跳到主要内容

从 0 开始学 AI

Agent 工程/Milvus 心智模型深入

0 / 441

中中文ENEnglish 한한국어

搜索课程学习目标

主线课程建议按顺序学

课程开篇

开始之前

先找到自己当前的学习位置，弄清怎么学才真正过脑子，再进入正式课程。

我们在哪里用达克曲线定位学员当前位置，明确课程目标：从愚昧之巅走向平稳高原 怎样学才有效看完 ≠ 学到：每个案例都要停下来反思、代入自己的业务场景、尝试输出 为什么要打基础AI 所有 Harness 操作本质都是对 message list 的处理。理解它，才能看懂所有方案

学习方法

AI 教我学习：把它当老师用

把 AI 当老师用：会提问、会验证、会整理，避免停留在看过，能把知识变成自己的判断。

稀缺的是什么任何知识都能随时问出来。决定学得好不好的，是提问、验证，以及把东西留下来的能力。提问结构怎么提问，才能让 AI 真的教会你一件事。四个部件，加上你自己给的比方，再让它把问题交还给你。三道防线AI 说错话的时候语气和说对话完全一样。学习场景里，错的会被你当成知识存进脑子。这一页给你三道能当场用的防线。用好 AI 助教怎么把 AI 问成学习过程里的随手老师。

拆解硬材料一篇看三行就想放弃的论文或长文档，怎么让它变得读得下去？精读源码几十万行的陌生代码，带着 AI 读出设计决策。约束只有一条：每一个技术论断都能回到源码的具体行。

AI 当出题机读十遍，加固的是见过这件事。自测一遍，加固的是还能想起来。外部记忆每次开新对话都要重新交代背景。窗口管这一次看得见的字，写在外面的那一层才会留下。

三级判据看懂了和学会了差在哪。三道递进判据：讲得清、改得动、预测得准。三个陷阱用 AI 学习最容易掉进哪些坑，而且掉进去的时候感觉还很好。设计一门课先写清学完能做什么，再拆成带验证产出的里程碑。时间预算一变，路径就要跟着伸缩。

零基础入门

写给第一次接触 AI 的你

从零建立 AI 直觉：它能做什么、为什么会错、怎样沟通、哪些任务可以交给它。

AI 能干哪些神奇的活六个真实使用现场：整理纪要、看懂报告、给任何人讲任何事、陪练面试、做小工具、生成海报。以前是人学软件，现在是软件听人话 它其实在玩「接话茬」不需要任何基础：AI 每次只做一件事——猜下一个字。两个小游戏，建立你对 AI 的第一个正确直觉 它不是搜索引擎搜索给书架，AI 给结论。理解「凭记忆回答」的三个后果：会记串、知识有截止日期、没有出处可查 它会一本正经地胡说三个找茬游戏：亲手从 AI 的回答里抓出编造的句子，再带走三个实用的小习惯

把它当不了解你的新同事三档提问对比 + 提示词积木组装器：背景、要求、限制——信息给一分，它答一分 万能开场白：先问我说不清需求没关系，让它来问你。点选式对话演示，亲手体验回答质量翻倍的瞬间

提示词到底怎么写才好一个万能骨架（背景+要求+限制）+ 拼图组装器：亲手拼不同的提示词，实时看 AI 回答质量的变化 提示词工程有什么意义你的一次聊天 vs 产品团队的一百万次调用：拖动滑块，亲眼看一段废话被放大成多大的账单 模型、Agent、应用的关系发动机、整车、网约车的三层类比 + 对号入座小游戏：听到新闻就知道说的是哪一层 Agent 到底强在哪同一件报销的事，聊天 AI 和 Agent 干起来完全不同——点开播放，看 Agent 一步步把活干完 最近很火的 Skill 是什么一张写给 AI 的「经验小抄」。对比播放：没带小抄的管家来回跑 4 趟，带了小抄的一趟搞完 Vibe Coding 是什么点选一个生活需求，看「一句话描述 → AI 生成 → 改两轮 → 能用了」的全过程；学三个月 vs 描述十分钟的时间对比 国产大模型怎么选通义、Kimi、DeepSeek、豆包、GLM……点选你的场景，对号入座。数据基于全球盲测榜 还有哪些重要的 AI 公司OpenAI、Anthropic、Google、Meta、xAI……配对小游戏把公司和代表作对上号，再看一份友好图鉴

Token 是什么交互分词器：点一句话看它被切成多少颗 Token，账单实时跳动；中英文消耗差异一目了然 为什么聊久了会忘事AI 的工作台就那么大：拖动对话轮数，看台面放满后最早的纸条怎么掉下去，掉的那一刻它开始答非所问 推理模型是什么同一道题两种模式对比：秒答 vs 先想再答；时间和费用差多少、什么问题值得开思考，四题小测帮你建立手感 参数越多越聪明吗「千亿参数」是什么概念？拖动规模滑块建立直觉，再看小模型赢在哪：速度、成本、专精场景 为什么有的 AI 看不懂图「会说话」和「会看」是两套本事。给两个模型各发一张猫图，亲眼看差别，再讲清「眼睛」的原理 微调和喂资料的区别重新上课 vs 开卷考试：两种让 AI 懂你的路子并排演示，四个真实场景点选对号入座 企业知识库是什么三步动画：文件切块入库 → 提问时检索 → 塞进上下文再回答；同一个问题有无知识库的回答对比 AI 缩写怎么分配对小游戏把缩写和人话解释连上线，通关后送一张「谁包含谁」的关系图 英伟达为什么值钱AI 时代的卖铲人：一个博士逐题算 vs 一万个小学生同时算，看懂显卡为什么是抢手货

训模型还是改提示词四层梯子：改提示词、挂知识库、微调、从头预训练，每层标注真实成本；听五句吹牛，判断说话人到底在哪层 AI 圈黑话翻译器自研、套壳、数字员工、赋能…点击发布会原话翻译成人话，附含金量分级和三个当场问出底细的追问 开源模型等于免费吗权重、数据、方法三件套逐项检查主流模型开放了什么；满血版 vs 蒸馏版对比，你本地跑的多半是小号 跑分第一为什么不行榜单分和真实好用度的反转演示 + 三个原因：刷榜、过拟合题库、场景不匹配；顺便说清什么榜更可信 AI 是在学习吗你以为模型在长大，实际是一张笔记被塞回对话：双画面对比动画 + 新开对话「失忆」演示 AI 检测器可信吗六段文字猜检测器判定，亲手体验误伤名场面；为什么原理上就做不准，被冤枉了怎么办 提示词秘籍值得买吗把付费课卖点逐条拆开：哪些本站免费教过、哪些是正确的常识、哪些纯属包装。骨架免费，功夫在多用 为什么每次答案不一样同题连问三次看三种回答，配「下一个字」概率骰子动画；这是设计而非故障，什么场景需要稳定输出 AI 客服为什么蠢同一句投诉发给聊天 AI 和客服机器人，差距一目了然；三个原因：省钱用小模型、护栏锁死、老技术冒充新 AI Siri 和 ChatGPT 的区别同一句话两代助手的处理路径动画：命令匹配听不懂就道歉，生成式什么说法都接得住

