技术雷达与大事记

⏳ 时效提示：本页正文只写"技术类别"（长期有效），具体版本号与行业数据集中在 第 5 章「版本与数据快照」，最后核对于 2026 年 9 月 20 日。 技术判断会过时，方法论不过时；引用前请核对最新进展。

结论先行：2026 年该追的技术不多，但该"采用"的技术已经足够让你跑通真实业务。 本文用 ThoughtWorks 式的"技术雷达"四象限（采用 / 试用 / 评估 / 观望）给每项技术一个明确态度，并标注"普通人要不要学、学到什么程度"。最后附 2023→2026 大事记时间线，帮你理解这一切是怎么演变为当前状态的。

配套阅读：《2026 AI 全景与趋势》 看大方向，《2026 主流模型横评》 看模型怎么选。

1. 什么是"技术雷达"（先统一方法论）

概念解释：技术雷达（Tech Radar）是一种把一堆技术按"成熟度与采用建议"分成四层的办法，源自 ThoughtWorks。它不评"谁好谁坏"，而是回答"你现在该不该碰、碰多深"。

四象限含义：

象限	英文	含义	你的动作
采用	Adopt	已验证、风险低、该默认用	直接学、马上用
试用	Trial	有潜力、需在项目里小范围验证	挑一个真实任务试
评估	Assess	值得关注、先了解原理	读文档、做 demo
观望	Hold	不成熟/性价比差/有坑	暂不投入，定期看

记住一条：雷达是用来"做减法"的。 普通人最贵的资源是时间，把"采用"项用熟，比追逐所有新词值钱得多。

1.1 给你的阅读建议

读这份雷达时，请按下面的顺序，不要跳：

1. 先扫四象限总表（第 2 章），建立"什么该碰、什么别碰"的全局感；
2. 再读"普通人学习判断"（第 3 章），对照身份拿到你的优先级；
3. 最后看大事记（第 4 章），理解这些技术为什么是现在这个成熟度。

不要一上来就扎进某个新技术深挖——那是"评估/观望"项最容易让人掉进去的陷阱。先确认它在雷达里的位置，再决定投入多少。

2. 2026 技术雷达四象限

2.1 采用（Adopt）：默认就该用

这些技术已经成熟、文档齐全、踩坑少，建议作为你的"基本功"。

技术	是什么	普通人要不要学	学到什么程度
MCP（模型上下文协议）	Agent 调用外部工具的统一标准"插座"	要，2026 必备	能看懂一个 MCP 服务怎么接，会用现成服务器（见 Agent 与 MCP）
提示词工程	把任务说清楚、稳定产出	必须	掌握角色/目标/约束/格式/示例五要素（见 提示词）
RAG（检索增强生成）	让模型基于你的私有资料回答	要，知识库场景必学	会用现成框架做"文档问答"，懂切分与向量检索大意
AI 编程 Agent	Cursor / Claude Code 等替你写改代码	要，尤其非科班	能描述需求、审改动、跑测试，不必精通语言
多模态生成	主流图像/视频生成工具出图出视频（当前版本见 §5 快照）	要，做内容的人	会写生成提示、会挑参数、会做二次剪辑（见 创作）

采用项的核心态度：别再犹豫，直接进工作流。

2.1.1 采用项的共同特征

你发现没有，"采用"象限的技术有一个共同点：它们都是"基础设施"，不性感但天天用。提示词是你和任何模型对话的方式；MCP 是你接任何工具的插座；RAG 是你把任何私有知识喂给模型的方法；AI 编程 Agent 是你产出任何软件的右手；多模态生成是你生产任何素材的工厂。把这五样用熟，等于拿到了 2026 年的"生产工具箱"。

2.1.2 一个 MCP 上手示例（大白话）

MCP 听起来唬人，落地其实就三步：

1. 找一个现成的 MCP 服务器（如"文件系统""数据库""浏览器"）
2. 在客户端（Claude 桌面端 / Cursor / 自建 Agent）里填它的地址
3. 告诉模型"去读这个文件夹里的表，整理成摘要"

