Appearance
0.6 炒作周期复盘：哪些 AI 技术已经退潮
🕐 内容截至 2026-07
从 2023 年到 2026 年，AI 领域经历了一轮完整的炒作周期（Hype Cycle）：一批技术被捧上神坛，又在真实场景里摔下来。这一节做一次复盘——目的不是散播"AI 泡沫要破"的焦虑，而是帮你建立一种工程师最值钱的能力：技术判断力。
每个退潮案例，我们都用同一个三段式拆开看：当时的叙事 → 为什么退潮 → 留下的是什么。看懂这个结构，下次新热点来的时候，你就能自己判断它属于哪一类。
💡 类比：技术炒作像潮汐。涨潮时所有船都被抬高，看起来都一样风光；退潮时你才知道谁在裸泳。但退潮不等于海水消失了——真正有用的东西（港口、航道、渔船）会留在岸上继续运转。复盘的意义，就是分清哪些是泡沫、哪些是基础设施。
案例一：AutoGPT 式"全自动 Agent"
当时的叙事（2023）：AutoGPT 在 GitHub 上爆火，叙事是"给一个目标，AI 自己拆解任务、自己执行、自己纠正，人只需要旁观"。一时间"全自动数字员工"成了最热的故事。
为什么退潮：真实场景里，全自动 Agent 的可靠性过不了关。每一步推理都有出错概率，步骤一多错误就会累积，Agent 会在推理链条的某一步"跑偏"后继续往下走（这个局限在 0.3 AI 能做什么，不能做什么 里讲过）。更关键的是经济账：无人监督地跑长任务，成本失控、产出不可用。Gartner 在 2025 年 6 月的报告中预测：超过 40% 的 Agentic AI 项目会在 2027 年底前被取消，原因正是成本攀升、商业价值不清、风险控制不足；同一份报告还指出，市面上数千个自称"agentic"的产品里，只有约 130 个名副其实——其余都是给聊天机器人和传统自动化工具换了个说法，Gartner 把这叫 agent washing（智能体洗白）。
留下的是什么：Agent 本身没有死，死的是"全自动"叙事。行业转向了两个方向：一是人在回路（Human-in-the-Loop），关键决策点由人确认；二是受约束的 Agent——用清晰的工作流、有限的工具集、明确的护栏把 Agent 的活动范围收窄。这正是 2.3 Agent 设计模式 里讲的那些模式为什么重要。值得注意的是，同一份 Gartner 报告同时预测：到 2028 年，15% 的日常工作决策将由 Agent 自主完成。退潮退掉的是幻想，不是方向。
案例二："提示词工程师"岗位的消亡
当时的叙事（2023）：Prompt Engineering（提示词工程）被包装成一个全新的高薪职业，"年薪百万的提示词工程师"成了媒体标题。
为什么退潮：据 WSJ、Fortune 等媒体 2025 年的报道，这个独立岗位基本消失了。原因很朴素：
- 模型变聪明了。新一代模型对措辞的敏感度大幅下降，不再需要专人"念咒"。
- 提示词技巧文档化、模板化之后，变成了所有用 AI 的人的通用技能，就像"会用搜索引擎"不构成一个岗位一样。
- 真正难的部分——理解业务、设计评估、搭数据管线——从来就不属于"写提示词"这个标签。
留下的是什么：Prompt 技能本身没死，它并入了 AI 工程师和产品工程师的通用能力栈。你会在 第 1 章 系统学它——但它是一门课，不是一个职位。
⚠️ 常见误解："提示词工程没用了，所以不用学了。"岗位消亡和技能无用是两回事。写出让模型稳定输出结构化结果的提示词、设计系统提示（System Prompt）、管理上下文，这些仍然是构建 AI 产品的基本功。消亡的是"只会写提示词就能拿高薪"的幻觉，不是这项技能。
案例三：纯 GPT Wrapper（套壳应用）
当时的叙事（2023-2024）：调用 OpenAI API、包一层界面、收订阅费——"套壳创业"一度被认为是最快的致富路径，成千上万的 Wrapper 产品涌入市场。
为什么退潮：薄封装的宿命是双向挤压：往下，模型厂商每次升级都把 Wrapper 的功能变成平台原生能力（文件对话、联网搜索、代码执行先后被官方产品内置）；往上，没有独家数据和工作流的薄封装毫无壁垒，用户随时迁移。多数纯 Wrapper 产品在很短时间内（普遍说法是 18 个月内）就失败了。
