LLM技术演进 - LLM发展经历了三个阶段：软件1.0时代、以数据为核心的2.0时代、通过自然语言指令控制模型的3.0时代[3] - 语言正在演变为控制系统，每个个体都拥有语言接口的一部分[3] - LLM技术分支发展迅速，类似芯片制造业需要巨额资本支出[4] LLM生态系统定位 - LLM更接近操作系统而非公共事业商品，形成日益复杂的软件生态[6] - 闭源LLM提供商类比Windows/Mac OS，开源Llama生态类似Linux[6] - 技术架构上：模型本体相当于CPU，上下文窗口相当于内存，工作流如同操作系统调度资源[6][8] 人机交互优化方向 - 纯文本交互将进化，GUI可视化界面能加速AI工作成果的验证环节（如Cursor的代码高亮功能）[11][13] - 有效自动化需满足三要素：感知（获取信息）、行动（执行操作）、监督（人工介入机制）[15][17] - 当前软件界面设计阻碍AI自动化，需改造为LLM可访问的形式[16] AI代理发展路径 - AI代理发展应是十年周期而非短期爆发，从演示级到工业级需跨越可靠性鸿沟[21] - 现实场景复杂度远超预期，特斯拉经验显示需谨慎对待agent技术[19] LLM特性与局限 - LLM具有类人心理特征，既拥有百科全书式知识又存在幻觉、记忆缺陷等问题[27][29] - 训练数据导致其同时具备超能力与认知缺陷，类似《雨人》角色特征[27] 技术扩散模式创新 - LLM颠覆传统技术扩散路径：先消费级应用普及，后政企采用（如ChatGPT烹饪问答）[31] - 当前是行业进入良机，因技术扩散方向与历史模式完全相反[31] 教育领域应用 - 开放式指令易导致AI教学失控，需结构化课程设计（教师-AI协作制定大纲）[23][24] - 过度反应的代理会产生无效输出，需限制在人类可验证的产出框架内[24]