大模型概述与发展历程

欢迎来到《Go Agent 进阶之路》的第一篇。在正式动手写 Agent 代码之前，我们需要先搞清楚一件事：**大模型到底是什么？它是怎么一步步走到今天的？**要开发 AI Agent 应用，你首先得理解它的"发动机"——大语言模型（Large Language Model，简称 LLM）。

1. 为什么要了解大模型？

你可能会问：我是 Go 语言开发者，直接学怎么调 API、怎么写 Agent 不就行了？为什么还要了解大模型本身？

答案其实很简单——因为大模型就是 Agent 的大脑。

Agent 的所有智能行为——理解用户意图、规划执行步骤、选择合适的工具、生成最终回答——全都依赖大模型来完成。如果你不了解大模型的能力边界和工作原理，写出来的 Agent 应用就容易出各种问题。比如明明是个简单任务，你却用了最贵的旗舰模型，成本蹭蹭往上涨；或者一个需要复杂推理的场景，你用了个小模型，效果惨不忍睹。再比如 Temperature 该设多少、上下文窗口够不够用，这些参数如果你对模型没有基本认知，根本调不好。更头疼的是，当 Agent 返回了不靠谱的结果时，你分不清到底是 Prompt 写得不好、模型能力不够，还是工具调用环节出了问题。

所以，磨刀不误砍柴工。先花一点时间建立对大模型的整体认知，后面的学习会事半功倍。

【建议配图1 —— Agent与大模型的关系】

图片描述：白色背景。画面中央偏下是一个大号蓝色大脑图标，内部有电路纹路，标注"大语言模型（LLM）"。从大脑向上辐射出四条不同颜色的粗实线箭头，形成扇形展开的结构。左一箭头（蓝色）连接到一个眼睛图标，标注"理解意图"；左二箭头（绿色）连接到一个棋盘/路线图标，标注"规划步骤"；右二箭头（橙色）连接到一个扳手+齿轮组合图标，标注"调用工具"；右一箭头（紫色）连接到一个对话气泡图标，标注"生成回答"。四个能力图标上方有一条弧线将它们圈住，弧线上方标注"AI Agent"，并画一个小型机器人头像。大脑图标下方用小字标注"核心引擎"。整体构图呈金字塔形——LLM是基座，Agent能力是上层建筑。

整体目的：帮助读者直观理解大模型和Agent的关系——大模型是Agent的核心驱动力。

2. 大模型的前世今生

大模型不是凭空出现的，它的诞生经历了几十年的技术积累。我们来简单回顾这段历程，了解它是如何一步步走到今天这个"无所不能"的地步。

2.1 早期探索：从规则到统计（1950s-2010s）

最早的自然语言处理（NLP）是基于规则的——人工编写语法规则，让机器按规则理解语言。你可以想象成教一个老外说中文，你给他一本厚厚的语法书，让他逐条查阅。效果嘛……你懂的，语言太灵活了，规则根本写不完。

后来，统计方法登场了。研究者们开始用大量文本数据训练模型，让机器从数据中自动"学习"语言的规律。这就像那个老外不��语法书了，而是天天泡在中国人堆里，听多了自然就会说了。

这一时期有两个代表性技术值得一提。一个是 2013 年 Google 提出的 Word2Vec，它是第一个让机器能够理解词与词之间语义关系的模型——比如它能理解"国王 - 男人 + 女人 ≈ 女王"这样的关系，这在当时是非常惊艳的。另一个是 RNN/LSTM（循环神经网络），它擅长处理序列数据，但有个致命问题——处理长文本时，前面的信息容易被"遗忘"。

这些技术虽然有进步，但离真正的"智能"还差得很远。直到 2017 年，一篇改变历史的论文出现了。

2.2 Transformer：改变一切的架构（2017年）

2017 年，Google 的研究团队发表了那篇著名的论文——《Attention Is All You Need》。这篇论文提出了 Transformer 架构，从此彻底改变了 NLP 甚至整个 AI 领域的走向。

