本文基于《你拼命消除的正是智能》一书整理。书里有一节专门干这件事把行业拆得七零八落、各起花名的一堆技术重新收成一个统一机制。这篇博客把那一节抽出来做成一份术语祛魅手册。一、术语通货膨胀如果你这两年在追 AI大概被这些词轰炸过RLHF、RAG、Function Calling、Tool Use、Chain-of-Thought、ReAct、Reflection、Tree-of-Thought、Self-Consistency、Memory、Long-term Memory、MCP、Agent、Multi-Agent、Orchestration、Persona Debate……每个月都有新词每个词都配一套教程、一批创业公司、一轮融资。看起来这是一个百花齐放、日新月异的领域。但如果你退后一步把这些词并排放在一起看会发现一件让人不太舒服的事它们里的大多数本质上是同一件事只是换了个入口、起了个新名字。这不是贬低。恰恰相反认出这个最大公约数比记住一百个名词有用得多。二、先看清那个闭包要说清这件事得先有一个参照物大模型本身到底是什么形状。一个训练完的大模型被关在两道铰链里冻结参数空间训练一结束那几百上千亿参数就固定了。推理时它不再从现实学新东西所有知识封死在权重里。自指推理闭环它的思考是在自己参数映射出的 token 空间里打转前一个 token 决定后一个的分布后一个又喂回自己。这是一套自洽、封闭、没有外部约束的循环。把这两道铰链合起来就是一个词闭包。模型独自运行时是一个封闭的概率闭包。它很流畅但它够不到自己的外面。记住这个形状。因为接下来你会发现那一长串花里胡哨的名词全都在对这个闭包做同一个动作。三、逐一祛魅它们都是同一个动作那个动作是把模型闭包外的世界扰动注入闭包内。现在我们拿这把尺子一个一个量过去RLHF把人类偏好注入模型。注入口在训练期。RAG / 检索增强把外部知识库的内容注入。注入口在推理期。Tool Use / Function Calling把代码运行结果、API 返回值注入。注入的是外部计算。Memory / 记忆外置把闭包内存不下的历史搬到闭包外再取回。你多轮纠正 ChatGPT你说你错了把你脑子里的外部判断注入进去。Multi-Agent / 多智能体把另一个独立 agent 的视角peer 反馈注入。看出来了吗名字六个动作一个。它们的本质全是同一件事把闭包外的世界注入闭包内。书里把这件事说得很直白行业把一个统一的现象拆成了prompt 技巧“reward 工程”“检索增强”智能体编排一堆碎片各起各的名却从没意识到它们是同一根机制的不同切面。顺带把三条杠杆也摆出来这是更整齐的一张地图杠杆一闭包内利用率scale、推理、算法在闭包内部把表现放大。堆参数、test-time compute、架构改进都在这。杠杆二单体外部化工具、RAG、记忆外置给单体装体外器官突破闭包内的信息与计算局限但仍是一个单流没有真正的他者。杠杆三跨闭包结构化冲突多智能体组织引入真正独立的 peer 视角加上闭包外的真值锚制造单体自己生成不了的结构化不确定性。上面那串名词全落在杠杆二和杠杆三里。它们不是三种世界观是同一个往闭包外接的直觉的不同实现。四、更底层的统一协作就是信息交换如果还想再往下挖一层书里给了一个更朴素的定义一下把边界抹平了协作 信息交换。只要两个实体之间发生了信息交换协作就发生了。于是你跟 ChatGPT 多聊几句它输出、你反馈、它再输出这是协作单个 Agent 调一个工具工具返回、Agent 据此继续这是协作多个 Agent 互发消息、互相质疑这也是协作。三者不是三种不同的事物是同一范畴信息交换下的特殊情况。