一、大模型工程发展时间线（2023-2026）

大模型工程的真正落地始于2023年GPT4的发布，这是行业分水岭，后续技术均围绕大模型工具调用、自主决策、上下文补充三大核心发展，以下是关键时间节点和技术突破，零基础学员可通过时间线建立整体认知：

时间	核心节点	关键技术/产品	核心突破
2023年	GPT4发布	Function Call、AutoGPT（初代Agent）、Lang chain（初代Workflow）	GPT4实现Function Call，让大模型能生成JSON格式调用工具，大模型工程化成为可能；诞生初代Agent（AutoGPT）和Workflow（Lang chain），形成两大技术派系
2023-2024年	工具生态初步发展	Cursor、Windsurf（编程类Agent）、Coze、D费解（Workflow）	Agent开始向垂直领域落地（如编程）；Workflow实现可视化，成为企业级开发主流
2024年9月	Claude发布Sonnet 3.7	Sonnet 3.7模型	模型的工具调用稳定性、JSON输出能力、推理能力大幅提升，Cursor等Agent产品实现实际可用（生成代码可直接运行）
2025年中	Claude推行业界规范	MCP协议	Claude为大模型工具调用制定MCP协议，实现工具单独封装、热插拔，解决工具调用的标准化问题；Manus（通用Agent）爆火，带火MCP概念
2025年10-11月	Claude优化MCP	Skilz	解决MCP上下文过长、模型卡顿的问题，将工具封装为带SOP说明书的文档，大幅降低上下文占用；Coze从Workflow派系转向Agent派系
2026年初	海外开发者创新	Openclaw（原cloubot/moltbot）	实现Agent的定时自动化、全权限终端调用、IM通信适配，并将Workflow封装为Skilz让Agent更可控，完成两大派系的融合

二、大模型工程核心技术模块详解

所有大模型工程的技术都围绕弥补大模型知识缺陷、提升大模型决策能力、实现大模型与工具/系统交互展开，以下是零基础学员必须掌握的核心模块，按从基础到进阶的顺序排列，每个模块包含定义、核心逻辑、通俗解释、实现方式，零基础可直接理解。

（一）基础核心：Prompt Engineering（提示词工程，PE）

1. 定义：通过设计合理的System提示词（系统指令）和User提示词（用户问题），引导大模型输出符合预期结果的技术，是大模型工程的最底层基础。

1. 核心逻辑：大模型的基础交互是“输入提示词→输出结果”，提示词是唯一能直接影响大模型输出的因素。

1. 通俗解释：给大模型定“规则”+提“问题”，比如System提示词写“你是一名专业的发票审核助手，需严格按照财务规则审核发票信息”，User提示词写“审核这张发票的信息完整性”，大模型会按规则回答问题。

1. 实现方式：通过大模型API向模型发送System字段（系统提示词）和User字段（用户提示词），模型返回Assistant字段（结果）。

（二）基础产品形态：Chatbot（聊天机器人）与多轮对话

1. Chatbot基础：基于Prompt工程的一问一答产品，是大模型最基础的产品形态，核心是API的基础调用（System+User→Assistant）。

1. 多轮对话：解决基础Chatbot“无记忆”的问题，让大模型能记住上一轮的对话内容。

• 核心逻辑：将历史对话信息（System+User+Assistant）拼接成新的请求体，和新的User提示词一起发送给模型，模型基于完整的历史上下文回答。

• 实现方式：通过大模型API的history参数存储历史对话，每次新请求都携带历史对话数组，实现多轮记忆。

（三）核心进阶：RAG（检索增强生成）

1. 定义：通过联网搜索/内部知识库检索获取大模型训练数据外的信息，将信息拼接进提示词，让大模型基于检索到的内容回答问题的技术。

1. 核心逻辑：大模型的知识截止于训练完成时间，无法获取实时/内部信息，RAG通过“检索补充上下文”解决该问题，核心是把闭卷考试变成开卷考试。

1. 实现方式

• 联网RAG：用户问题→提取关键词→调用搜索API获取信息→将“用户问题+搜索信息”拼接为User提示词→发送给大模型得到结果；

• 内部知识库RAG：将内部知识向量化存储到向量知识库→用户问题向量化→与向量知识库匹配获取相关知识→将“用户问题+相关知识”拼接为User提示词→发送给大模型得到结果。

1. 关键说明：RAG是所有大模型工程的必备技术，只要大模型未实现实时训练，RAG就会一直作为补充大模型知识的核心手段，Agent、Workflow都离不开RAG。

（四）工具调用核心：Function Call（函数调用）

1. 定义：让大模型从“生成文本”升级为“生成标准化JSON格式数据”，通过JSON数据调用外部工具（如搜索、天气、计算）的技术，是大模型实现工具交互的基础。

1. 核心逻辑：人工提取用户问题关键词并调用工具效率低，Function Call让大模型自主分析问题，生成符合工具调用要求的JSON参数，程序通过JSON参数自动调用工具。