模型就能通过 MCP "插座"自己调起那个工具——你不用写胶水代码。原理与更多服务器见 《Agent 与 MCP》。

2.2 试用（Trial）：小范围验证

这些技术方向对，但落地还需你根据自己的场景试，不建议全面铺开。

技术	是什么	普通人要不要学	学到什么程度
Agent 框架	LangGraph（代码流）/ n8n（无代码流）/ Dify（低代码）/ Coze（平台）	要，但先选一个	用 n8n 或 Dify 搭一个能跑的自动化（见 自动化）
端侧小模型	手机/笔记本本地跑的轻量模型（各家的小尺寸款）	按需	懂"何时本地跑更划算"，会装一个本地客户端体验
长期养成助手	OpenClaw 式"养龙虾"：持续记忆你的偏好与目标	值得试	跑一个个人助手，喂一个月数据看价值
Function Call / 工具调用	让模型主动调你的函数/API	要，进阶	会写一个简单的"模型调接口"demo（见 模型 API 客户端）

试用项的核心态度：挑一个最痛的场景，跑通比看懂重要。

2.2.1 四类 Agent 框架怎么选（对比表）

"试用"项里最该先定的是 Agent 框架。四类主流路线对比如下：

框架	类型	上手难度	适合谁	2026 定位
LangGraph	代码流（Python）	高	程序员、要精细控制	复杂、可控的生产级 Agent
n8n	可视化无代码流	中	不会写代码但肯折腾	把日常流程"连起来"最快
Dify	低代码平台	中低	想快速做 AI 应用	带知识库/RAG 的应用一站搭
Coze（扣子）	托管平台	低	纯小白、做 Bot	零门槛做对话机器人

选择建议：不会代码从 n8n 或 Dify 起；要深度控制再上 LangGraph；只想做个客服 Bot 用 Coze。路线与示例见 《自动化》。

2.2.2 端侧小模型的使用边界

端侧小模型（各家的小尺寸款，见 §5 快照）不是"代替云端"，而是补位：适合离线、隐私、极低延迟、高频四类场景。比如本地跑一个"帮我改错别字"的小模型，每次 50ms 比云端往返更爽。但它干不了重推理，别指望端侧小模型写复杂程序——那是云端前沿模型的事。

2.3 评估（Assess）：保持关注

这些技术有价值但还没到你"必须会"的时候，先建立认知即可。

技术	是什么	普通人要不要学	学到什么程度
评测与可观测性	给 Agent 打分、看它每一步在干嘛	了解原理	知道"为什么要评测"，会用现成评测集跑一次
多智能体协作	多个 Agent 分工配合完成任务	了解	看懂一个"规划者+执行者"的例子
视频长镜头叙事工作流	主流视频生成工具的「长镜头 + 原生音频」成片流水线	内容创作者要跟	会写分镜、会拼接、会配音
模型蒸馏/量化	把大模型压小、跑更便宜	了解	知道"蒸馏能省钱"，不必自己训

评估项的核心态度：订阅几个信源，季度性回看，不急着动手。

2.3.1 为什么这些是"评估"而非"采用"

它们要么跨团队协同复杂度高（多智能体），要么衡量体系还没统一（评测可观测），要么产业链仍在成型（视频长镜头叙事工作流）。对一个普通人，现在花大量时间深挖的边际收益低——你更应该等它们"下沉"成成熟工具（比如某平台把多智能体封装好）再用。季度性回看即可，避免被"看起来很酷"的演示带偏。

2.4 观望（Hold）：暂不投入

这些要么不成熟、要么性价比差、要么坑多，2026 年普通人不建议重金投入。

技术	为什么观望	普通人建议
完全自主通用 Agent	"给个目标全自动搞定一切"仍不稳定，易跑偏	用"半自动 + 人把关"代替，见 自动化
过度承诺的无代码平台	部分平台宣传"零代码做一切"，复杂任务易卡死	先用 n8n/Dify 这类成熟的，谨慎追新平台
全量本地大模型部署	硬件折旧+电费常高于云端便宜模型	除非有显卡/隐私刚需，否则用便宜的云端开源模型（见 横评）
未标准化的私有协议	锁定厂商、迁移成本高	优先选支持 MCP/OpenAI 兼容的（见 Agent 与 MCP）