Transformer 的核心创新是 自注意力机制（Self-Attention）。

用一个通俗的例子来解释：假设你在读一段话——"小明去了北京，他觉得那里的烤鸭特别好吃"。当你读到"那里"的时候，你的大脑会自动把注意力回溯到"北京"，而不是"小明"。这就是注意力机制做的事情——让模型在处理每个词的时候，能够"关注"到句子中最相关的其他词。

【建议配图2 —— 自注意力机制示意图】

图片描述：白色背景。上下两层结构。上层是一排9个圆角矩形，每个矩形内写一个词："小明"、"去了"、"北京"、"他"、"觉得"、"那里"、"的"、"烤鸭"、"特别好吃"。"那里"这个词的矩形用橙色高亮突出。下层是注意力权重的可视化：从"那里"向所有其他词画出连接线，线的粗细和颜色深浅代表注意力权重——到"北京"的连线最粗最深（深蓝色），旁边标注"0.72"；到"去了"的连线中等（浅蓝色），标注"0.15"；到"小明"的连线较细（淡蓝色），标注"0.08"；到其他词的连线最细（灰色虚线）。"北京"的矩形用蓝色边框标注，表示它被注意力重点关注。右下角有一个简洁的���例：粗线=高权重、细线=低权重。

整体目的：让读者直观理解自注意力机制是怎么工作的——模型能自动找到句子中最相关的词。

为什么 Transformer 这么厉害？ 相比之前的 RNN/LSTM，它有三个关键优势。

首先是并行计算。RNN 必须逐词处理，像排队过安检一样一个一个来；而 Transformer 可以同时处理所有词，像高铁站多通道安检，速度快了几个数量级。其次是长距离依赖，RNN 处理长文本时，前面的信息容易"忘掉"；Transformer 通过注意力机制，即使相隔很远的词也能直接建立联系。最后是可扩展性，Transformer 的结构天然适合"堆参数"——模型越大，效果越好，这直接催生了后来的"大力出奇迹"路线。

Transformer 本身包含两个核心部分：编码器（Encoder） 和 解码器（Decoder）。后来的大模型基本都是在这个架构上做变体：

架构类型	代表模型	适用场景
仅编码器（Encoder-only）	BERT	文本理解、分类、信息提取
仅解码器（Decoder-only）	GPT系列、Claude、Gemini	文本生成、对话、代码编写
编码器-解码器（Encoder-Decoder）	T5、BART	翻译、摘要、问答

目前主流的大语言模型基本都采用 Decoder-only 架构，因为它在文本生成任务上表现最好，而 Agent 应用恰恰是以生成为核心的。

【建议配图3 —— Transformer三种架构变体对比】

图片描述：白色背景。横向三栏布局，栏间用细竖线分隔。左栏标题"Encoder-only"（蓝色字），中央画3个蓝色堆叠方块代表编码器层，上方是一个放大镜+文档图标，标注"文本理解"，下方灰色小字列出代表模型"BERT"，典型场景"分类、信息提取"。中栏标题"Decoder-only"（绿色字），中央画3个绿色堆叠方块代表解码器层，上方是一个笔+纸张图标，标注"文本生成"，下方列出"GPT / Claude / Gemini"。整个中栏外围有一圈金色虚线边框，右上角有一个星形标记"当前主流"。右栏标题"Encoder-Decoder"（紫色字），中央画蓝色方块通过粗箭头连接到绿色方块，上方是两面旗帜交叉图标，标注"翻译/摘要"，下方列出"T5 / BART"。三栏底部有一条从左到右的渐变色带（蓝→绿），标注"Agent开发主要使用Decoder-only架构"，用箭头指向中栏。

整体目的：帮助读者快速理解Transformer的三种变体，以及当前Agent开发主要使用的是Decoder-only架构。

2.3 GPT 系列：从"能用"到"震撼"（2018-2024）

Transformer 提出之后，OpenAI 率先在这个架构上押下重注，走出了一条"大力出奇迹"的路线。

GPT-1（2018年6月）——第一个试水的版本。1.17 亿参数，在无监督文本上预训练，然后在下游任务上微调。当时的效果还比较一般，但证明了一个关键思路：先在大规模文本上预训练，再在特定任务上微调，这条路是走得通的。