1. 通俗解释：以前是“人看问题→告诉程序用什么工具→程序调用”，现在是“大模型看问题→生成工具调用的‘指令单（JSON）’→程序按指令单调用工具”。

1. 实现方式：在大模型API中新增tools参数，该参数中定义工具的名称、使用场景、JSON输出格式，模型会按要求生成JSON，程序读取JSON后调用对应工具。

（五）高阶形态：Agent（智能体）

1. 定义：基于Function Call，让大模型拥有工具选择、自主决策、循环执行能力的高阶产品形态，核心是“大模型自主完成任务”。

1. 核心逻辑：给大模型配置多个工具，模型根据用户问题自主判断用哪个工具→生成JSON调用工具→获取工具结果后再次判断“是否完成任务”→未完成则继续调用工具，完成则输出结果，形成循环（Loop）。

1. 初代Agent：AutoGPT（2023年），是第一个实现大模型自主循环调用工具的产品，但因当时模型能力有限，JSON输出不稳定、推理能力弱，实际可用性低。

1. 实用化Agent：Cursor（编程专用）、Manus（通用），基于Claude Sonnet 3.7实现，模型的工具调用稳定性提升，能直接生成可运行的代码/完成实际任务。

1. Agent的核心能力：终端封装，将电脑最底层的终端（CMD/Shell）封装为工具，让Agent能直接与电脑/服务器交互，实现生成文件、运行程序、修改代码等操作，这是Agent能落地的关键。

（六）工具封装规范：MCP与Skilz

两者都是为了解决大模型工具调用的标准化、轻量化问题，Skilz是MCP的优化版本，零基础学员重点理解其核心改进即可：

1. MCP

• 核心：实现工具的单独封装，将工具从代码中剥离，变成可热插拔的“插件”，像USB一样直接接入大模型应用；

• 问题：工具的描述信息（名称、使用场景、格式）过长，大量工具会导致上下文溢出，模型卡顿、运行效率低（如Manus的工具描述占18512个字符，部分MCP甚至占5万个字符）。

1. Skilz

• 核心：对MCP的优化，将每个工具封装为带SOP说明书的文档，说明书仅保留“一句话工具介绍”（20-100字符），模型仅加载简介，使用工具时再读取详细内容；

• 优势：大幅降低上下文占用，解决模型卡顿问题；同时保留MCP的工具封装、热插拔能力；

• 不足：严重依赖终端，云端工具调用需将云端暴露为API，在SOP文档中定义API调用方式。

三、Workflow与Agent：大模型工程的两大核心派系

从2023年开始，大模型工程形成了Workflow派和Agent派两大方向，2026年的技术发展实现了两者的融合，零基础学员需理解两者的核心区别、适用场景，避免陷入“只学新的，不学旧的”的误区。

（一）两大派系核心对比

派系	核心思想	实现方式	代表产品	适用场景	2023-2025年发展现状
Workflow（工作流）	不相信大模型自主决策，由人工规划任务的每一步，模型仅按步骤执行	人工拆分任务为“节点”，每个节点对应一个工具/模型调用，节点按顺序连接，形成固定流程	Lang chain、Coze、D费解	对稳定性要求高的企业级业务（如财务审核、客服流程、合同审查）；需要严格按步骤执行的任务	2023-2025年是企业主流，可视化、低代码化发展成熟，成为产品经理梳理业务逻辑的工具
Agent（智能体）	相信大模型的自主决策能力，给模型配置工具，由模型自主判断步骤和工具选择	模型自主选择工具→循环调用→完成任务，人工仅配置工具和规则	AutoGPT、Cursor、Manus、Openclaw	创意类、探索类、编程类任务（如代码生成、文案创作、通用问答）；无需严格按步骤执行的任务	2023-2024年可用性低，2024年9月后随Claude模型升级实现实用化，2025年后成为行业热点

（二）两大派系的融合（2026年核心趋势）

2026年Openclaw的出现实现了Workflow与Agent的融合，核心逻辑是：将Workflow封装为Skilz，让Agent按Skilz的步骤执行任务，既保留Agent的自主能力，又提升Agent的可控性。

• 具体实现：把Workflow的“第一步、第二步、第三步”写进Skilz的SOP说明书，Agent在执行任务时，严格按照Skilz的步骤调用工具，避免模型“跳过步骤、自作主张”；

• 核心结论：Workflow不会被淘汰，而是成为Agent的“管控手段”，像Python/JS成为主流后，C++/Java仍作为底层稳定语言存在一样，Workflow是大模型工程中保证业务稳定性的核心。

四、实操常见问题与解决办法（零基础重点）

解决问题的核心原则：先翻译报错信息（英文→中文），再优先排查版本问题，最后查官方文档/社区。

（一）版本不兼容报错（最高频）

1. 常见现象：部署模型/插件后出现内部服务错误、402报错、unknown error；粘贴API Key后报错；调用通义千问/Deepseek/智谱模型时失败。