观望项的核心态度：不是永远不学，是现在不把主兵力押上。

2.4.1 "观望"的两类坑

观望项主要踩两类坑：一是成熟度坑——"全自主通用 Agent"听起来省心，实际一跑就跑偏、还难 debug，远不如"半自动 + 你把关"稳；二是锁定坑——某些平台用私有协议把你绑死，迁移成本极高。判断标准很简单：凡是"零代码做一切""全自动不用管"的强宣传，先打个问号。选支持 MCP / OpenAI 兼容的开放标准，永远留得出路（见 《Agent 与 MCP》）。

3. 普通人学习判断：一张总表

把四象限浓缩成"学不学、学到哪"，方便你直接排优先级：

必学（采用）   → 提示词、MCP、RAG、AI 编程、多模态生成
挑一个学（试用）→ Agent 框架选 1 个、端侧小模型体验、长期助手试 1 个
知道就行（评估）→ 评测可观测、多智能体、视频叙事、蒸馏量化
先别碰（观望）→ 全自主 Agent、花哨无代码、全量本地、私有协议

对应的能力补给站：

• 提示词 → 《提示词》
• MCP / Agent → 《Agent 与 MCP》、《自动化》
• RAG → 《大语言模型是什么》
• 多模态 → 《创作》
• 模型调用 → 《模型 API 客户端》、《工具总览》

3.1 我该先学哪个：决策树

不确定从哪下手，照这棵决策树走：

你是谁？
├─ 完全小白           → 先学提示词(/prompting/)，再碰 MCP
├─ 职场人(非技术)     → 提示词 + 一个 Agent 框架(n8n/Dify) + 多模态生成
├─ 程序员             → MCP + AI 编程 Agent + LangGraph(进阶)
├─ 内容创作者         → 多模态生成 + 视频长镜头叙事 + RAG(做资料库)
└─ 想做 OPC           → 上面全要，但按"采用→试用"顺序，先跑通一个收费服务

无论哪种身份，第一步永远是"提示词"——它是你和其他一切技术的接口。第二步才是按身份选框架与工具。

4. 2023 → 2026 关键大事记时间线

下面用"趋势级"事件串起四年，帮助你理解当前格局怎么来的。版本号仅引用公认的历史节点，不杜撰。

4.1 2023：ChatGPT 爆发，生成式 AI 出圈

• 2022 年 11 月：ChatGPT 发布，两月破亿用户，把 LLM 推到大众面前（背景见 《什么是大语言模型》）。
• 2023 年 3 月：GPT-4 发布，推理与多模态能力跃升，企业开始认真评估。
• 2023 全年：各类"AI 写作/绘图"工具涌现，公众第一次意识到"AI 能产出内容"；但多为尝鲜，落地有限。

阶段特征：技术验证期。大家还在问"AI 能不能做"，答案是"能，但不太稳"。

对普通人的含义：这一年如果你"用过 ChatGPT 聊过天"，就已经跑赢大多数人。重点是建立"AI 是真东西"的认知，而不是追求精通。

4.2 2024：Agent 元年，开源追上

• 函数调用（Function Call）普及：模型能主动调工具，"Agent"从概念变可行。
• 开源模型崛起：Llama 等开源权重发布，个人也能跑像样的模型，成本开始松动。
• 国产模型起步：Qwen、GLM、DeepSeek 等相继发布，中文能力快速追赶。
• AutoGPT / GPTs 等 Agent 玩法刷屏：虽然大多不成熟，但"让 AI 自己干活"成为共识方向。

阶段特征：能力扩散期。从"能生成"走向"能接工具、能试 Agent"。

对普通人的含义：这一年该开始学"提示词"和"工具调用"的雏形。很多 2026 年成熟的能力（MCP、Agent）在这一年埋下种子，提前理解的人后面省了大力气。

4.3 2025：多模态工业化，长上下文普及

• 视频生成工具集中登场：Sora、可灵、Veo 等把"文生视频"从 demo 推向可产出素材。
• 长上下文普及：百万 token 级窗口常见，"喂整本书"成为可能（对应今天的长上下文旗舰，见 横评快照）。
• AI 编程渗透加深：代码生成从辅助走向主力，渗透率达高位。
• OPC 苗头：独立开发者借助 AI 交付产品的案例变多，一人公司开始被讨论。