GPT-2（2019年2月）——参数量提升到 15 亿，模型开始展现出令人惊讶的文本生成能力。OpenAI 当时以"担心被滥用"为由，没有立即发布完整模型，这反而让 GPT-2 获得了巨大的媒体关注。不过说实话，GPT-2 的实际能力还是比较有限的。

GPT-3（2020年6月）——这是一个真正的里程碑。参数量暴涨到 1750 亿，比 GPT-2 大了 100 多倍。更重要的是，GPT-3 展现出了一种全新的能力——In-Context Learning（上下文学习）。你不需要微调模型，只需要在 Prompt 里给几个例子，模型就能理解你想让它做什么。这个能力直接催生了后来的 Prompt Engineering。

GPT-3.5 / ChatGPT（2022年11月）——在 GPT-3 的基础上，通过 RLHF（基于人类反馈的强化学习） 技术进行对齐训练，让模型的回答更符合人类期望。ChatGPT 的发布直接引爆了全球的 AI 热潮——两个月内用户突破 1 亿，创造了互联网产品增长的历史记录。

GPT-4（2023年3月）——多模态模型，不仅能处理文本，还能理解图片。推理能力大幅提升，在各种专业考试中都能达到人类前 10% 的水平。GPT-4 的出现让很多人第一次真正感受到：AI 可能真的要改变世界了。

GPT-4o / GPT-4o mini（2024年）——"o"代表"omni"（全能），进一步增强了多模态能力，支持文本、图像、音频的统一理解和生成，同时大幅降低了使用成本和延迟。

【建议配图4 —— GPT系列演进时间线】

图片描述：白色背景。主体是一条水平时间轴，轴线用蓝色渐变从左到右加粗加深。时间轴上分布6个节点，每个节点上方竖起一个"卡片"，卡片大小递增代表参数规模增长。GPT-1（2018）：最小卡片，顶部一个小芯片图标，卡片内写"1.17亿参数"，底部标签"预训练+微调"。GPT-2（2019）：稍大卡片，顶部一个文档图标，卡片内写"15亿参数"，底部标签"生成能力初现"。GPT-3（2020）：明显更大的卡片，橙色边框高亮，顶部一个灯泡图标，卡片内写"1750亿参数"，底部标签"上下文学习"，右上角有一个星形"里程碑"标记。ChatGPT（2022）：大卡片，顶部一个火箭图标，卡片内写"RLHF对齐"，底部标签"2月破亿用户"。GPT-4（2023）：更大卡片，顶部一个眼睛图标代表多模态，卡片内写"多模态"，底部标签"图文理解"。GPT-4o（2024）：最大卡片，顶部一个闪电图标，卡片内写"全模态+低成本"，底部标签"高效普惠"。时间轴上方用一条灰色虚线曲线描绘参数量的指数增长趋势。

整体目的：让读者一眼看清GPT系列的演进脉络和每一代的核心突破。

3. 百花齐放：主流大模型全景

GPT 点燃了大模型的军备竞赛之后，各大科技巨头纷纷入场。让我们来看看目前的主要玩家：

3.1 Anthropic Claude 系列

Claude 是由 Anthropic 公司开发的大模型，Anthropic 的创始团队很多来自 OpenAI。Claude 系列的特点是特别强调 安全性和可靠性，在长文本处理和代码生成方面表现出色。目前主要有几个版本：Claude 3.5 Sonnet 性价比极高，速度快效果好，是很多开发者的首选；Claude 3.5 Opus 是旗舰级模型，复杂推理能力更强；到了 2025 年推出的 Claude 4 系列，推理能力和工具使用能力又有了大幅提升。

Claude 系列还有一个很大的优势——上下文窗口可以达到 200K Token，这意味着你可以一次性给它几十万字的文档让它处理，这在 RAG 和长文档分析场景下非常有用。

3.2 Google Gemini 系列

Gemini 是 Google DeepMind 推出的多模态大模型，从设计之初就是面向多模态的——不是在文本模型上"加装"图片能力，而是原生支持文本、图像、音频、视频的联合理解。目前 Gemini 2.0 Flash 主打速度快、成本低，适合大规模应用；而 Gemini 2.5 Pro 是旗舰级模型，推理能力强大，上下文窗口更是高达 1M Token。