但注意分水岭：另一批"Wrapper"活得很好——Cursor（编程）、Harvey（法律）、Gamma（演示文稿）都是百亿级估值。它们和死掉的那些有什么区别？深工作流 + 数据飞轮：
- 深工作流：产品嵌入了目标行业的完整工作流程，模型只是其中一个部件，换掉模型产品依然成立。
- 数据飞轮：用户使用过程持续产生专属数据，这些数据反过来改进产品，形成别人复制不了的积累。
留下的是什么：一条清晰的判断标准——"薄封装"死了，"深工作流"长存。评估任何 AI 产品时问自己：去掉底层模型，它还剩什么？答案越厚，活得越久。
案例四：向量数据库——从"品类"退化为"数据类型"
当时的叙事（2023）：RAG 爆发让向量数据库（Vector Database）成为最热的赛道，Pinecone、Weaviate、Qdrant 等专用库融资不断，"每个 AI 应用都需要一个向量数据库"成了共识。
为什么退潮：向量搜索被证明是一种功能，而不是一个独立的品类：
- PostgreSQL 的 pgvector 扩展在多个公开基准测试中，在中小规模场景下表现反超专用库，而绝大多数应用的数据量根本到不了专用库的甜区。
- MongoDB、Oracle、Elasticsearch 等主流数据库全部内嵌了向量检索——你现有的数据库就能做，何必多运维一个系统。
- 资本市场给出了判决：IBM 在 2025 年 2 月宣布收购 DataStax（向量数据库厂商），Databricks 在 2025 年 5 月宣布以约 10 亿美元收购 Neon（Serverless Postgres 公司）。向量能力被收编进了大数据平台。
留下的是什么：向量检索这项技术毫无争议地留下了，它是 RAG 和语义搜索的地基。退潮的是"向量数据库创业公司"这个商业形态。对你的实际意义：默认用你已有数据库的向量功能（pgvector 是最常见的选择），只有数据规模和延迟要求真的到了，才考虑专用库。
案例五：LangChain 不再是默认框架
当时的叙事（2023）：LangChain 是构建 LLM 应用的默认框架，几乎等于"AI 开发"本身。
为什么退潮： LangChain 早期的核心抽象（Chain、各种预置链）为快速原型而生，但在生产环境里暴露出层次过深、调试困难、版本变动剧烈的问题。社区的流向说明了一切：一部分人转向模型厂商的官方 SDK（OpenAI、Anthropic 的 SDK 本身就越来越好用），一部分转向 PydanticAI 这类轻量、类型安全的方案。LangChain 公司自己的重心也明显移向了 LangGraph——2025 年 10 月，LangChain 与 LangGraph 双双发布 v1.0，官方定位中 LangGraph 才是构建生产级 Agent 的核心。
留下的是什么：两个教训比框架本身值钱。第一，对"框架"保持警惕：LLM 应用的核心逻辑（提示词、检索、工具调用、评估）用几十行原生代码就能写清楚，框架解决的是编排问题，不值得为它绑定全家桶。第二，抽象会过期，原理不会：LangChain 教你的 LCEL 语法可能过时，但"检索增强、工具调用、循环执行"这些模式在任何框架里都成立。
案例六：Sora 关停——产品会死，工程能力长存
当时的叙事（2024）：Sora 的技术预览震撼了全世界，"文字生成视频"被视为下一个万亿市场；2025 年 9 月 Sora App 上线后一度冲上 App Store 榜首。
为什么退潮：震撼的演示和可持续的产品是两回事。消费级视频生成的日常实用性有限、算力成本极高、版权纠纷不断，用户新鲜劲过去后活跃度持续下滑。OpenAI 于 2026 年 3 月 24 日宣布关闭 Sora 独立产品，App 于 4 月 26 日正式下线，从爆火到关停不到两年。
