跳到正文
如果你只会打开聊天框问“帮我写一篇文章”，这篇就是写给你的。
2026 年，新生需要理解的已经不只是 ChatGPT 或某一个聊天网站，而是三个逐层扩展的概念：大模型、Agent、Harness。理解它们，你才知道豆包、Kimi、千问在做什么，也知道 Claude Code 和 Codex 为什么能在一个代码仓库里连续工作。
这不是一份“神奇提示词大全”。目标是让你在读完后能做到三件事：
- 用自己的话解释大模型、Agent 和 Harness；
- 把 AI 当家教和编程搭档，而不是答案生成器；
- 在安全、可验证的前提下完成第一次代码 Agent 练习。
大语言模型根据你提供的内容和已有训练，预测接下来最合适的文本或其他输出。它能解释、归纳、翻译、写代码和分析图片，但它并不是数据库，也不会因为语气自信就自动变成事实。
你可以把它想成一个很强的“模式理解与生成引擎”：
- 输入越清楚，它越容易抓住目标；
- 上下文里缺的信息，它可能猜；
- 超出知识或工具范围时，它仍可能给出看似合理的错误答案；
- 同一个问题换一种上下文，答案可能不同。
这类错误通常叫幻觉。解决办法不是要求它“绝对不要幻觉”，而是给资料、查来源、做计算、跑测试。
普通聊天往往是“一问一答”。Agent 会围绕目标形成循环：
理解目标 → 制定下一步 → 调用工具 → 观察结果 → 修正计划 → 继续
工具可以是搜索网页、读取文件、运行测试、编辑代码、查询数据库或调用外部服务。于是它不只“告诉你怎么做”，还可能真正执行步骤。
读完想说点什么？
这条留言只在这封信下面显示，作者会看到。
coolin
沙发！
但 Agent 不是自动正确。模型可能选错工具、误解文件或在错误方向上连续行动，所以需要权限限制、过程可见、结果验证和人工确认。
Harness 常被译作“智能体框架”“运行支架”或“智能体工作台”。它不是一个全球统一的产品层，而是工程上对 Agent 周边运行环境的概括。通常包含：
- 怎样收集代码、文件和对话作为上下文；
- 怎样把工具交给模型，限制哪些能用；
- 怎样执行“计划—行动—观察”的循环；
- 怎样保存会话、压缩过长上下文；
- 怎样用沙箱、审批和权限保护系统；
- 怎样展示差异、测试结果和错误；
- 怎样加载项目规则、技能或 MCP 工具。
OpenAI 将 Codex 各种界面背后的共享系统直接称为 Codex harness，即支撑各端体验的 agent loop 与逻辑。查看官方架构说明
| 名词 | 小白解释 | 你什么时候会遇到 |
|---|
| Prompt | 你给 AI 的目标、材料与约束 | 每次提问或布置任务 |
| Token | 模型处理文字的基本片段，不等于一个汉字 | 计量上下文和用量 |
| Context window | 一次任务里模型能同时关注的信息范围 | 长文、长对话、大仓库 |
| Multimodal | 同时理解文本、图片、音频等 | 看截图、读图表、语音问答 |
| Hallucination | 生成了听起来合理、实际错误的内容 | 引用、政策、数字尤其常见 |
| RAG | 先检索资料，再把资料交给模型回答 | 知识库、课程资料问答 |
| Tool calling | 模型按规则调用搜索、终端或 API | Agent 执行任务时 |
| MCP | 一种把 AI 应用连接到工具和数据的开放协议 | 接 GitHub、数据库、文档等 |
| Skill / instruction | 可复用的任务说明与项目规范 | 固定工作流、团队约定 |
| Sandbox | 限制程序可访问范围的隔离环境 | 运行不完全可信的代码 |
| Approval | 高风险动作前由人确认 | 安装、联网、删除、外部操作 |
| Session | 一段有连续上下文的工作过程 | 继续上次的任务 |
| Compact | 把长会话压缩成摘要，腾出上下文 | 长时间编码任务 |
