AI 圈最容易让人焦虑的一件事，就是永远有新词刷屏。
前几年大家还在研究 Prompt、RAG、Function Calling；后来 MCP、A2A、Vibe Coding、Agentic Coding 又一批批冒出来；到了 2026 年，Loop、Agent Harness、Skills、技能供应链治理，又成了更值得关注的新话题。
中间还夹着一些很有传播性的中文热点，比如前阵子火过的“小龙虾”。
很多人会有一种感觉：
每个词都像要学。
每个词都像不能错过。
但真正的问题不是“又出了什么新词”，而是：
过去几年，大模型行业最不缺的就是新词。
最近有同学问我：AI 相关的名词越来越多，到底哪些是基础概念，哪些只是阶段性热词，哪些已经变成产品和工程里的常规能力？
这个问题也提醒了我。前面几篇文章里，为了不打断主线，我对很多引用到的 AI 名词只是顺手解释了一下，更多是在讲应用落地时需要考虑的模型、知识库、工具调用、Agent、安全和评测，并没有系统梳理这些词本身的来龙去脉。
所以今天加餐写一篇，作为第一季之外的长期更新地图，把这些年常见的大模型术语放到同一张时间线上，帮大家把源头、爆火、沉淀和退潮捋清楚。
从 Transformer、ChatGPT、RAG、Agent，到 MCP、A2A、Deep Research、Vibe Coding、Agent Security，每一个阶段都有一批词冲上来，带着论文、产品发布、融资故事、培训课程和朋友圈截图一起扩散。
第一季到这里正式收官。
前面 14 期，我们依次拆解了 Prompt 资产管控、LLM 网关、Embedding 与 RAG 检索、Tool Calling、MCP 协议、Workflow 流程、受控 Agent、LLMOps 评测、权限密钥安全、迭代工程规范、低代码平台选型等全链路知识点。
但真实企业落地，不会按零散技术名词堆砌上线。
落地规律永远是：从小场景试点验证价值，随业务复杂度爬坡，分阶段补齐工程架构。
企业 AI 既不是只调用一个大模型 API 草草完工，也不能完全依附平台配置永久运行。
初创小团队研发人手紧缺，业务还处在验证期，没必要起步就全栈自研。
依托 Dify、FastGPT、Coze 等低代码 AI 平台，快速搭建知识库问答、简易 Bot 和自动化流程，是非常合理的落地路径。
平台可以快速落地产品原型，快速验证业务价值，也能帮业务团队直观看清：AI 到底能落地什么场景，哪些需求值得继续投入。
问题从来不是“能不能使用平台”。
真正的误区，是把平台内置功能直接等同于企业正式架构。
平台负责加速落地，但权限、审计、评测、数据安全、系统迁移等生产治理责任，仍然需要企业自主规划。
AI 系统上线，才是持续迭代的开端。
业务会调整回复口径，运营会迭代知识库，研发会新增业务工具，产品会优化流程，安全会补充权限规则，同时团队还要持续控制调用成本。
于是 Prompt、RAG 检索逻辑、工具配置、Workflow 编排、前端交互，全链路都在频繁改动。
再叠加 AI 辅助编码工具普及，代码修改效率大幅提速：过去需要半天完成的改动，现在几分钟就能生成一版。
这当然是好事，但它也带来新的隐患：开发效率提升的反面，是缺少约束与校验时，系统会更快架构腐化、逻辑混乱。
企业 AI 项目最怕的不是改得慢，而是改得太快、太散、太无记录。
AI 仅依赖静态 RAG 知识库时，风险主要集中在答案失真、引用出错、资料版本混乱。
但一旦接入订单、物流、会员、工单、财务等在线业务系统，风险会发生本质升级：不再只是答错题，而是越权查隐私、泄露敏感数据、误触发业务变更、造成资金损失。
从这一刻开始，AI 不再只是一个“会回答问题的助手”，而是进入了企业真实业务链路。
它可能查询订单、读取会员信息、拉取收货地址、调用退款接口、触发工单流转。任何一次权限失控、密钥泄露、字段暴露，都可能从内容问题升级为安全事故。
因此，权限、密钥、数据边界必须在架构设计阶段前置落地。
很多 AI 项目最大的隐患，不在上线前，而在上线后的迭代漂移。
上线前夕，团队会集中人力全量测试、集中整改问题、集中盯住效果；正式投产之后，Prompt 迭代优化、知识库增补更新、底层模型切换、工具链路扩容、业务流程微调，每一处改动看似细微，日积月累就会引发隐性劣化：回答口径跑偏、资料引用丢失、违规拒答变少、调用成本攀升、客诉数据持续走高。
最危险的是，这种劣化往往不是一次性爆雷，而是慢慢发生。
今天改一条 Prompt，明天补一批知识库，后天切一个模型参数，短期看都像是优化；等问题集中暴露时，团队已经很难说清：到底是哪一次改动，让系统开始越改越差。
前面已经落地RAG 知识库、Tool Calling、MCP 统一互通边界、Workflow 固定流程，标准化报修、派单、回访等链路已经可以靠流程引擎稳定跑通。
但很多团队被 Agent 的自主规划、自动多轮办事能力吸引，一上来就把全量售后业务全部交由智能体接管。
这是企业 AI 落地高频踩坑点：
固定走流程交给 Workflow，只有路径多变、跨系统交织的疑难客诉，才适合启用 Agent；无边界的自主智能体等于业务失控隐患。
前面从 RAG 静态文档、Tool Calling 单点工具、MCP 统一协议，一步步打通 AI 对接企业数据的能力。
但落地售后场景后会发现：客户需求早已跳出单次问答，从政策咨询升级为报修建档、补充材料、工单派发、进度跟进、完结回访的全链路事务处理。
很多团队陷入误区：但凡涉及多步骤业务，立刻上马 Agent，指望 AI 自主规划步骤、自主调用工具、自主走完全流程。
但企业生产落地铁律：规则固定、步骤可枚举的标准化售后流程，优先用 Workflow 固化，而非放任 Agent 自由决策。
前面讲完 Tool Calling 工具调用，单点接口接入业务系统可以快速落地，但工具零散堆砌、多应用重复对接的规模化弊病很快暴露：
查订单、查物流、查会员，各自封装接口；各家参数规范、入参格式、鉴权逻辑、调试规范完全割裂；新增一个 AI 应用，就要重新做一遍对接，治理成本持续走高。
想要解决多工具、多系统、多客户端的乱象，核心方案就是搭建标准化互通边界。
MCP（Model Context Protocol）正是这套标准化接入的行业开放协议。