留下的是什么：这是本案例集里最值得品味的一个。Sora 作为产品死了，但它验证的工程能力——视频生成模型的训练与推理、多模态对齐、长时序一致性——全部长存，并流向了还活着的竞争者（Google Veo、可灵、Runway 等）。对工程师的启示：押注具体产品是赌博，押注可迁移的工程能力是投资。 产品关停不会带走你学会的东西。
被修正但没死的三个技术
退潮不全是"证伪"，更多时候是"修正"——叙事被夸大，真实价值留在一个更窄、更实的范围里。
RAG：静态检索过时，Agentic 检索兴起。 早期的 RAG 是固定流水线：把问题丢去向量库检索一次，把结果塞进提示词，生成答案（retrieve-then-generate）。这种"一锤子检索"对复杂问题效果有限。现在的方向是 Agentic RAG：让模型自己决定要不要检索、检索什么、检索几轮、对结果满不满意。RAG 的核心思想（给模型外挂知识）完全成立，死的是"检索一次就够了"的简化版。
微调：从通用首选收窄到特定场景。 2023 年的叙事是"每个公司都要微调自己的模型"。实际上，微调的成本和复杂度让它在多数场景输给了提示词工程 + RAG 的组合。微调留下的合理位置是：需要模型稳定输出特定格式、学习特定风格、或在小模型上压缩成本。它是手术刀，不是默认选项。
Agent：退的是叙事，进的是工程。 如案例一所述，"全自动"死了，但受约束的 Agent 正在成为软件架构的常规组件。判断一个 Agent 项目靠不靠谱，就看它的约束设计：工具集多清晰、失败怎么兜底、人在哪个环节介入。
怎么判断下一个热点会不会死
从这六个案例里可以提炼出四个快速检验问题，下次遇到新热点时按顺序问：
- 它解决的是真实痛点还是演示效果？ Sora 死于演示惊艳但日常无用。
- 去掉底层模型，它还剩什么？ 薄 Wrapper 死于答案是"什么都不剩"。
- 它是功能还是品类？ 向量数据库死于它只是一个功能，会被所有平台内置。
- 错误代价谁承担？ 全自动 Agent 死于没有人为错误兜底的设计。
四个问题里有一个答不上来，就先观望，别重注投入学习时间。
🛠️ 实战练习
目标：用本节的四问检验法，实际评估一个正在热炒的 AI 技术或产品。
具体步骤：
- 选一个当前热门但你还没用过的 AI 技术或产品（比如某个新出的 Agent 框架、AI 硬件、或垂直领域 AI 应用），花 15 分钟看它的官网和发布信息。
- 打开一个 Markdown 文件，逐条写下四个检验问题的答案：
- 真实痛点还是演示效果？（找一个具体的使用场景问自己：我每周会用几次？）
- 去掉底层模型还剩什么？（列出它模型之外的部分：工作流？数据？集成？）
- 是功能还是品类？（现有平台——OpenAI、Google、你的数据库——内置它要多久？）
- 错误代价谁承担？（它出错时的兜底机制是什么？文档里有没有写？）
- 基于四问答案，写一句话结论："值得深入学习 / 值得关注 / 观望"，并写出一个让你改变结论的触发条件（例如"等它被两个主流平台内置还活得很好再说"）。
期望结果：你得到一份半页纸的评估笔记，结论明确、触发条件可检验。三个月后回看，检查你的判断是否成立——判断力就是这样练出来的。
进阶挑战：回到 2023 年，用同样的四问检验法复盘 AutoGPT（当时的资料仍然搜得到）。验证一下：如果当时你做了这个练习，能否提前预判它的退潮？哪些信号当时已经可见？
📌 关键结论
- 退潮不等于技术无用，多数时候是"叙事被证伪、价值被收窄"：全自动 Agent、独立提示词岗位、薄 Wrapper、向量数据库品类都属于这一类。
- 分水岭是可迁移的深度：深工作流 + 数据飞轮的产品长存，薄封装必死；可迁移的工程能力长存，具体产品会死。
- RAG、微调、Agent 都没有死，只是从"万能叙事"退回到各自的合理位置——学会它们的正确适用范围，比追逐热点值钱得多。
- 用四问检验法（真实痛点？去掉模型剩什么？功能还是品类？错误谁兜底？）快速评估新热点，把学习时间投在能穿越周期的东西上。
- 下一章要学的 LLM 工程能力（提示词、检索、工具调用、评估）正是穿越这轮周期被证明长存的东西。
下一阶段：第 1 章 · LLM 工程精通