Gemini 对我们这个系列特别重要，因为 Google ADK（Agent Development Kit）默认使用 Gemini 作为���层模型。后续的实战代码中，我们会大量使用 Gemini API。

3.3 国内大模型生态

国内的大模型发展也非常迅速：

模型	公司	特点
文心一言（ERNIE）	百度	中文理解能力强，生态完善
通义千问（Qwen）	阿里	开源版本表现出色，支持多语言
DeepSeek	DeepSeek	代码和推理能力突出，性价比极高
豆包（Doubao）	字节跳动	多模态能力强，接入场景丰富
GLM	智谱AI	中英双语，开源生态活跃

对于国内开发者来说，这些模型各有优势，在实际项目中可以根据需求灵活选择。好消息是，大多数模型的 API 接口都兼容 OpenAI 的格式，切换模型的成本很低。

【建议配图5 —— 主流大模型全景图】

图片描述：白色背景。采用"版图/阵营"可视化布局。画面分为左右两大阵营板块，中间底部有一个独立的开源区。左侧板块标题"北美"，用淡蓝色底色区分，内部纵向排列四行：第一行 OpenAI 图标（简笔小圆环）+ "GPT-4 / GPT-4o" 标签（蓝色）；第二行 Anthropic 图标（简笔盾牌）+ "Claude 3.5 / 4" 标签（蓝色）；第三行 Google 图标（简笔四色点）+ "Gemini 2.0 / 2.5" 标签（蓝色）；第四行 Meta 图标 + "LLaMA 3" 标签，用绿色虚线边框标注"开源"。右侧板块标题"中国"，用淡红色底色区分，内部纵向排列：百度+"文心一言"、阿里+"通义千问"（绿色虚线框标"开源"）、字节+"豆包"、DeepSeek+"DeepSeek"（绿色虚线框标"开源"）、智谱+"GLM"。两个板块之间用双向虚线箭头连接，标注"技术竞争 & API兼容"。底部中央是一个绿色条带，标题"开源生态"，内部用小图标列出 LLaMA、Qwen、Mistral、DeepSeek 等，用一个地球+握手图标表示"社区共建"。

整体目的：让读者对当前大模型的全球格局有一个宏观认知，知道主要玩家有哪些。

4. 开源 vs 闭源：两条路线之争

在大模型领域，有一个绕不开的话题：开源还是闭源？

4.1 闭源模型（Proprietary Models）

以 GPT-4、Claude、Gemini 为代表，这些模型不公开权重和训练细节，用户只能通过 API 调用。

闭源模型最大的优势在于能力天花板高——背后有最充裕的资金和算力投入，模型效果通常是业界最强的。而且使用起来非常省心，调个 API 就能用，不需要自己操心部署和运维的事，模型提供商还会持续迭代更新，用户自动就能享受到最新的能力提升。

但闭源模型的问题也很现实。首先是数据安全，你的所有请求数据都要发送到外部服务器，这在金融、医疗、政府这类对数据隐私要求极高的场景中是一个硬伤。其次是你完全受制于 API 提供商——它涨价你就得多掏钱，它限流你就得排队，它停服你就得趴窝。最后，闭源模型是个"黑盒子"，你没法根据自己的特定业务需求对模型做深度定制。

4.2 开源模型（Open-Source Models）

以 Meta 的 LLaMA 系列、阿里的 Qwen 系列、Mistral 为代表，这些模型公开了权重，你可以自由下载、部署、甚至修改。

开源模型走的是另一条路。最吸引人的一点是数据完全不出本地，隐私安全有保障，这对很多企业来说是刚需。同时你可以根据自己的业务场景对模型做微调定制，让它在你的垂直领域表现得更专业。再加上社区生态非常活跃，各种工具链和最佳实践应有尽有，遇到问题也容易找到解决方案。

不过开源模型也有它的门槛。一方面，顶级能力目前还是不如最强的闭源模型，虽然差距在快速缩小，但在一些需要极致推理能力的场景下还是有感知的。另一方面，你得自己准备 GPU 资源来部署，运维和性能优化也需要一定的技术功底——不是所有团队都有这个人力和经验。简单来说，闭源模型是"花钱买省心"，开源模型是"多花精力换自由度"。

