作者从面试官视角系统讲解 AI 开发工程师的求职方法。文章首先界定 AI 开发工程师的职责——将大模型能力接入真实业务并做成可用可维护的产品，并说明该方向值得长期投入的原因。随后分析公司招人的逻辑：基础岗看重靠谱、执行与学习能力，高级岗看重技术判断与积累，管理岗看重项目交付与团队建设。文章分别给出基础岗和高级岗的简历撰写要点，强调用具体事实和可追问的细节展现能力，并从专家和管理两条路线详细列出面试技术追问范围：编程与服务、模型调用、上下文与状态管理、工具执行、评测排查、部署性能、微调原理，以及项目管理和团队管理问题。
文章为零基础小白提供了一条不花钱买课的 AI 入门路线图。作者梳理了 AI 的四类核心能力（理解表达、生成内容、处理信息、调用工具），解释了 AI 输出不稳定的四大原因，并强调提示词即任务说明，需包含目标、材料、边界和完成标准。文章还介绍了知识库的适用场景、工具/Agent/API/MCP 的区别，以及何时把流程沉淀为 Skill。最后通过七天案例带读者做出一份可持续更新的学习包，并附上可直接使用的入门教练提示词，以及小白最常问的 10 个问题解答。
文章系统梳理了 AI 工程化领域的各种新概念（Context、Harness、Loop、Eval、Graph Engineering），指出这些 Engineering 拆到最后，核心仍然是提示词。作者认为，现代提示词已不只是聊天框里的几句话，还包括系统规则、任务资料、工具说明、历史结果、失败反馈和完成标准。Agent 的难点在于把事情真正做完：避免重复步骤、选错工具、提前结束等问题。文章分别阐述了五大 Engineering 的职责——Context 管每轮给模型看什么，Harness 管工具与环境的接入说明，Loop 管根据反馈迭代，Eval 管验证任务是否真完成，Graph 管流程节点与路由。最终结论：代码管边界（权限、轮次），提示词管边界内的判断。
作者批评国内许多自称 FDE（前台部署工程师）的人只是换了名字的售前、实施或驻场外包，没有真正的企业 AI 交付能力。文章分析了 AI Native 的本质：AI 进入具体工作流程并执行可审计的业务动作。详细解读了 Palantir 本体论（Ontology）——将对象、属性、关系、动作和权限构建成可操作的企业地图，强调只有名词没有动词不算本体论落地。通过发票争议、消费品公司替代原料等案例说明'五天交付'的真实含义是窄闭环验证而非全公司改造，并反推出一套 FDE SOP，指出 FDE 背后需要平台、产品、安全和业务的完整支撑，而非一个人单打独斗。
本文通过五个独立实操案例，介绍如何用 Grok Bot（自定义 Bot + 提示词）解决日常内容生产任务：1）闲鱼上架员——把商品照片和信息整理成标题、描述、补图清单和咨询回复；2）小红书编辑——围绕一个选题自动生成六张风格统一的知识图卡及发布正文；3）工具情报员——把工具链接整理成可筛选的网页简报；4）视频教程师——先做一个魔方教学小工具，再录成带中文配音字幕的教学视频；5）收藏整理员——把收藏帖子按主题分类，提炼观点与写法并生成选题清单。每个案例均附可直接照用的提示词。
Images 2.5 刚发布，作者推荐了六个 GitHub 项目帮助快速掌握生图提示词：awesome-gpt-image-2 提供 530+ 工业级案例与模板；GPT-Image2-Skill 支持将提示词库接入 Agent 与 CLI 工作流；另有收录 2000+ 提示词的大图库、中文结构化提示词仓库 gpt4o-image-prompts、可搜索的万条提示词 Agent Skill，以及跨模型（GPT Image、Nano Banana、豆包、FLUX 等）中文提示词对照清单。建议以这些仓库为参考图库，替换主体、场景、文字和比例，比堆抽象形容词更容易得到稳定结果。
作者认为市面上动辄上万元的 FDE（Forward Deployed Engineer）培训完全没必要报课，只需学习几个开源项目即可：fdeops 定位为 FDE 第二大脑，可接入 Claude Code、Cursor 等 Agent，让访谈纪要和交付清单可直接被引用；fdestack 将工作流拆成可复用 Skills；openfde 提供本地优先工作区，作为可引用的作战记忆；fde-guide 补充方法论和流程。建议做 ToB 交付、驻场、AI 落地的人按 Skills 管流程、仓库管记忆的思路，先装 fdeops 底座，再按团队技术栈补齐。