1. 核心原因：大模型插件/系统的版本与模型版本不匹配，插件未及时更新，导致无法识别新模型/系统指令。

1. 解决办法

• 降低/升级插件版本：在插件详情页查看版本号，切换到课程授课时的版本（如1.09），避免使用最新版；

• 检查模型版本：确认调用的模型版本是否在插件中已配置，若插件未更新新模型，需等待插件更新或换回旧模型；

• 示例：通义千问插件未更新，导致无法调用新模型，将插件降级到1.09版本即可解决。

（二）参数提取器失败

1. 常见现象：使用参数提取器时出现fail to extract result from function call or including empty result报错。

1. 核心原因：使用了QWQ视觉模型，该模型的推理能力、参数提取能力弱，无法按要求生成JSON参数。

1. 解决办法：替换为Claude、GPT、智谱等主流模型，避免使用QWQ视觉模型做参数提取/工具调用。

（三）文档无法下载

1. 常见现象：部署Contract Review（合同审查）后，流程运行成功，但无法下载生成的文档。

1. 核心原因：Docker的Sandbox权限限制，Docker为了安全，限制了容器内文件的读取/下载权限，生成的文档无法被外部访问。

1. 解决办法

• 临时解决：优先让模型输出结构化文本，而非生成文件，自己通过程序调用API解析文本，避免使用插件生成文件；

• 永久解决：修改Docker的Sandbox权限，在极客平台搜索“defer权限”，按教程解锁文件读取/下载权限；

• 服务器部署：将应用部署在自己的服务器上，服务器的权限更开放，可直接访问生成的文件。

（四）Deepseek模型专属报错：can't access local variable

1. 常见现象：调用Deepseek模型时出现“无法访问与值相关的本地变量响应”报错。

1. 核心原因：Deepseek插件与系统版本不兼容，是版本问题的特殊表现。

1. 解决办法

• 切换Deepseek插件的历史版本，逐一测试；

• 在Deepseek的官方社区/Discord论坛搜索报错信息，参考其他开发者的解决办法；

• 若仍无法解决，暂时替换为其他模型（如Claude、智谱）。

（五）无法添加上传附件功能

1. 常见问题：搭建发票审核/合同审查Workflow时，不知道如何在输入框添加“上传发票/合同附件”的功能。

1. 具体解决办法：在Workflow的功能设置中，找到文件上传选项并打开，可选择允许上传的文件类型（如PDF、图片、文档），打开后输入框会自动出现附件上传按钮，直接使用即可。

（六）Docker镜像部署报错

1. 常见现象：使用宝塔面板部署Docker镜像时出现EMS run报错。

1. 核心原因：宝塔面板的Docker镜像维护问题，镜像本身无错误。

1. 解决办法：直接白嫖宝塔面板的Docker镜像，重新部署即可，该报错不影响实际使用。

五、作业点评核心要点与学习要求（零基础实操指南）

（一）核心学习要求

1. 原子化拆解业务：产品经理的核心能力是将业务拆分为可实现的节点，即“原子化拆解”；判断拆解是否合格的标准：能拆成Workflow的节点，能跑通完整流程，拆不成则说明业务逻辑未梳理清楚。

（二）优秀作业的标准

1. 贴合实际业务场景：如简历优化助手、差旅发票审核、银行交易流水识别、对公业务尽调助手，避免无意义的测试场景；

1. 流程拆解细致：将业务拆分为多个节点，每个节点只做一件事（如“文档提取→参数校验→结果生成→多轮对话”），节点之间逻辑清晰；

1. 实现多轮对话：利用history参数/环境变量（如count）实现多轮交互，让应用拥有“记忆”，而非简单的一问一答；

1. 有流程图/业务梳理：搭建Workflow前，先画好业务流程图，明确每个节点的输入、输出、判断条件，再进行实操。

（四）面试与实操的关联

2026年大模型工程的面试核心要求：既懂Workflow，也懂Agent，能独立搭建实操流程。

1. 2026年至今：面试必问Agent相关知识，同时要求能将Workflow封装为Skilz，让Agent更可控；

1. 核心加分项：能独立实现RAG+Agent/Workflow的结合（如让Agent联网搜索、调用内部知识库），这是企业实际业务的核心需求。

六、零基础学员学习步骤建议

1. 打牢基础（1-2周）：学习Prompt工程（System/User提示词设计）、大模型API调用、JSON格式基础，能独立实现基础Chatbot和多轮对话；

1. 掌握核心进阶（2-3周）：学习RAG的原理和实现（联网搜索/向量知识库）、Function Call的JSON设计，能独立实现一个“大模型+搜索工具”的简单应用；

1. Workflow实操（3-4周）：学习Coze/D费解的可视化搭建，从简单场景（如午餐推荐、简历助手）开始，独立搭建3-5个实际业务的Workflow，实现文件上传、条件分支、多轮对话；

1. Agent与融合学习（4周+）：了解Cursor/Manus/Openclaw的核心原理，学习Skilz的封装，将自己搭建的Workflow封装为Skilz，实现Agent按Skilz执行任务；同时完成项目（如发票审核系统、合同审查助手），积累实操项目经验。