阶段特征：产业试点期。企业把 AI 接进部分流程，多模态开始能"用"。

对普通人的含义：这一年该把"AI 编程"和"多模态生成"纳入技能表。独立开发者开始用 AI 交付产品，OPC 的雏形出现——有心人已经在为 2026 蓄力。

4.4 2026：OPC 兴起，成本崩塌，标准统一

• "智能经济新形态"写入政府工作报告：国家层面确认方向，OPC 获政策背书。
• OPC 规模化：社区/载体数量与独立创始人占比持续攀升（具体数据见 §5 快照）。
• 模型分层与成本崩塌：开源阵营（以 DeepSeek 系列为代表）把单位智能成本压到闭源约 1/30，开源与国产模型能力距前沿仅 10~15 分。
• MCP 成事实标准：Agent 工具调用有了统一"插座"，生态打通。
• 多模态工业化完成：头部视频生成工具进入"原生多模态 + 长镜头叙事"，图像竞争转向一致性/成本。

阶段特征：产业融合期。AI 从"产出内容"转为"执行任务"，普通人操盘 OPC 的窗口真正打开。

对普通人的含义：这一年不是"学不学"的问题，而是"用没用"的问题。政策、成本、标准三件事同时就位，观望的代价第一次明显高于行动的代价。详见 《2026 AI 全景与趋势》 的行动建议与 《一人公司（OPC）》。

5. 版本与数据快照（最后核对 2026-09-20）

正文只写"技术类别"，具体版本号集中在这一节。超过三个月请按 《模型横评》§3.1 的核实方法自查一遍。

类别	当前代表（2026-09 核对）
对话/推理模型	见 《2026 主流模型横评》型号快照，不在此重复
视频生成工具	可灵 3.x、即梦 3.x、Veo 3.x、Sora 2、Seedance 2.x
图像生成工具	Midjourney V8.x、GPT Image 2.5、Nano Banana 2
端侧小模型	Qwen3 小尺寸、Llama 4 Scout

§4.4 引用的 2026 年政策与行业数据口径："智能经济新形态"写入 2026 年政府工作报告；截至 2026 年 5 月，全国 OPC 社区及载体 426 处、覆盖 26 省 65 城；Carta 统计独立创始人占比 2025 年上半年升至 36.3%。以上数据以官方发布与原始统计为准。

6. 怎么用这份雷达和大事记

给你一套可直接执行的动作：

• [ ] 立即：把第 2 章"采用"项里你还不会的，列成清单
• [ ] 本周：从清单挑 1 个（建议 MCP 或 提示词），学完并用于一个真实任务
• [ ] 本月：在"试用"项里选 1 个 Agent 框架，搭一个能每天跑的小流程（见 自动化）
• [ ] 本季：回看"评估"项，判断有没有哪项已可升到"试用"
• [ ] 持续：对"观望"项设一个提醒，半年回看一次，避免错过拐点

心法：雷达是给你做减法的。 2026 年不缺新技术，缺的是把少数成熟技术用到极致的人。把"采用"项吃透，你已经超过大多数"什么新追什么"的人。

6.1 一个具体的"首月周计划"

把上面的清单落成时间表，普通人每周约 3~5 小时即可：

周次	动作	产出
第 1 周	学提示词五要素，每天用 AI 做一件工作小事	5 个可复用提示词
第 2 周	跑通一个 MCP 服务器（如文件系统）	模型能读你家文件夹
第 3 周	选 n8n 或 Dify，搭一个自动化（如日报）	一个每天自动跑的流
第 4 周	用多模态工具出一份素材，复盘采用项	首个 AI 生产的内容

四周后你就已经把"采用"象限踩了一遍，具备了进"试用"的资格。

7. 总结与下一步

技术雷达的结论很朴素：采用成熟的，试用有潜力的，评估值得看的，观望不成熟的。 配合 2023→2026 的时间线你会发现——AI 不是突然变强，而是"生成 → 工具调用 → 多模态 → 产业融合"一步步演变为当前状态的。

你的下一步：

1. 回到 《2026 主流模型横评》，定下你的主力模型；
2. 进入 《自动化》 把"采用"项接进真实工作流；
3. 最终在 《一人公司（OPC）》 把能力变成可持续的事业。

时间站在"现在就开始用"的人这边。挑一项，立即动手。