免费的 AI 够用吗免费版透视：模型档位、次数、上下文、高峰排队四项逐个点亮；三类人对号入座，各给一句结论 API 和会员的区别包月自助餐 vs 按量散称：拖动用量滑块算两种方式各花多少钱，找到你的分界点 生成一张图为什么贵一次问答几厘钱，一张图两三毛。成本条动画 + 三个原因：像素多、要画几十遍、显卡被独占 AI 视频为什么按秒收费拖动滑块看看：10 秒视频 = 240 帧连贯的图 + 物理合理 + 音画同步。省钱顺序也一并分享 什么是 API 中转站三折价格背后：你的每句话都要经过一个无法核实的中间人。路径动画讲清三个结构性风险 拼车号、共享号是什么9.9 的 Plus 拼车 = 三十人合租单人间。动画演示：记录互看、封号连坐、钥匙在别人手里 聊天记录会被拿去训练吗一句话发出去之后经过哪些环节、哪步可能进语料；训练开关怎么关，免费版和企业版差在哪

放心用，还是要核实八道判断题小游戏 + 信任四象限：有标准答案吗？错了后果大吗？健康钱法律三条红线 你的下一步六个直觉行囊盘点 + 三道题分流测试，找到最适合你的学习路径

大模型原理

大模型是怎么来的

串起训练数据、Token、GPT 和幻觉，建立判断模型边界的底层框架。

训练数据规模15T Token 是什么概念？语料构成可视化 + 数据规模直觉滑块 训练 vs 推理对话不是学习，参数冻结，按 Token 计费，这些是 AI 产品必懂的底层逻辑 词表与训练从语料到词间矩阵，Token 化 + 注意力权重交互演示 Base 模型训练结束后得到什么？逐步生成 + 概率分布实时更新 GPT 的跃进CNN / RNN / BERT / GPT 四种算法可交互对比，记忆衰减可视化

chat/completions 之谜明明是对话，为什么 API 叫「补全」？打字机动画解读 伪造聊天记录OpenAI 最初的实验：把补全机器变成聊天机器人 Chat Template + SFTJinja 格式、指令微调，大模型终于学会说话 上下文窗口是关键提示词为什么够用？Token 截断可视化，无需重新训练

大模型幻觉三类典型幻觉：事实错误 / 自信编造 / 知识截止 Prompt Engineering约束指令 + 局限性：模型不知道自己不知道什么 RAG 检索增强真实文档注入上下文，5 步交互流程动画，对比有无 RAG 的差异 RAG 代价与优化成本分析表 + 关键词触发 / 模型路由 / 语义缓存 / 精准切块四种策略 Temperature & Top-P拖动滑块，实时看概率分布和输出变化 评测 + 人工审核外部纠错层，冷启动阶段兜底策略（HITL）

大模型原理篇汇总（上）训练本质 / Token / Base→SFT→Chat / 四种幻觉类型与根因 大模型原理篇汇总（下）四种缓解策略对比 / 常见误区清单 / 方案选择判断矩阵

把那件事定下来需求收敛四段演示；三档任务：写四行需求、用五个真实输入试它、划一条人机分界线

他们会这样考你 · 30 问每题附考察意图、答题框架与加分点：概率预测 / message list / 幻觉解释 / RAG vs 重训 / Temperature / 上下文窗口

Harness 核心

AI Harness

学习上下文、Prompt、安全、Agent、工具调用和成本，让大模型从聊天变成可用系统。

上下文窗口窗口构成可视化，拖动模拟溢出效果，主流模型容量对比 上下文溢出策略直接截断 / 摘要压缩 / 选择性保留，可视化对比每种策略的利弊

为什么选 Markdown纯文本模型 + 排版需求 = MD 成为首选，逐步推演 HTML/Word/LaTeX 为何不行 MD 语法与工程渲染常用语法速查 + 实时编辑器 + marked.js / markdown-it 渲染方案 Prompt 角色扮演五种角色实时切换，输出格式控制，System Prompt 核心原理 Prompt 进阶技巧Few-Shot / CoT / 约束条件 / 任务拆解，好坏对比交互演示 输出格式取舍纯文本 / JSON / Markdown / YAML / XML，场景适配度对比与权衡 流式返回与格式JSON 全文才能解析 / MD 逐字显示 / XML 捕获标签即渲染，动态演示

Prompt 注入原理SQL 注入类比 → Message List 本质 → 缺乏参数化 → 5 大攻击类型概览 12 个攻击案例越权指令 / 角色扮演 / Few-Shot / 结构注入 / 隐喻伪装，中招版 vs 防御版 Prompt 防御实战输入层正则 → 提示词层约束 → 输出层泄漏检测 → 二次审核，可模拟攻击全链路 AI 安全红线不能做的事、做了会怎样，产品经理必须守住的四类安全边界 风险分级与责任AI 输出的风险分级模型，各角色的责任分工与治理框架

Agent 概念四大能力 Plan / Tool / Memory / Act，点击查看真实案例 工具调用模型输出 JSON → 框架解析执行 → 结果注回，四步流程可视化 一次对话背后的5条消息拆解 Function Calling 真实链路：用户看到 1 条回复，背后是 5 条 API 消息 工具描述的学问同样功能，好描述 vs 坏描述成功率差 3 倍，对比实验 多工具编排isConcurrencySafe 决定工具能否并行，调度策略可视化 MCP 协议stdio / SSE / Streamable HTTP 三种传输方式对比，数据流动画 ReAct 实战Thought / Action / Observation 逐步演示，7 步完整 Agent 链路 上下文窗口消息列表可视化，每条消息的 Token 占用和角色标记 上下文压缩四层策略60% 裁剪 → 75% 微压缩 → 85% 折叠 → 95% 紧急，拖动滑块看压缩过程 长期记忆Embedding → 向量数据库 → 语义搜索，topK 与 minScore 的设计决策 从 Embedding 到 Milvus语义相似度、ANN 与向量数据库的职责边界 Milvus 心智模型Collection、Schema、Entity、Index、Search、Query 与 Load正在学习 Milvus 实操连接、建表、批量写入、索引、搜索、查询和删除 从检索到 RAG切分、过滤、混合检索、RRF、重排与评测 ReAct 循环一个删除 console.log 的任务经历 14 轮循环，含自我纠错 Agent 卡死的5种模式参数格式错误、幻觉工具、无限递归、信息不足、API 异常 权限与安全5 种权限模式 + LLM 风险分级 + Human-in-the-loop 设计 Skill 技能Skill = 流程说明 + 工具调用指引，用「阳台收衣服」类比好循环 vs 差循环 Skill 的本质好循环 vs 差循环升级版，Skill 如何改变 Agent 执行路径 解剖一个真实 Skill从真实源码学 SKILL.md 的结构设计 脚手架工程模拟 Agent 查机票订酒店，无脚手架 vs 有脚手架完整对比，5 大能力详解 5道工程护栏迭代上限、输出截断、超时控制、中断恢复、上下文急救 多 Agent 协作子 Agent 调度、Worker Thread、并行 vs 串行执行策略 可观测性事件流可视化、Token 追踪、OpenTelemetry 集成 Agent 工程全景图从四大能力到工程落地，一页看清 Agent 的完整知识地图

多轮对话成本Token 累积成本可视化，拖动轮次查看费用如何指数增长 KV Cache类比理解 + 节省效果计算器，拖动轮次查看节省比例 显式缓存cache_control 写法、缓存命中判断、价格折扣对比，真实省钱效果演示 动态时间戳错误设计 vs 正确设计，三种时间处理方案对比切换 综合成本优化5 层优化策略，成本构成可视化，节省 70-90% 的系统设计 图片 Token 计费图片计费公式、缩放机制、分辨率陷阱、按任务分级策略 按任务匹配分辨率高/中/低三档分辨率策略，不同场景的 Token 消耗对比与选型建议 语法层优化YAML vs JSON、CSV vs 数组、压缩 JSON 输出，格式性 Token 省 10-30%语义层优化动态 Few-Shot、LLMLingua-2 压缩、关键信息放首尾，提升信息密度 输出层+KV进阶负向约束、Diff 润色、停止序列；KV Cache 的工具陷阱与滑动窗口问题 模型选型：能力 vs 成本主流模型能力/成本矩阵、选型决策树、不同场景的模型匹配策略 大道至简AI Harness 的本质 / 做 vs 不做的取舍 / 会被时代淘汰的 Harness / 终极问题

