了。真要用，卡在”它答得挺好，可跟我系统接不上、数据对不齐、出了错也没人背锅”。说白了，还停在玩具阶段。

今年不一样。

业内开始把它当生产系统来对待，而不是玩具。检索增强生成（RAG）把企业私域知识接进去，评测集把”答得对不对”量化出来，人工审核闭环把”错了谁负责”写进流程。

我观察到一个变化特别明显：落地的重心，从”模型够不够强”挪到了”知识治不治理”。

知识没沉淀好，模型答得越快错得越多。我见过不少团队，花在理清知识边界、统一口径、做评测样例上的时间，比花在调模型上的多得多。模型换了个更聪明的，效果没怎么变；知识一理顺，回答质量肉眼可见地上去了。

这背后其实是老问题：数据治理。AI 落地撞上的墙，跟当年上 ERP、上数据中台是一堵墙。技术只是入场券，真正决定成败的，还是你愿不愿意把家底理顺。

想清楚这点，反而踏实了。

工具追不完，但”把经验留下来、把流程理通顺”，是咱们信息化老兵的老本行。

说白了，AI 在这条路上扮演的角色，跟当年上系统一模一样。技术只是入场券，真正决定成败的，还是你愿不愿意把家底理顺。

这四条路，拧着一股劲

分开看是四条，合起来看是一件事——AI 正从”演示给你看”，变成”替你把事办了”。

能动手、能本地、能慢想、能进流程，四个方向都在往”真用”上靠。

也正是因为这股劲，我才敢对普通读者说一句实在话。

别忙着追最新的模型。模型半年一换，你手头那件活和那堆没理顺的知识，才是谁也替不了你的。

先把自个儿的摊子理清楚，工具自然会越来越好用。

这四条路里，我最看重的其实是第四条。前三条是厂商往前跑，第四条得靠咱们自己迈腿。厂商的进度你急不来，自个儿的摊子今天就能理。

最后说两句

去年中秋，我刚拿证，想的是”它能帮我写写材料”。今年中秋，它在我工作流里了。

去年这个时候，谁能想到 AI 走到今天这个程度？

那明年这个时候呢？

我不敢替它预言具体会强成什么样，那种话今年打脸明年的事，这两年见得太多了。

但我愿意赌一条：它会越来越”无感”地嵌进日常，像当年的电、后来的网一样，你不再专门讨论它，只是用着。

月亮还是那轮月亮。工具来来去去，能把一件事想明白、把经验留下来的人，一直稀缺。

中秋快乐。你这一年用 AI，感触最深的是哪件事？评论区聊聊。

每周分享企业信息化和 AI 落地的一手经验，都是我自己做过、验证过的。关注一下，下期继续。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：老李的信息化自留地 这里至少还有鱼 这里至少还有鱼《中秋假期捋了一遍 AI 的技术路线，才懂这一年到底发生了什么》