4.3 实际开发中怎么选？

对于 Agent 开发者来说，不需要非此即彼。实际项目中，很多团队采用的是 混合策略：在开发调试阶段，用闭源模型（如 Gemini、GPT-4）快速验证想法，因为效果好、接入快；到了生产部署阶段，再根据实际情况做选择——如果数据涉及隐私，就用开源模型做私有化部署；如果对效果要求极高，就继续用闭源模型的 API；如果追求性价比，DeepSeek 和 Gemini Flash 这类方案会是不错的选择。

【建议配图6 —— 开源vs闭源选型决策树】

图片描述：白色背景。自上而下的决策流程图，用圆角矩形和菱形交替。顶部是一个蓝色圆角矩形，内有问号+机器人图标，标注"如何选择模型？"。向下实线箭头连接到第一个菱形判断框（橙色边框），内写"数据涉及敏感信息？"。左分支标注"是"（红色箭头），连接到左侧绿色圆角矩形，内有开锁图标，标注"开源私有化部署"，右下角小字"医疗/金融/政府"。右分支标注"否"，向下连接第二个菱形（橙色边框），内写"预算充裕？"。右分支标注"是"，连接到右侧蓝色圆角矩形，内有锁+皇冠图标，标注"闭源旗舰模型"，右下角小字"GPT-4 / Claude"。左分支标注"否"，向下连接第三个菱形（橙色边框），内写"需要深度定制？"。左分支标注"是"，连接到绿色圆角矩形，内有齿轮+扳手图标，标注"开源+微调"，右下角小字"垂直领域场景"。右分支标注"否"，连接到蓝色圆角矩形，内有闪电图标，标注"高性价比API"，右下角小字"Gemini Flash / DeepSeek"。

整体目的：帮助读者在实际项目中快速做出模型选型决策。

5. 大模型的核心能力

了解了大模型的历史和格局之后，我们来看看大模型到底能做什么。对于 Agent 开发者来说，理解模型的核心能力非常关键，因为 Agent 的能力上限本质上取决于底层模型的能力。

5.1 文本理解与生成

这是大模型最基础也是最核心的能力。模型能够理解你输入的自然语言，并生成连贯、有逻辑的回答。这个能力是所有 Agent 应用的基石。

5.2 推理与逻辑分析

现代大模型具备了相当强的推理能力，能够进行逻辑推导、数学计算、因果分析。特别是 GPT-4、Claude 3.5、Gemini 2.5 Pro 等旗舰模型，在复杂推理任务上已经达到了很高的水平。

这种推理能力对 Agent 至关重要——Agent 需要理解用户意图、拆解复杂任务、规划执行步骤，这些都依赖模型的推理能力。

5.3 代码理解与生成

大模型在代码领域的能力已经非常强大，能够理解代码逻辑、生成功能代码、Debug 排错、解释代码含义。对于我们 Go 开发者来说，这意味着大模型不仅是我们要集成的对象，也是我们开发过程中的得力助手。

5.4 工具调用（Function Calling）

这是大模型近年来最重要的能力突破之一。模型不仅能生成文本，还能 识别何时需要调用外部工具，并生成正确的调用参数。

举个例子：用户问"北京今天天气怎么样？"，模型知道自己没有实时天气数据，于是生成一个工具调用请求：get_weather(city="北京")。系统执行这个调用，拿到实时天气数据，再交给模型组织成自然语言回复。

这个能力是 Agent 区别于普通 ChatBot 的关键所在，我们会在后续的 Agent 认知篇中深入讲解。

5.5 多模态理解

最新一代的大模型已经不局限于处理文本，还能理解图片、音频甚至视频。这为 Agent 的应用场景打开了更广阔的空间——比如一个客服 Agent 可以直接看用户上传的产品故障图片来判断问题。