人机知识边界什么交给 AI、什么自己来，用四象限快速判断任务分配 好提问 vs 坏提问上下文决定输出质量，同一个问题好坏对比演示 AI 说的能信吗三种快速验证方法，识别 AI 自信说错的场景 迭代的艺术从粗到精的迭代节奏，以及何时该停止追问 AI 场景速查高可信 / 需验证 / 慎用 / 不用，AI 适用场景四分类

Harness 核心篇汇总（上）上下文溢出策略 / Prompt 六要素 / 工具调用真相 / Skill + 脚手架 Harness 核心篇汇总（下）五层成本体系 / KV Cache 原理 / 图片 Token / 课程完整能力清单 课程总结从大模型原理到工程落地，完整课程一页回顾 总结（上）大模型认知框架 / 幻觉应对 / Prompt 与 Agent 核心要点 总结（下）安全防御 / 成本优化 / 用 AI 的正确姿势 / 下一步学习路径

让它连跑五次都能用同一输入五连跑演示；三档任务：写第一版提示词、给不稳定归类、加示例与违禁项重跑对比

他们会这样考你 · 30 问每题附考察意图、答题框架与加分点：上下文溢出 / Prompt 工程 / 注入防御 / 工具调用 / 成本账单 / KV Cache / 输出格式

动手实战

实战 · 从 Demo 到产品

沿真实 Agent 应用拆解从 Demo 到产品的关键环节：循环、记忆、协作、权限与 MCP。

真实 Agent 开发实录用一个真实 Agent 桌面应用案例，对照拆解后续实战课。

文生图 vs 垫图一个从文字出发，一个从图片出发。产品经理要分清什么时候用哪种 用 AI 给 AI 写 Prompt用户说「画个夕阳下的猫」，生图模型需要的是完全不同的描述，解法是用 LLM 做翻译 角色一致性同一个 IP 每次画都长不一样。为什么难、产品上怎么思考这个问题 模型会挂，然后呢多模型降级链的产品逻辑：优先级、白名单、探活、全挂时的体验兜底 生图产品化清单从「调通了 API」到「用户能用」之间还差哪些东西，一张 checklist 数清楚

教科书 vs 真实 N 步ReAct 不止 Think-Act-Observe 三步，生产环境每轮还要做什么 Agent 为什么会卡死真实场景中循环挂掉的几种典型模式，以及用户会看到什么 防呆设计上限、检测、降级三类策略的思路，产品经理该在哪里画线 流式体验工具在后台跑 30 秒，用户看到的应该是什么？进度感设计 一条消息的真实成本用户发一句话，底层可能跑 10+ 轮循环、几十条 API 消息，由此建立成本意识

越长越贵越笨费用递增 + 注意力衰减 + 窗口有限，三个必须管理上下文的理由 压缩的艺术有的能删、有的不能删、有的要花钱压，这是产品经理的决策框架 用户的话能删吗「圣物」问题：AI 的输出可以压缩，但用户的原话删了就回不来 本地 vs LLM 压缩零成本快但粗 vs 有成本慢但精，什么时候用哪种

上下文 ≠ 记忆白板（上下文窗口）和笔记本（长期记忆）的区别，为什么需要两套系统 什么值得记不是所有对话都有价值：守门员思路与筛选逻辑 记忆冲突新旧记忆冲突的四种处理策略：新增 / 合并 / 冲突标记 / 跳过 记忆注入的成本记了 1000 条，每次全塞进去？还是按需检索？两种策略的代价

System Prompt 分层分层管理的必要性：身份、环境、工具指引各自独立，互不干扰 按需加载100 个工具全塞 system？Token 爆炸。这就需要按需加载的设计思路 Skill 模块化文件即配置、版本可追溯，让 Prompt 也能像代码一样管理 提示词与缓存改一个字 System Prompt，整条 KV Cache 作废。怎么减少手抖的成本

何时需要多 Agent并行加速、角色分工、风险隔离，三种真实场景 并发的代价「看」可以并行，「改」必须排队，为什么以及怎么判断 脑暴模式同一问题多角度独立思考，汇总共识与分歧，这是群体智慧的 AI 版 定时任务成本Agent 定时跑任务，上下文是累积还是重建？一个选择差 10 倍成本

AI 的自由度完全自主 vs 每步审批，五种权限模式和适用场景 弹窗与安全平衡Human-in-the-loop 的平衡点：风险分级思路 可观测性事件流与 Token 追踪。不看日志你永远不知道出了什么错

MCP 双向协议同一个协议两个方向：消费别人的工具 vs 把自己暴露给别人 懒连接注册了 10 个 MCP 服务，启动时全连一遍？还是用到再连？AI 自加工具Agent 运行时发现需要新工具，自己配置 MCP 连接，这就是自配置思路

实战全景图生图、循环、记忆、Prompt、多 Agent、安全、MCP，一张图串起来 聊天套壳 vs Agent 产品同一个 Loop 支撑 N 种场景，差异不在代码，在产品决策

接上第一个真工具工具调用闭环四段演示；三档任务：选定工具、写三行描述、跑通闭环并故意搞一次破坏

他们会这样考你 · 30 问每题附考察意图、答题框架与加分点：Demo 到上线的差距 / Agent 卡死 / 上下文压缩 / 记忆设计 / 多 Agent / MCP / 成本账单

工程进阶

进阶 · AI 工程设计模式

拆生产级 Agent 的设计模式，重点看上下文、工具、评测、长运行和安全边界。

Workflow vs Agent预定义流程 vs 模型自主决策，Anthropic 定义的两大类 Agent 系统 五种 Workflow 模式Prompt Chaining / Routing / Parallelization / Orchestrator-Workers / Evaluator-Optimizer 上下文工程方法论在每一轮推理时策展最优的 Token 组合，写好提示词只是其中一环 上下文三板斧Compaction、结构化笔记、子 Agent 架构，长任务的三种上下文管理策略

ACI 工具界面设计工具是 Agent 和世界之间的契约。像设计人机界面一样设计 Agent 界面 Agent 知识库工具把向量检索封成 search_knowledge：ToolMessage、记忆分层与调用/不调用的测试 Think Tool在复杂工具链中给 Agent 一个暂停思考的空间，τ-bench 性能提升 54%用 Agent 优化工具Claude Code 实践：用 AI 写工具描述、跑评测、自动迭代优化

评测方法论没有评测，修一个 bug 制造三个。Anthropic 的 Eval 方法论 三种 Grader静态断言 vs LLM-as-Judge vs 人工校准，每种适合什么场景 评测的坑基础设施噪音可造成 6pp 误差、模型会识别考试、改 Prompt 可能让 Eval 掉 3%

长任务失败模式一口气做太多、做完就收工，两种典型失败模式 双角色 Harness初始化 Agent 搭环境、编码 Agent 增量推进，双角色 Harness 设计 Managed Agent把思考和执行拆到不同进程，像操作系统一样虚拟化 Agent Session vs Context会话日志是持久的事件流、上下文窗口是临时的工作记忆，两者必须分离

三类安全风险Anthropic 的安全分类框架：用户滥用 / 模型 Misbehavior / Prompt Injection 沙箱与凭证隔离生成的代码和密钥永远不在同一个容器里。结构性安全比靠提示词更可靠