没有谁比谁高级只是规模、频率、结构化的程度不同。所以人机对话“工具调用”多智能体协作这三个听起来分属不同赛道的词在这把尺子下是连续的都是往一个封闭闭包里注入外部信息区别只在注入源是人、是工具、还是同类。五、统一不代表等价注入的是种子还是沙子到这里必须踩一脚刹车否则会滑成所有技术都一样、随便用。统一的是机制不是效果。同样是往闭包里注入注入进去的可能是有用的种子也可能是搅局的沙子。RAG 时而拔群、时而搅局就是这个原因。书里给了一根判据轴用来区分种子和沙子叫结构化三要素。一次有效的注入应当同时满足围绕目的跟当前任务强相关出乎意料给出接收方没料到的信息有据可核来源可追溯、可验证。拿它去量 RAG 就很清楚了三个圈全中RAG 表现拔群关键词撞上但内容不搭缺 1RAG 是在往生成流里倒噪声来源不明未经核验缺 3RAG 带了依据的外壳却没有锚反而把模型带偏。于是加 RAG不再是一个笼统的操作而是一个可以逐要素核验的设计动作这次检索过了 1 吗过了 2 吗过了 3 吗哪个没过就是下次改进的方向。同一根轴还能顺手判掉一个流行的误区让一个大模型分裂出几个 persona 互相辩论算不算多智能体答案是位置内部还是外部不重要重要的是注入的不确定性是结构化的还是随机的。同一个闭包里的自我采样本质是回声室几个分身共享同一套参数、同一个盲区吵得再热闹也跳不出那个闭包。真正的 peer 是另一个独立闭包它带来的才是收敛系统需要的原料。所以分身辩论和多智能体名字像底层不是一回事。六、被玩坏得最狠的一个词注意力术语通胀里有一个词的滥用值得单独拎出来说注意力。Transformer 的 softmax被顺口叫成了注意力机制久而久之很多人真以为模型里装着一份人类那样的注意力。但真注意力的定义性特征是外部目的锚你之所以注意某样东西是因为有一个外部目的在牵引。而 softmax 没有任何外部锚它只是闭包内的一次统计加权分配。它是概率加权不是注意力。这个混淆的代价不小一船人以为自己找到了真的注意力于是拼命优化权重分配、调头数、改掩码越划越齐却没人问一句舵在哪、我们要去的岸在哪。锚不清楚优化得再精细也是无根之萍。这本身就是一场和术语通胀同构的集体错觉名字给得太顺反而挡住了它真正是什么。七、行业为什么没看穿一个自然的问题是这么明显的统一机制行业为什么一直用一堆花名把它盖着书里的判断很克制不是行业不用是行为上深度依赖认知上却忽视。RLHF 用了、RAG 用了、工具调用用了行为上早就离不开。但在认知上它被拆成了训练技巧“工程补丁”“prompt 玄学”从没被抬升为一个范式级的核心机制。术语的花里胡哨某种程度上正是这种认知碎片化的症状每个团队在自己那块解决一个局部问题起一个局部的名字谁也没退后一步问我们这些人是不是都在做同一件事。要说清楚这里点醒的是认知层级这是不是核心机制不是技术常识这能不能提分。没人不知道 RAG 有用缺的是把这一堆东西认成一根轴的那个视角。八、收口与其追新词不如认这根轴下次再看到一个 AI 新名词别急着焦虑又要学新东西了。先拿这把尺子量一下它是在往哪个闭包里、从哪个源、注入什么注入的东西过不过三要素量完你多半会发现所谓新范式是那个老动作换了个入口。真正稀缺的从来不是新名词而是认出它们背后那根统一的轴把闭包外的世界结构化地注入闭包内再收敛成可靠产出。名字会一直翻新。轴就这一根。说明本文把原书分散在卷一、卷四、卷五、卷六的论点收拢成一篇科普。原书对每处主张都附有更严格的边界标注例如外部不确定性是主要杠杆在书中标为【中·待证】附 9 条可核查文献本文为可读性做了压缩判据轴与统一机制的表述以原书为准。