不要急着背。第一次遇到时知道去哪里查，比记住定义更重要。
| 工具 | 适合从哪里开始 | 官方入口 |
|---|
| 豆包 | 中文问答、解释、图片与日常学习 | 豆包 |
| Kimi | 文件阅读、资料整理、搜索与长任务 | Kimi |
| 百度文心助手 | 中文搜索、办公与学习场景；原“文心一言”入口现使用该品牌 | 百度文心 |
| 千问 | 通用问答、文件与多模态任务；属于通义/Qwen 体系 | 千问 |
| 智谱清言 / GLM | 中文问答、推理与工具型任务 | 智谱清言 |
不同产品的模型、额度和功能会更新，不必一开始全注册。先选一个访问稳定、隐私设置清楚、你愿意长期使用的通用助手。
- Claude Code：Anthropic 的代码 Agent，可在终端等环境中理解项目、编辑文件、执行命令并协助 Git 工作流。官方快速入门
- Codex：OpenAI 的代码 Agent，可在 Codex 应用、命令行、IDE 等入口围绕代码任务工作；官方入门流程是登录、选择文件夹或仓库、开始任务。官方入门
它们不是“更会聊天的代码补全”。关键区别是：它们能在获得授权后读取仓库、修改多个文件、运行命令并根据结果继续迭代。
我是计算机专业大一学生，正在学导数。
目标：能判断常见函数在一点是否可导，并解释导数的几何意义。
我已会：极限的基本计算。
请先用一个生活例子解释，再给一个带步骤的例题，最后用两道题检查我。
把教材章节、老师课件或官方文档作为边界，并说明“优先依据我提供的材料”。涉及校规、比赛和产品能力时，让 AI 给出可打开的来源链接，再自己检查发布日期和原文。
先问我 3 个问题，判断我卡在哪一层；
不要马上给完整答案。
真正有效的家教会先发现你是概念不懂、公式不会用，还是计算粗心。
可以让它按“直觉—例子—正式定义—反例”解释。计算机概念则用“输入—过程—输出—边界条件”解释。
看懂不等于会做。关掉答案，独立写出推导或代码，再把自己的过程交给 AI 检查：
这是我的解法。只指出第一个错误发生在哪里，先不要给后续答案。
- 数学题用代入、边界条件或第二种方法检查；
- 代码用测试、类型检查和真实运行验证；
- 事实用教材、论文、官网或多来源交叉验证；
- 引用必须打开原文，确认作者、标题与结论都存在。
- 让 AI 用比喻解释；
- 要求指出比喻在哪里会失真；
- 自己复述，不看原回答；
- 让 AI 出一道题；
- 独立完成，再让它只检查错误。
把完整错误信息、最小代码、运行环境和你已经试过的方法给 AI：
我刚学 Python。请先解释错误信息每一部分是什么意思，
再给 3 个最可能原因。一次只让我验证一个原因，
不要直接重写整个文件。
修好后再问：“这个错误背后的通用知识是什么？给我一道相似但不相同的练习。”
用一个新建的、可以随时删除的练习仓库，不要直接拿课程大作业或重要项目实验。
任务 1：先只阅读项目，不修改文件。
告诉我入口、主要目录、运行方法和你不确定的地方。
任务 2：为这个项目写一个三步修改计划，等我确认后再改。
任务 3：只完成第一步，运行相关测试，并解释 diff。
你要观察的不是它“写得快不快”，而是它怎样找文件、怎样使用工具、哪里需要你的确认、测试是否真的支持结论。
- 只读导览：让它说明目录、入口、测试和风险，不修改文件；
- 先计划：让它把任务拆成小步骤，并指出需要你决定的地方；
- 做一个小改动：例如补一条测试、修一个文案或解释一个函数；
- 查看差异：逐行读改动，问清每个你不理解的地方；
- 运行验证：测试通过不代表需求正确，还要自己操作一次；
- 控制上下文：任务变长时使用官方提供的清理或压缩会话方式，避免旧信息持续干扰；
- 写项目规则：当你真正理解项目后，再把稳定约定写入
CLAUDE.md，不要把临时要求全部塞进去。
Claude 官方的第一天指南强调先让工具理解代码库、使用清晰任务并检查工作；官方速查表也解释了 session、context window 与 compact 等概念。第一天指南 · 速查表