Contextual Retrieval在检索前先给 Chunk 加上下文，Anthropic 的 RAG 升级方案 进阶全景图设计模式、工具、评测、长运行、安全，一张图串起来 Do the simplest thingAnthropic 的核心工程哲学："Do the simplest thing that works"

搭你的第一个评测集改动前后跑分对比演示；三档任务：攒十条真实用例、写通过标准跑基线、用分数说话

他们会这样考你 · 30 问每题附考察意图、答题框架与加分点：上下文工程 / 长任务 / grep vs RAG / ACI 工具设计 / 评测基建 / LLM-as-Judge / 沙箱隔离

自我改进

Harness 与自我改进

理解 Harness 如何让系统持续改进，从固定流程走向能优化自身协作方式的 Agent。

从脚手架到自我改进递归自我改进（RSI）的历史与近期路径：模型改进 Harness，不直接改写权重 Harness 三大设计模式工作流自动化 / 文件系统持久记忆 / 子 Agent 与后台任务，构建 Agent 运行时的三个基石

上下文工程自动进化ACE → MCE → Meta-Harness：优化对象从 prompt 内容演进到管理机制代码 工作流自动搜索AI Scientist / ADAS / AFlow，用 MCTS 和 Meta-Agent 搜索最优工作流

让 Harness 改进自己STOP 递归改善器 + Self-Harness 的 propose-evaluate-accept 循环 进化搜索AlphaEvolve / DGM / SIA，用进化算法在庞大设计空间中发现最优 Agent

未来挑战七道关

立三条长跑规矩上下文占用曲线与压缩阈值演示；三档任务：找到失忆轮次、写三条规矩、跑通落盘再读回

他们会这样考你 · 30 问

协作方法论

Vibe Coding 方法论

建立一套可复用的 AI 协作流程：目标、上下文、验收、安全闸门和文档沉淀。

为什么要给 AI 立规矩Vibe Coding 的四类典型事故，以及 Rule 是最稳上下文注入方式的原理

四步流程把需求确认环节搬进人机协作，批量修改先列计划，新功能先查重 PlayGround 试衣间简化版 Storybook 思路：先做独立 demo 调好再集成，demo 只增不删

样式收敛样式为什么会增殖、怎么分批收进 token，以及哪些差异该留着 注释三要素与代码保护背景、设计意图、关键约束缺一不可；禁止静默删除代码与依赖 调试铁律禁止猜测性修复，修复前回答三个问题，改完声明影响范围 不接受分期交付AI 爱做「先上简版」的真实原因，以及为什么要打破这个模式

三份文档与方法论沉淀FEATURES / CHANGELOG / RELEASE_NOTES 各管一个维度，METHODOLOGY 沉淀产品品味

把环境事实写进 Rule模型配置、技术栈锁定、数据格式三分法与 isComposing 这类必踩的坑 破坏性操作的三道闸数据库先备份、不可逆操作先给回退方案、发版前做 diff 审查

长对话锚定与写作规范超过 10 轮强制复述目标；违禁句式清单让文案摆脱 AI 腔

规则的价值全景图回顾 + 使用方法 + 适配自己项目的四个动作

沉淀你自己的协作规范四步流程对比演示；三档任务：写第一条 Rule、真需求走一遍流程、导出建造日志整理成规范 v1

他们会这样考你 · 30 问每题附考察意图、答题框架与加分点：为什么立规矩 / 质量责任 / 代码合入把关 / 拒绝分期 / 决策沉淀 / 安全闸门

专题篇章

审美工程：让 AI 做出有品味的东西

训练判断好不好看的基本能力，把层级、留白、克制和一致性翻译成 AI 能执行的要求。

判断力开始涨价当人人都能十分钟做出能用的东西，「能用」就开始贬值。三个界面先凭直觉投一票，学完这章回来再投一次，看你的眼睛变了没有 AI 味儿从哪来紫色渐变、毛玻璃、圆角卡片三件套：AI 默认输出训练数据的平均值，平均值就是平庸。在一张典型的 AI 生成页面上点出「AI 味」特征，集齐揭晓成因

层级：唯一主角什么都想强调等于什么都没强调。字号、字重、颜色三根杠杆怎么分配注意力，A/B 找茬揪出抢戏的界面 留白与对齐说不上哪里丑的界面，问题多半在间距。拖动滑块看呼吸感怎么来的，再学 8pt 网格这个偷懒神器 克制：做预算一个主色、两种字重、一套圆角。往界面里加颜色看它变成年会海报，再一键做减法，感受高级感回来的瞬间 一致性与系统感好看的站点背后都有一套设计变量。拆开本站真实的 CSS：控件高度、圆角、配色为什么全站只有一档，改一处全站生效

审美词汇表信息密度、视觉噪音、呼吸感、对比度层级…点选审美词汇看释义与正反案例。说得出名字，才指挥得动 AI 生 UI 提示词「做个好看的页面」和「参考 Linear 的信息密度、只用一个主色」差出一个档次。三档提示词对比产出，现场看差距 生图三件套生图提示词的审美三件套：构图、光影、色彩。三组对比图建立直觉，再从四张候选图里挑出对的那张

把设计看进去收藏一百个网站没用，要按顺序拆：先看层级，再量间距，最后数颜色。用这套流程现场拆一个好设计 把参考喂给 AI光靠嘴描述风格太低效。垫图、风格描述、设计变量三种喂法的适用场景与话术模板，让 AI 照着你的参考库出活

审美验收清单AI 交付的界面和图片，按清单逐项检查：层级、间距、克制、一致性、细节。交互式清单可勾选，附延伸阅读

专题篇章

交互工程：让 AI 做出好用的东西

从状态、防错、流程和控件选择入手，让 AI 做出的界面不只是能跑，还能顺手使用。

能跑通不等于好用把「体贴软件」的特质清单反过来用，就是 AI 默认交互的找茬清单。在一个能跑通的应用里逐个点出五处不体贴，看看你平时都默默忍了什么

状态三件套界面的三种非正常时刻恰恰是体验分水岭。空态该教下一步，loading 该报进度，错误该说人话给出路。三组 A/B 对决亲手挑 防错与可逆与其事后报错，先让错误发生不了；撤销让探索变安全，确认弹窗是最弱的防错。亲手改造三个危险按钮 流程克制不直接服务目标的操作都是负担。把一个五步注册流程逐步砍到两步，看漏斗里的人怎么留下来 习惯用法与能供性用户靠习惯用法操作软件，学一次到处用。识别哪个控件在装创新，哪个长得像按钮的不是按钮

控件怎么选互斥选一个用单选钮，可勾多个用复选框，立即生效用开关，选项超过一屏才配用下拉。六个场景连连看，配一张能抄进提示词的速查表 界面文案「删除这 3 条」比「确定」诚实。按钮动词要说清后果，标签用用户的词，别把数据库字段名端给用户。亲手改写一个弹窗的三处文案

目标导向提需求给 AI「小美要三分钟交完报销单」比给它「要有上传、表单、按钮」产出好得多。两种提示词对决，再练习把功能清单改写成场景 状态机写进提示词每个界面把状态列全，把边界情况说死，把防错要求写明。状态机补全器 + 边界轮盘，配可复制的验收话术模板

