AI 新手教程

很多 AI 代理项目最后都会退化成一个不断调用模型的 while 循环：上下文越来越长，职责越来越混，直到结果开始失真。 它们不进行路由。它们不进行分支。它们不进行并行化。它们运行一个循环，希望它能工作，当它不起作用时调试几周。 下面用 11 个阶段，把单一循环改成能够分支、自检并汇聚到明确输出的任务图。 先从一条真实流程开始画。每条边都要能说明传递了什么数据，以及失败时回到哪里。 循环工程是真正的进步。

Claude Code／Codex 兼容：新手可直接使用的 Skill 创建提示词完整版 想尝试制作 Agent Skills。 可一打开 Claude 或 Codex，往往第一句话就卡住了。 「我不知道该指示什么」 「我不知道该在 SKILL.md 写什么」 「即使写了很多规则，也担心他们是否真的会遵守」 「根本上，我也不知道自己需要考虑到什么程度的规格」 这很正常。

公众号冷启动看起来像流量问题，真正动手时会发现，它首先是一个判断问题。 定位、选题、标题、发布时间、分享方式和素材版权会同时扑过来。信息很多，但不能一股脑照做。 真正开一个新号，第一步不是复制一套秘诀。 先分拣。 把建议分成四类：平台明文规则、可供参考的个人经验、仍需验证的假设，以及不该采用的高风险做法。四类东西混在一起，教程越详细，越容易把人带偏。 这里不承诺神奇的起号捷径。

很多人仍把 Claude Code 当成一问一答的工具：给一句提示，等一次修改，再由人检查下一步。 只要每一轮都必须由人读结果、复制错误、补充要求，人就没有把工作交出去，只是亲自充当了循环。 Loop Engineering 的变化，是把目标、执行、验证、修复和停止条件写进同一套可运行流程。 这不是为了炫技，也不是让模型无限重试。真正的价值，是把重复判断变成检查器，同时把权限、成本和人工接管点留在人的控制下。 你现在的工作方式如下。

大多数人仍然手动使用 AI。 他们输入一个提示。 他们等待一个答案。 他们自己审查输出。 他们注意到哪里出错了。 他们写另一个提示。 然后他们再次重复整个过程。 感觉就像是人工智能在做这些工作。 但如果你仔细看，人类仍然是引擎。 人类决定接下来要问什么。 人类检查答案。 人类记住失败的地方。 人类推动每一个新步骤。 那就是与人工智能合作的老方法。 新方法有所不同。 你不仅仅是提示代理。你是围绕代理设计循环。

AI代理架构的转变真正意味着什么 代理系统的讨论正在从「怎样让一个循环多跑几轮」转向「怎样把多个循环组织成一张任务图」。 这个变化并不神秘。任务一旦出现并行、路由、复核、回滚和人工介入，单一循环就很难继续把依赖关系讲清楚。 循环和图解决的是不同层面的问题：循环让一个节点持续改进，图决定多个节点怎样交接、互相约束，以及失败后回到哪里。

国产大模型和配套编程工具更新得很快，但模型规模和一句「接近某个旗舰」都不能替代项目验收。 候选工具不只看参数规模。更重要的是它能否在你的网络、账号、付费和开发环境里稳定工作，以及能否留下可检查的修改和测试结果。 对身在国内、想用AI把想法做成产品的人来说，工具门槛的确比过去低了很多。 现在可选的不只海外模型。账号稳定性、网络条件和付费方式都会影响实际体验，本地可用的国产模型因此成了更现实的一条路。

Claude Code 把文件编辑、命令执行、差异审查和批准流程放进同一套工作环境。评估替代模型时，先把这层工作流与背后的模型分开看。 这也不意味着每一种任务都要使用同一个模型。 大多数人使用 Claude Code，并让每一个请求都调用最昂贵的模型。 读取代码。搜索文件。编写样板代码。运行测试。编写文档。 这些都不需要前沿推理。 你是在为了烧水买核反应堆。

大多数尝试构建多步骤代理的人最终得到的都是一条直线。第一步、第二步、第三步——每一步都会礼貌地等待上一步完成后才开始。 很多线性流程里，一半左右的步骤并不依赖前一步；具体比例要从自己的任务图里计算，不能先写死。 它们不路由。它们不分支。它们不并行处理。它们只排队——一个头，一个上下文，一次处理一件事，直到窗口填满，代理忘记自己在做什么。 先拿一条真实的线性流程做练习。只画数据确实发生传递的边，其余步骤再判断能否并行。