按 Codex 官方入门页 完成登录，选择一个练习文件夹或仓库，再开始任务。不同入口的按钮和命令可能不同，但工作方法一致：
- 先问“这个仓库怎样运行和测试”，不急着修改；
- 让 Codex 列出会读取、修改的文件和计划；
- 将大任务切成可验证的小任务；
- 修改后检查 diff，不接受“已经完成”的口头结论；
- 运行最相关的测试，再视风险扩大验证范围；
- 对安装依赖、联网、删除和外部操作保持审批；
- 稳定的项目约定写进
AGENTS.md，包括技术栈、测试命令和禁止事项。
Codex 的不同界面共享同一套 harness 思路，因此你学会的“给上下文—小步行动—检查差异—运行验证”方法，可以跨应用、命令行和 IDE 使用。Codex Academy 也提供了由浅入深的官方学习材料。
不用先判定谁“永远更强”。用同一个小仓库、同一个任务比较：
- 谁能更准确地解释现有代码；
- 谁提出的计划更符合你的目标；
- 谁的修改更小、更容易审查；
- 谁能主动运行正确的验证；
- 谁的权限与交互方式更适合你。
选择标准应该是你的任务和工作流，不是社交媒体上一张脱离上下文的排行榜。
学会 Git 的 status、diff、add、commit 和分支概念。重要项目开始前先确认工作区状态，避免把自己的未保存修改和 Agent 的改动混在一起。
只开放任务所需的目录和工具。读取项目不等于允许读取整个电脑；写代码不等于允许发布、付款、发消息或操作生产数据库。
API key、密码、Cookie、身份证、未公开数据和他人隐私，不要粘贴到不合适的服务。使用环境变量和 .env，并确保敏感文件被版本控制忽略。
删除文件、覆盖数据、安装未知依赖、执行来源不明的脚本、推送代码、部署上线和外部发信，都应停下来确认目标与影响。
“代码已生成”不是完成；能构建、测试通过、行为符合需求、差异可解释，才接近完成。若没有自动测试，就写出手动验收步骤和预期结果。
不同课程、教师和学校对 AI 的允许范围不同，最可靠的原则是：先看规则，需要时主动说明使用方式。
- 解释自己不懂的概念；
- 根据教材生成自测题；
- 检查自己完成的推导、文字和代码；
- 整理你亲自获得的笔记或访谈记录；
- 提醒你补证据、补测试和找反例。
- 在考试或独立考核中获取答案；
- 提交自己无法解释的生成内容；
- 伪造实验数据、访谈、引用或运行结果；
- 把同学、实验室或实习单位的非公开资料上传；
- 为了“降低 AI 率”而机械改写，掩盖真实使用过程。
- 完成一次“目标—材料—诊断—练习—验证”的家教闭环；
- 对一个 AI 回答找到原始来源；
- 记录一次幻觉或错误，并写下你怎样发现的。
- 学会 Git 基本概念和查看 diff；
- 熟悉终端、路径、环境变量；
- 独立运行一个小项目及其测试。
- 在练习仓库完成“只读理解—计划—小改动—测试”；
- 分别记录 Agent 做对、做错和不确定的地方；
- 不让它操作真实账号、重要数据或公开发布。
选一个两三天能完成的问题，例如课程倒计时、小型记账脚本或校园路线页面。要求自己写清需求、保留提交、补测试、写 README，并在最后说明 AI 参与了哪些环节。
一个月后，你不一定会“精通 AI”，但你会拥有比提示词收藏更重要的能力：知道任务该怎样拆、证据该怎样找、结果该怎样验、权限该怎样管。
若飞书页面要求登录，可以直接使用下列官方资料；本文对产品能力与操作原则也以官方文档为准。
最后只记四句话
- 大模型负责理解与生成，Agent 负责调用工具持续行动，Harness 负责把行动装进可控的运行环境；
- 把 AI 当家教时，让它诊断、解释、出题和检查，不要跳过你亲自完成的环节；
- 使用代码 Agent 时，小步修改、查看差异、运行测试、控制权限；
- 对事实查来源，对代码跑验证，对高风险动作保留人的决定权。
AI 不会自动让你变强。真正拉开差距的，是你能不能把它的速度变成自己的理解，把它的输出变成可验证的结果。