交互验收清单状态齐不齐、危险操作可逆吗、流程还能砍吗、控件选对了吗、文案说人话吗。交互式清单可勾选，与审美、心理学两张清单配成一套

专题篇章

AI 产品心理学：让用户觉得好用

理解用户为什么觉得 AI 产品好用或难用，把等待、信任、错误和付费感受设计进体验。

感知性能 ≠ 真实性能同一个 5 秒请求，空白冻结、转圈、流式、步骤外显四种呈现并排跑，亲身体验物理时长相同、体感差三倍；再认识用户秒表的三个走时怪癖

等待心理学三定律排队研究三条定律配迪士尼与休斯顿机场案例；拖动耗时滑块看三档呈现决策：1 秒内直接出、10 秒内必须流式、超 10 秒转异步 劳动错觉哈佛实验：展示工作过程让用户多等反而更满意。秒回 vs 过程外显的 A/B 投票实验，思考外显与检索来源的一鱼三吃，外加三条不能越过的边界 峰终定律四种会话剧本对比平均分与记忆分怎么背离；冷水实验的产品版：旗舰模型花在第一印象、校验前置护住最后一步、中段放心省钱

信任校准全信的把编造判例抄进法庭文书，不信的把 AI 变成摆设。六个场景亲手判断信任状态；可点开的引用、置信度代理信号、有条件的警告 算法厌恶Dietvorst 实验：人看到算法犯一次错就弃用，哪怕它整体比人准。先投票亲测自己的偏心，再玩归因翻译器和微调权开关，看弃用率仪表怎么被四个杠杆拉回来 防御心理三板斧数据、能力、责任三种防御，控制感、可逆性、透明三板斧；三个高防御设计亲手改造，小心埋着的安慰剂陷阱；转人工按钮的悖论

心智模型错配把 AI 当搜索引擎、当数据库、当会学习的学徒、当计算器，四种错配四类差评。四段对话找茬，再给空状态示例、边界前置、记忆外显三个纠正手段 拟人化与道歉CASA 范式：用户必然把 AI 当人，你只能选档位。五类产品对号入座；同一个错误四种道歉文案对比，三要素配方与服务补救悖论

蜜月悬崖期望确认理论：满意度等于体验减期望。先玩抽卡机看懂「演示是 P99、用户拿到 P50」，再拖宣传强度滑块看注册转化和三十日留存此消彼长，最后在期望曲线编辑器上拨三个杠杆 AI 标签折扣标注 AI 生成后评价系统性下降，用 AI 干活的人还怕被同事看见。双盲评分实验亲测折扣，五个场景判断标签亮不亮，措辞梯子看折扣差，最后选出用户敢分享的导出页 认知卸载谷歌效应证明人会把「能查到的」从脑子里删掉，AI 把外包范围从记忆扩大到思考。选外包清单看哪些卸载危险，拖 Copilot 到 Autopilot 的定位滑块，拨开关把回答从「替你想」改成「带你想」情感依恋依恋是真实的，Replika 2023 事件证明了深度和风险。依恋信号分级器给六条用户消息判级，点开 Replika 四幕时间线，再拨三层安全阀：身份提醒、脆弱话题转介、无常性披露

付费心理打表焦虑模拟器亲手体验按量计费怎么让每次追问都疼一下，切到包月看同一段对话的心情差；心理账户四题看同一笔钱换框架痛感差多少；三个额度开关把免费额度从成本变成转化器 定价心理复刻经济学人的诱饵实验：没人选的档位撤掉后销量大变；拨开关搭自己的定价页锚点；判断五种价格歧视哪些体面哪些找死；最后选出不挨骂的涨价邮件

反馈心理一千个不满意的用户，点踩的只有十几个。反馈漏斗模拟器看沉默偏差怎么层层吃掉信号，六种用户行为判读隐性信号（重新生成、复制、编辑），点踩后的体验对决：反馈要有即时回报

PM 心理学书单卡尼曼、诺曼、西奥迪尼、塞勒到《媒体等同》，九本书拆出十九条 PM 必须懂的心理学原理，每条标注 AI 产品落点与回看课节；按你产品当前的困惑选书，读完做一轮原理连线小测

心理学篇收官从感知性能到沉默偏差，十六个心理效应 × 工程杠杆完整对照，右列全是学过的开关；可勾选的上线前十四问检查清单，附十一份延伸阅读

他们会这样考你 · 40 问每题附考察意图、答题框架与加分点：感知性能 / 峰终取舍 / 信任校准 / 防御拆除 / 算法厌恶 / 标签折扣 / 情感依恋 / 付费与定价 / 沉默偏差 / 体验指标怎么写进 OKR

专题篇章

Token 降本增效：AI 应用的成本工程

看懂 Token 成本和模型计费，再从语法、语义、架构、输出四层压缩浪费。

和用户对赌的生意看到消费账单会窒息吗？Token 成本不只是财务账单，更是延迟与吞吐量的直接映射。这一章讲怎么把它抠下来 BPE 与 Token 税从字符到子词的演进、BPE 的合并规则，以及中文为什么天生贵 2 倍；「给主人留下些什么吧」的诡异合并 报价表与三大梯队T0 旗舰 / T1 主力 / T2 走量怎么分工；光知道哪个贵不够，要盯住价格跳变的边界线

200 Token 断崖输出 199 和 201 是两种价格，连输入都回溯涨价；拖动滑块看账单跳变，四种应对策略 32k 红线多 1k Token 整单翻倍的全量结算逻辑；预算感知截断，别再为 RAG 垃圾付双倍的钱 图片 Token输入分辨率实时算 Token 的计算器；32 像素对齐跳档、分辨率诅咒与图片成本三条红线

输入主导的 AgentAgent 每一轮都要重读全部历史。逐轮点开一个 Excel 任务，看 Input 怎么滚到 31,460 Token Agent 四大陷阱工具返回爆炸、思考税、死循环、历史雪球：每个陷阱配一个能落地的策略，外加三条红线

语法层：词法税加粗的 ** 就吃掉 8.5% Token；复杂对象用 YAML、扁平列表用 CSV、后台输出强制 Minified JSON 语义层：双重蒸馏中段迷失效应：塞得越多越抓不住重点。动态 Few-Shot 从 4000 砍到 500，LLMLingua-2 压缩 5-20 倍 架构层：KV Cache前缀匹配最高省 90%；动态切换工具为什么把缓存全打穿，滑动窗口 vs 章节缓存 输出层：管住嘴明确的负向约束砍掉 30% 废话；润色用 Diff 别重写整段；停止序列做物理截断

算力极简主义每一个 Token 都在为最终结果贡献价值吗？全景清单回顾 + 十八份按主题分类的延伸阅读

编程基础篇

数据结构：AI 世界的骨架

用 AI 场景理解数据结构：数组、缓存、检索、图和队列分别解决什么问题。

为什么还要懂数据结构一个贯穿全章的隐喻：数据结构 = 收纳方式。亲手玩一局「找钥匙」，体会选错收纳有多慢；再看不懂结构的人怎么把 AI 写的慢代码直接上线

数组与 message listmessage list 就是一个数组：对话历史怎么排队、上下文截断为什么掐头不掐尾；顺便看数组中间插一条数据有多贵 栈：撤销与调用后进先出：撤销键、函数调用、Agent 的子任务都靠它。亲手压栈弹栈，再看一次没写终止条件的递归是怎么把栈压爆的 队列与任务调度先进先出：任务队列、消息队列、生产者消费者。拖动生产和消费的速度，看队列什么时候积压、什么时候空转

哈希表把 key 亲手塞进桶里，看哈希函数怎么把「翻一遍」变成「直达」；再看两个 key 撞进同一个桶时怎么收场 缓存与 KV CacheKV Cache 和语义缓存都是同一招：算过的别再算。拖动命中率滑块实时看账单变化——Harness 核心篇成本优化的底层原理

