在基础模型之上构建AI智能体 (AI Agent[1]) ，是过去大半年来非常引人注目的话题；甚至有人把AI智能体称为大模型领域的下半场。今天，我们把目光锁定在企业内部，针对B端落地场景探讨一下AI智能体可能存在的一些形态。
Transformer[1]是一个划时代的发明。可以说，它奠定了现代大语言模型 (LLM) 的基础。要想深入一点理解当代AI的发展，Transformer是绕不过去的一个概念。因此，本文试图做一个深入浅出的科普，希望任何一名软件工程师都能够看懂。
2023年是AIGC的“宇宙大爆发”之年。大模型 (LLM) 相关的技术经历了飞速发展，迭代速度之快，到了令人眼花缭乱的地步。
简单总结下国内的情况：2023年上半年，算法专家们比拼的是谁先把模型训练出来；到了2023年过半的时候，人们开始追求模型的参数规模，百亿参数只能算是起步。而当人们开始着手基于大模型构建AI应用时，RAG和Agent技术便先后获得了极高的关注。
这是一个内卷化严重的时代。
在两年前的文章中《在技术和业务中保持平衡》，我把技术人员的开发工作归成了两类：「业务开发」和「专业技术开发」。今天，我们再回过头来仔细审视一下其中的「业务开发」工作，聊一聊这类工作中所需要的抽象思维能力是怎样的，以及怎么培养这些能力。
正在阅读本文的读者们，可能之前已经读过了我写的有关线性一致性、顺序一致性以及因果一致性的分析文章。这些一致性模型的关键在于，它们定义了一个系统在分布式环境下对于读写操作的某种排序规则。
在上一篇文章《条分缕析分布式：浅析强弱一致性》中，我们重点讨论了顺序一致性、线性一致性和最终一致性这几个概念。本文我们将继续深入，详细探讨另一种一致性模型——因果一致性，并在这个过程中逐步逼近分布式系统最深层的事件排序的本质。沿着这个方向，如果我们走得稍微再远一点，就会触达我们所生活的这个宇宙的时空本质，以及因果律的本质（这才是真正有意思的地方，希望你能一口气读到最后）。
回到现实，《Designing Data-Intensive Applications》[1]一书的作者在他的书中提到，基于因果一致性构建分布式数据库系统，是未来一个非常有前景的研究方向。而且，估计很少有人注意到，我们经常使用的ZooKeeper，其实就在session维度上提供了因果一致性的保证[2]。理解「因果一致性」的概念，有助于我们对于分布式系统的认识更进一层。
当前这篇文章至少比计划拖后了两个月。在上一篇文章《条分缕析分布式：到底什么是一致性？》中，我们仔细辨析了「一致性」相关的几个容易混淆的概念。而在本文中，我们会沿着逐步深入的思路，跟大家继续讨论顺序一致性、线性一致性、最终一致性等几个概念。