【建议配图7 —— 大模型核心能力全景】

图片描述：白色背景。中央是一个大号的AI芯片图标（蓝色，内有电路纹路），标注"LLM"。围绕芯片呈放射状分布5个能力卡片，每个卡片是一个圆角矩形，内含独特图标和标题。上方卡片：书本+笔图标，标题"文本理解与生成"，副标题"对话/写作/翻译"。右上卡片：灯泡+齿轮图标，标题"推理与逻辑"，副标题"数学/因果/规划"。右下卡片：代码符号</>图标，标题"代码能力"，副标题"生成/审查/Debug"。左下卡片：扳手+API图标，标题"工具调用"，副标题"Function Calling"，此卡片用橙色边框+星形标记高亮，旁边标注"Agent关键能力"。左上卡片：相机+麦克风+视频图标组合，标题"多模态理解"，副标题"图/音/视频"。每个卡片与中央芯片之间用实线连接。整幅图右下角有一个小型对比标注：两个不同大小的圆，蓝色小圆标"2023"，绿色大圆标"2025"，表示能力持续增强。

整体目的：帮助读者全面了解大模型的核心能力维度，特别是标注出对Agent开发最重要的工具调用能力。

6. 从大模型到 Agent：一个关键的跃迁

讲到这里，你可能已经发现了——大模型虽然很强，但它本质上还是一个 "输入文本 → 输出文本" 的系统。它不能主动获取信息，不能执行操作，不能记住上一次对话的内容（除非你把历史记录塞进去）。

而 Agent，就是要解决这些问题。

Agent = 大模型 + 工具调用 + 记忆系统 + 规划能力

简单来说，大模型是 Agent 的"大脑"，而 Agent 在大脑的基础上，给它装上了"手"（工具调用）、"记忆"（短期/长期记忆）和"规划能力"（任务分解与执行策略）。

这就是为什么我们要先学大模型基础——因为大脑是一切能力的起点。在下一篇中，我们将深入学习大模型的核心概念：Token、Prompt、Temperature 等，理解和模型交互时的每一个关键参数。

【建议配图8 —— 从大模型到Agent的跃迁】

图片描述：白色背景。左右两部分对比，中间用一个大号绿色右箭头连接，箭头上标注"进化升级"。左侧标题"ChatBot"（灰色字），用灰色调表示基础模式：上方一个用户头像，向下实线箭头指向一个灰色大脑图标（标注"LLM"），大脑下方实线箭头指向一个对话气泡。整体是简单的"输入→处理→输出"单线结构，旁边小字标注"只能对话，能力有限"。右侧标题"AI Agent"（蓝色字，加粗），用彩色调表示升级版：中央同样是大脑图标（蓝色，标注"LLM"），但大脑周围环绕三个新模块——上方是一个芯片/内存条图标（紫色，标注"记忆系统"，小字"短期+长期"），大脑与之间双向箭头连接；左侧是一个打开的工具箱图标（橙色，标注"工具调用"，工具箱中露出搜索放大镜、数据库圆柱、API闪电三个小图标），双向箭头连接；右侧是一个棋盘/策略图标（绿色，标注"规划能力"，小字"分解+执行"），双向箭头连接。右侧整体用蓝色虚线大框圈住。

整体目的：让读者清晰看到Agent相比普通ChatBot增加了什么，理解Agent的核心组成。

7. 小结

大模型并不神秘，它本质上就是一个在海量文本上训练出来的超大规模神经网络。Transformer 架构赋予了它理解语言和生成文本的能力，而随着参数规模的增长和训练方法的演进，这种能力已经强大到可以进行复杂推理、编写代码、甚至主动调用外部工具——这些能力叠加在一起，就构成了 AI Agent 最核心的"大脑"。

对于我们 Go 开发者来说，理解大模型就像理解数据库一样——你不需要自己去实现一个 MySQL，但你得知道索引怎么工作、事务怎么回事，这样才能写出高效的数据库应用。同样的道理，你不需要自己训练大模型，但你得知道它能做什么、不能做什么、不同模型之间有什么差异，这样才能在构建 Agent 应用时做出正确的技术决策。

关注秀才公众号：IT杨秀才，领取精品学习资料

• 公众号后台回复：Go面试，领取Go面试题库PDF
• 公众号后台回复：Go学习，领取Go必��书籍
• 公众号后台回复：大模型，领取大模型学习资料
• 公众号后台回复：111，领取架构学习资料
• 公众号后台回复：26届秋招，领取26届秋招企业汇总表