树与 AST文件目录、JSON、网页 DOM、代码语法树——AI 读你的项目时看到的是一棵棵树。点开一段代码，亲眼看它变成 AST 图与 DAG节点加关系就是图：社交网络、知识图谱、Agent 工作流 DAG。点一个节点，看关系怎么一层层扩散出去

词表与 Trie大模型原理篇见过分词，这次看底层：一棵前缀树怎么把「五花肉」整块认出来。亲手沿着 Trie 走一次分词 向量与近邻搜索Embedding 把语义变成坐标，相似度就是距离。在平面上拖动查询点看最近邻怎么变，再看 HNSW 为什么能在亿级向量里瞬间找到

数据结构篇汇总数组/栈/队列/哈希表/缓存/树/图/向量各自的强项弱项与 AI 里的真身；点选场景，看该用哪种收纳方式

实战：验收 AI 的代码三档任务：让 AI 解释它选的数据结构、要求换一种实现对比利弊、给你自己的项目挑一次收纳方式

他们会这样考你 · 30 问每题附考察意图、答题框架与加分点：数组 vs 链表 / 哈希碰撞 / 树的遍历 / 缓存设计 / 向量检索 / 场景选型

编程基础篇

算法：AI 的思考方式

用大模型里的真实机制理解复杂度、排序、分治、图搜索和采样，补足工程直觉。

Big-O 复杂度直觉拖动数据量滑块，看 O(1)、O(log n)、O(n)、O(n²) 四条曲线怎么分道扬镳；数据翻十倍，谁不动声色、谁当场爆炸 注意力的 O(n²) 账单注意力机制要让每个 Token 看所有 Token：拖动上下文长度，看计算量和账单按平方往上蹿——长对话变卡变贵的根源

二分查找玩一局 1 到 100 猜数字，体会每猜一次范围砍一半；十亿条数据 30 次就能找到——log n 快到什么程度 排序算法赛跑两种排序同场竞技的可视化动画：看冒泡怎么一步步挪、快排怎么分区跳跃；数据量一大差距有多悬殊 Rerank 重排序RAG 检索回来的段落不能直接用：先粗排再精排。亲手调整权重，看候选段落怎么重新洗牌——推荐流和搜索结果同理

递归遍历目录、拆解任务、画分形树，套路都一样：自己调用自己。看 Agent 怎么把「做个官网」递归拆成能动手的小任务 分治与递归摘要动手实战篇的 Compaction 其实是分治：把长对话切段、各自摘要、再合并。亲手跑一次递归摘要，看信息怎么被层层压缩

BFS 与 DFS走迷宫动画看两种搜索的性格：一层层扫 vs 一条道走到黑；Coding Agent 的 grep 检索、网络爬虫都是它们的变体 贪心与采样每步都挑最大的就是贪心解码，按概率掷骰子就是采样——Temperature 背后的算法学。亲手对比两种策略生成的句子 Beam Search贪心一步错步步错，Beam Search 同时留几条候选路往前探。交互对比两种策略走出的句子，理解「先想再答」的直觉来源

还要刷 LeetCode 吗面试现状实话实说：什么岗位还在考、考到什么档位、什么岗位早就不看了。点选你的目标岗位，对号入座 用 AI 学算法让它出题、让它当考官、让它逐行讲复杂度——三个立刻能用的提示词模板，把 AI 从「替你做题」变成「陪你练题」

算法篇汇总复杂度/查找排序/递归分治/图搜索/贪心采样，每类对应 AI 里的一个真实机制；一张表带走全章

实战：复杂度体检三档任务：让 AI 自报复杂度、要求优化一档并说清代价、用大数据量实测验证它没吹牛

他们会这样考你 · 30 问每题附考察意图、答题框架与加分点：Big-O 直觉 / 二分的前提 / 递归的风险 / BFS vs DFS / 采样策略 / AI 时代还考算法吗

专题篇章

解剖 Grok Build：Rust 写的生产级 Coding Agent

可选源码深潜：读 Grok Build 的工程结构，理解一个生产级 Coding Agent 怎么组织。

79 个 Workspace 成员按入口、Agent 运行时、工具和基础设施还原 Cargo Workspace 的真实分层 Rust 技术选型从源码可验证事实出发，分析类型系统、并发安全和分发方式带来的工程取舍 从 main() 到首轮采样追踪入口、会话创建、提示词渲染、模型采样与流式返回的完整调用链

Session Actor梳理会话状态所有权、消息流转、后台任务与 CancellationToken 的中断路径 Compaction 阈值核对自动压缩阈值、memory flush、two-pass 和超时预算的真实配置 PromptContext拆解可序列化上下文、TemplateOverride 和 TemplateRenderer 的模板渲染边界

Toolset 注册表理解构建函数、Public 与 Internal 可见性，以及晚注册对后续解析的影响 ToolKind 只读语义从枚举与 is_read_only() 追踪只读默认值和能力过滤边界 实现族与动态 MCP区分内置工具实现族、静态注册表与运行时发现的 MCP 工具 Canonical input用 CanonicalToolMeta 和输入投影解释跨工具实现的稳定合约

Token 估算与阈值区分 Token 估算、使用率计算和 exceeds_threshold 的严格比较语义 混合检索排序追踪 FTS、向量检索、时间衰减和 MMR 重排组成的记忆召回流水线 Dream 机制核对空闲门控、DreamLock、后台整理和记忆写回的实际边界

Agent 与 Persona 合并拆解 Agent 定义、Persona 覆盖与最终会话行为的合并顺序 子 Agent 隔离维度从上下文来源、恢复模式、工作树和任务状态分析隔离边界 多 Agent 组织方式基于公开证据比较 Agent、Persona、协调者与并行任务的组织方式

五种沙箱 Profile比较 workspace、devbox、read-only、strict、off 与自定义 Profile 的边界 工具授权链沿 ToolKind、权限决策和平台沙箱追踪完整授权链 Hooks 阻断语义核对生命周期事件、matcher、PreToolUse 阻断和故障 fail-open 语义

MCP 连接与恢复确认客户端角色，拆解 OAuth、工具命名、能力发现、状态合并与重连 Marketplace 信任区分目录、安装、运行时发现、启用状态与插件根信任

Grok vs Claude 对照按源码、仓库文档和公开产品行为完成多维比较，保留未知项 工程复盘与边界用类型、状态机、测试和仓库政策复盘工程优点与适用限制 设计工作台围绕九个系统维度输出架构决定、故障路径、验证方式和结课成果

他们会这样考你 · 30 问每题附考察意图、答题框架与加分点：运行时循环 / Compaction / 工具权限 / 记忆检索 / 沙箱安全 / MCP 集成

专题篇章

解剖 DeepSeek Harness：一切皆插件的 Agent 底座

可选源码深潜：读 DeepSeek Harness 的插件内核、会话循环、沙箱和可重建日志。

一切皆插件把发布文案里的四种模式、会话日志、插件生态逐条对到仓库里的 YAML 预设与包结构 Profile 与 Bundle配置三层结构怎么让用户不改源码就换掉深层能力

日志重建不变量从 invariant.ts 的逐字节比对讲起：为什么模型看到的一切必须能从日志重建 双队列 Inbox拆解 next-turn 与 next-step 两条队列的入队、claim 与唤醒语义，对照 Claude Code 的中断模型 取消与崩溃恢复每轮一个 AbortSignal，中断也要写回日志，崩溃重启还能接着跑 Goal 与溯源鉴权长期目标怎么存、谁有权改，鉴权看消息来源

Compaction 双路径压力触发与溢出恢复两条正交路径，以及用世代号证明「压缩确实发生过」才允许重试 Token 计量两套计量各干各的，压缩决策从不信 UI 上那个数 Spill 落盘超限输出落盘存档，给模型留一张取回凭证 会话检索旧会话是可检索的资料库，引用还能带出处

工具流水线pre-execute 到 post-execute 的三段管线，Guard 只能收紧不能放行 render intent同一个结果，模型看的和人看的可以不一样 先读后写read / edit / write 三件套，没读过的文件不许改 独有工具面别家没有的几个工具各解决什么问题

审批与权限预设沙箱模式和审批策略是两个独立旋钮，预设只是常用组合 执行世界ctx.fs 和 ctx.subprocess 同享一个路径命名空间，执行环境可以整体换掉

Code Mode 沙箱官宣叫 PTC，源码叫 code mode：worker 沙箱的隔离、通信协议与双重记账

Subagent seam子 Agent 是能力接缝，进程内、远程、别家产品都能接 编排原语四种编排原语各管什么，为什么没做成一个大而全 Skill 与自我修改cordis_define 让 Agent 在运行时改写自己的运行时

MCP 与扩展桥接生态标准与原生扩展怎么分工 LLM 适配层推理流与正文流分开存，重试是显式事件 测试基础设施确定性回放、性质测试、专门骗 LLM 客户端的故障服务器

持久化治理日志格式怎么演进，分叉边界怎么定，读不懂的数据宁可拒绝 凭据与存储不起眼但全是坑：凭据每次现取、配置不落盘 多入口Web、headless、ACP、SDK、HTTP 共享同一个内核

Agent Notes四状态设计笔记和给 AI 看的编码规范，团队立刻能抄 KV Cache 纪律prompt 前缀稳定性当成兼容性承诺来维护

终章 · 该抄什么五家 harness 设计哲学总表，附最小可抄清单和体量陷阱清单

专题篇章

解剖 OpenAI Codex：把安全观写进类型系统

可选源码深潜：读 OpenAI Codex 的类型约束、命令策略、沙箱审批和 diff 设计。

crate 治理打开仓库，第一反应是往 core 里加。仓库把这件事写成禁令：先找现有的非 core crate，否则新建一个。依赖方向会把叶子类型挡在核心之外。三层 Turn Loop你看到的是一轮对话。内部叠了任务壳、轮次、采样三层循环。各层只回答自己那一个问题，控制权每次只在一层。SSE 与工具循环模型还在打字，读文件的声音已经响了。采样循环的时序是：流内建 future，流后统一 drain。先 persist，再等结果。Turn 输入与 InboxAgent 正在改第三个文件，你看见方向偏了，补了一句：配置用 YAML。回车之后，这句话是开工、插进当前轮，还是当场被拒，Core 当场拍板，不等模型开口。取消与错误工具失败回给模型，用户按 Esc 才停 turn。取消令牌从任务传到采样再传到工具。已完成的结果留在历史里，100 毫秒之后的硬拆不可逆。

上下文碎片每一种注入都是一个类型，自己知道 role、marker 和 body；组装按字段分拣，事后靠同一对 marker 认回 上下文治理长度、频率、前缀稳定这些编译器证明不了的事，用六条禁令加评审规则守住 上下文压缩三个时机共用一个分发器，三种实现由开关选中。同一份摘要在中途必须停在历史最后一项。JSONL 与 SQLite昨天关了终端，今天列表还在，对话也能接着改。这两件事看起来像同一份存储，落盘时却走两条轨。上轨按行追加，下轨只抄封面。中途拔电之后，能捡回来的永远是已经过了闸门的那几行。

工具清单同一段对话、同一份配置，下一轮采样却可能多出 MCP 名字、协作入口或 tool_search。变的是这一次允许广告哪些 handler。并行工具与锁模型看见的、实际执行的、历史记录的，是三套顺序。一面旗允许一次发多个调用，一把读写锁决定谁能叠着进。统一执行入口模型只看见 exec_command 和 write_stdin。进门之后，tty、远程环境和 150 毫秒窗口会把同一条命令送到 PTY、pipe、exec-server，或者送进重试门。

沙箱管理器工作区可写，网络收紧。同一条 git status，Mac 套上 sandbox-exec，Linux 套上 helper，Windows 可能原样出门。差别出在编译器。macOS SeatbeltSeatbelt 吃的是一段文本。文本由静态基线加现拼的读写网段组成。路径不进这段文本，走旁边的参数表。Linux 沙箱同一条读取，Mac 上回 Operation not permitted，Linux 上回 No such file or directory。差别在于 Linux 先换进程能看见的文件树，再收紧它能调用的系统接口。Windows 沙箱没有 seatbelt 和 bubblewrap 的平台怎么叠出沙箱，以及 AppContainer 为什么被否掉 execpolicy正反例写进规则本身，加载期就跑一遍；前缀精确匹配，多规则取最严

审批策略默认问不问跟沙箱种类绑在一起。问过一次之后，记住的是完整命令，还是一段前缀。Guardian四步法、失败关闸、超时与拒绝分账，以及按 turn 计数的熔断器 网络与凭据代理出站要过几道门。真 token 不进子进程。模型看见的是假值和一句 403。

apply-patch一份没有行号的补丁语言：定位靠上下文锚点，应用靠四级匹配，单文件对不上就不写盘 exec 与 wait能力做减法的 V8 isolate，以及跑不完就让出 cell、用 wait 续跑的长任务协议 Code Mode 宿主上一课讲 exec 和 wait 的语义。这一课问另一件事：这段 JavaScript 到底挂在谁身上，挂点换了之后，故障域和状态归属怎么变。

多 Agent 图派出去的是节点，边一出生就是 Open。信先入队，followup 才叫醒。关掉的是边，历史还在。Hooks一次 turn 会经过十一个挂钩。协议认四种处理器，运行表只装命令和 MCP。超时默认放行，拆卸期丢掉 stdout。MCP 与 Skills外部 server 的工具要先过一层翻译才进模型眼睛。skill 目录常在，缺 MCP 时另问人。插件迁移换到 Codex 的第一周，最怕去年攒的 hook、MCP 和插件还在不在。检测会列出一份清单。导入只收下能映射的那一部分。

SQ/EQ 事件语言命令走进程内的 Submission Queue。事件走能写成 JSON 的 Event Queue。Rust 名叫 TurnStarted，磁盘上仍写 task_started。app-server 协议IDE 看见的是 Thread / Turn / Item，不是内核 EventMsg。一次 turn/start 先回响应，再推事件流；审批是反向请求，不回包这一轮就停住。TUI 流式渲染模型按 token 往外推，终端却是一个写出去就改不了的字符网格。已经不会变的行交给 scrollback，还可能变的尾巴留在活动 cell，表格没闭合之前整段扣住。

架构即 lint同一份 AGENTS.md 里，有命令的规则会在三台操作系统上亮红。只有路径的那条，重命名之后没人发现。两种安全视角出事之前有没有门可以拒绝，出事之后能不能复原模型当时看见的世界。同一条危险命令上，这两套视角会一致，也会给出相反结论。

专题篇章

开源、蒸馏与本地部署

从权重、许可证、蒸馏到本地部署，看懂开源模型到底开放了什么，以及自己怎么跑起来。

权重是什么训练几个月最后凝结成的那个文件：它长什么样、多大、为什么说拥有权重就是拥有控制权 真开源 vs 假开源三个问题定位开放程度；用同一套尺子横量 Qwen、Mistral、DeepSeek、Llama 与只给 API 的模型 开源是一门生意六家厂商的开源策略与变现路径；衍生模型数量为什么比下载量更能说明问题

涌现跨过某个规模阈值后能力阶跃式跳升；以及这个现象在学术上尚存的争议 为什么要把模型做小成本、速度、私有化三个现实动机，和小模型做不到的那些事 蒸馏是怎么做的五步流程、软标签与温度系数；用 DeepSeek-R1 同批开源的六个蒸馏模型做样本 蒸馏的代价口癖、格式怪癖与身份混淆的整批继承；为什么多模型交叉验证可能是假的

你的电脑能跑多大的模型选显卡或 Mac 型号实时出结论；显存换算公式、量化档位与 MoE 的显存速度错位 Ollama 与 LM Studio从安装到跑通的完整命令、模型标签的读法、量化档位怎么选，以及三个最常见的坑

自测中心

七套篇章自测 · 350 道题

用章节自测检查概念是否真的会了，发现薄弱点后回到对应课程补齐。

自测中心模拟考试与顺序刷题的差别、七套卷子的考点分布、成绩与薄弱点是怎么记录的

大模型原理篇自测 · 50 题50 题：训练三阶段 / Token 与分词 / 参数冻结 / Temperature / 幻觉四型 / RAG 与四种缓解策略 Harness 核心篇自测 · 50 题50 题：上下文溢出 / Prompt 工程 / 注入攻防 / 工具调用与 MCP / KV Cache 与成本优化

动手实战篇自测 · 50 题50 题：生图产品化 / Agent 卡死与防呆 / 上下文压缩 / 长期记忆 / 多 Agent / MCP 生态 工程进阶篇自测 · 50 题50 题：Workflow vs Agent / 上下文三板斧 / ACI 工具设计 / 评测与 Grader / 沙箱隔离

自我改进篇自测 · 50 题50 题：Harness 三大模式 / 上下文自动进化 / 工作流搜索 / 递归自我改进与七道关 协作方法论篇自测 · 50 题50 题：流程控制与人工断点 / 质量底线 / 拒绝分期 / 文档沉淀 / 破坏性操作三道闸 Grok 专题自测 · 50 题50 题：运行时循环 / Compaction / 工具审批 / 双路记忆检索 / 五种沙箱 / MCP 集成

全站综合考 · 35 题从 350 题里每卷均摊抽 5 题，专考跨章节容易串的概念：压缩与记忆的边界 / Workflow 与 Agent 选型 / Harness 与提示词工程的关系

课后甜点

一人公司 OPC

AI 产品进入真实世界前，先补确权与合规基础：商标、软著、专利、域名和股权。

六种武器商标锁名字、软著锁代码、专利锁技术方案、商业秘密锁诀窍、著作权锁内容、域名锁入口 确权要趁早两条时间线对照：同一件事早做几百块、晚做几十万，还有些损失根本补不回来

商标类别35 类是商业变现的许可证，42 类管软件平台，41 类管课程内容；附类别清单生成器 商标被驳回真实案例复盘：驳回、撤三、复审三步怎么走，举证责任在谁身上，十五日复审期限 域名议价真实议价过程复盘：手上握着多少后缀，谈判桌上就有多少筹码

软著与备案软著登记、著作权备案、可信时间戳的分工；外包开发的著作权归属陷阱 专利或商业秘密公开换独占还是保密换无限期；新颖性一旦丢失不可逆，顺序错了没有补救

ICP 备案与证备案管能不能开门，ICP 证管能不能收钱：注册资本 100 万加第二类增值电信业务 注册资本新公司法五年实缴；一人公司要能证明公司财产独立于自己的财产，证明不了就连带

合伙人互补排在志同道合前面；做不到极致互信宁可不合伙；先用项目跑一段试婚期 平均分配的陷阱过半数与三分之二两条表决线；股权结构模拟器算给你看，核心创始人为什么要 70%股权五维度综合能力、出资额、机会成本、idea 来源、责任担当；最容易漏掉的两项占四成 代持与退出离职不签字为什么能锁死公司；代持协议的效力与边界、分期成熟、退出与回购

真出海与假出海假出海躲不掉境内义务，法规看的是向谁提供服务；真出海是一个独立项目 长尾与选型ROI 门槛帮你挡掉了最强的对手；国产模型能力差距已小、价格差距还大，按场景选型 新创业公式15 节全景图、确权合规自查十五条、七字真言与止损，以及本周就做的三件事

课后甜点

被搜到：SEO 与 GEO

产品做出来后，学习如何让搜索引擎和回答型 AI 看得懂、找得到、愿意引用。

为什么没人来三条流量入口各有各的脾气：搜索引擎主动搜、AI 引擎直接问、社交传播替你说。先玩一遍收录漏斗，看你的产品卡在哪一层

SEO 最低可行清单只讲做了就有效的部分：一页一个主题、title 说人话、正文别全靠 JS 渲染、sitemap 与站长平台提交。抓取模拟器亲手切两态，看爬虫到底拿到了什么 GEO 让 AI 引用你用户不再只搜，还在问。自包含段落、FAQ 结构化数据、llms.txt 与新鲜度信号，四个杠杆各配一个当场能玩的教具，附 AI 爬虫点名册

拆本站真实改造小山学堂 2026 年 8 月真实审计复盘：sitemap 漏了全部英韩页、Q&A 页白扔了 FAQ 引用、日志把爬虫全丢弃。每个缺口讲清怎么发现、改了什么、拿什么验收

一个人的优先级先写用户真的会打出来的那句问题，再堆功能；用真实经历换可信度。反面清单也在这一节：买外链、关键词堆砌、AI 批量灌水页，哪些是找死 被搜到验收清单十二项可勾选清单：一页一主题、正文服务端可见、sitemap、一句话答案块、FAQ 结构化数据、llms.txt。附「怎么知道有效」的四个度量口径

课后甜点

雷军创业课

正课后的创业方法补充：产品、口碑、融资、估值、股权和现金流。

谁适合创业创业不是人干的事：面对困难的勇气、描绘蓝图的能力，与金山对抗微软十六年的信念 心理准备90% 的创业公司都会死；静悄悄地干、早死早超生、只给自己四年。危机感才是护身符

选方向兴趣是第一驱动力，但天花板由市场决定：毒霸与词霸、多玩与 YY 的两次教训起名有商标、有域名、含义不错、朗朗上口；从大米到小米的取名全过程

互联网七字诀一年只出一款手机的自信、把自己逼疯的极致，与一夜应战价格战的快 口碑的本质金碧辉煌的帆船酒店为什么输给海底捞：预期管理，与用心可以被用户感知

第一笔钱天使投资的本质是熟人信用；商业计划书没那么重要，一句话说清生意才重要 融资时机钱花掉一半就启动融资；让投资人来找你；VC 凭什么要赚十倍 估值的艺术先找不可能投你的人问价、从中间价往上走；做价过高的三种副作用

股权就是拼图50/50 的隐患、三人各 1/3 的死局；极左极右都不行，团队里必须有权威 合伙人股份锁定四年、退出机制提前谈；换合伙人的概率高达三分之一

现金流与报酬包没有收入你能活几个月；工资股票自选的 package 制度让报酬不再攀比

写给一人公司22 段口述的全景回顾，映射成 OPC 创业自查清单：方向、口碑、现金、股权 创业成功率测试12 道题综合全篇章的核心判断，算出成功率、六维雷达画像和回炉处方

没有找到匹配的课程

收藏本站Cmd+D / Ctrl+D，下次接着学

课程源码 AGPL-3.0

课程加载中…

课程暂时无法加载

请重新加载，或者从左侧目录打开其他课程。

←上一课从 Embedding 到 Milvus下一课Milvus 实操→