本文介绍如何用 Codex 落地企业 FDE 场景中的第一个任务：自动生成经营报告（日报、周报、月报）。作者提出完整流程：先交旧模板让 Codex 提取长期报告规则，沿用公司原有的 PPT、PDF 或飞书文档交付格式；数据从 Excel/CSV 等文件入手，稳定后再接 CRM、ERP 或数据库；通过知识库区分事实与推测，确保分析有依据；第一份报告用于发现并固化问题，跑通后设置定时任务自动生成与检查。文章附 python-pptx、PyMuPDF、飞书 CLI 与 MCP 等工具链接，强调人只负责真正的业务判断。
本文是一篇 Cherry Studio 的详细使用教程。Cherry Studio 是一款开源桌面 AI 工作台，可接入 GPT、Claude、DeepSeek、Kimi 及本地模型。文章系统讲解了软件安装与模型 API 配置方法，如何用多模型对比测试写作质量，利用分支功能管理不同写作路线，创建助手保存长期要求；还介绍了如何把文档整理等任务交给 Agent，配置工具权限、网络搜索、技能和 MCP；以及知识库的建立、召回测试、嵌入与重排模型的配置，和通过 Ollama、LM Studio 接入本地模型的方案。适合希望集中管理多个 AI 模型、提升日常工作流效率的用户从入门到进阶参考。
本文介绍如何用 Claude Code 等 AI Agent 从零搭建个人财务决策系统。文章分四步：先让 AI 整理银行流水、账单等资料，看清现金、资产、负债和未来支出；再让它拆解大额支出决策，比较一次付清、分期、推迟等方案对现金流的影响；然后解释现金、资产、负债、安全线四个核心概念；最后强调安全边界——AI 只做分析，不登录网银、不转账付款。文末附上完整提示词模板，可生成财务概览、重大支出分析和每周财务摘要三个文档。
本文从《给宝宝的机器人学》类比切入，系统讲解 Agent 的核心概念与发展脉络：大模型只负责生成回答，而 Agent 能借助工具、API、Agent Loop 和文件/终端等真实工作现场，把任务完整做完。文章依次介绍模型、Tool 与 API、Agent Loop、computer use、MCP 协议，以及 Claude Code、Codex CLI 到 Codex 桌面端的产品演进，说明为何同一个模型放进不同 Harness 表现差异巨大。最后以实战演示如何用 Codex 搭建论文资料整理 Agent，从建立项目结构、规划执行到接入 PubMed 检索工具，展现普通人也能上手的 Agent 工作流。
这是一篇面向新手的 Codex 全面教程，系统讲解了 OpenAI Codex 这一可实际操作的 Agent 工具。文章从界面布局、项目与任务管理讲起，详细介绍了 Local、Worktree、Cloud 三种工作区模式的选择，Plan 计划模式的适用场景，权限与沙盒的配置方法。还覆盖了集成终端、内置浏览器、Computer Use、Memory 等基础工具，CLI 常用命令与快捷键，AGENTS.md 项目规则文件的写法，并厘清了 Skills、Plugins、MCP 三者的区别与用法，帮助读者独立上手 Codex 完成实际任务。
本文系统讲解国产 AI 工作助手 WorkBuddy 在国内政企 AI 交付场景中的使用方法。WorkBuddy 将模型、本地工作空间、权限、技能、连接器和产物整合在一条任务链路中，使 AI 能读取文件、生成产物并保留变更供人工验收。文章从一份会议纪要的实操案例出发，覆盖工作空间选择、任务指令四要素（动作、输入、输出、约束）、权限分级（仅问答/计划/默认模式）、模型选择（混元、GLM、DeepSeek 等）、产物验收与变更检查等核心内容，并给出文档整理、表格分析、PPT 制作等真实工作场景的实用提示词模板，强调任务边界、最小权限和交付纪律。
文章系统讲解知识库的进阶路径：从最轻的文件上传开始，到 iMA、飞书知识问答承接多文件场景，再用 Obsidian 将资料沉淀为个人判断，进而用 LLM Wiki 让 Agent 自动维护知识库，最后进入企业级 RAG 阶段。作者详细介绍了各阶段的关键实践，包括提示词设计、目录结构、切片与检索策略、权限控制、评测方法等，强调知识库的核心是在模型回答前找到可靠材料，并保留来源、暴露冲突、允许拒答。
本文详细拆解了DeepSeek Harness，一个开源的Agent执行框架。作者通过本地测试验证了其文件写入、Shell执行、权限拦截和会话轨迹功能，并指出当前版本更适合Agent开发者而非普通用户。文章对比了DeepSeek Harness与WorkBuddy、Codex的差异，分析了其插件化设计、权限控制和在企业落地中的不足，最后给出了适用人群建议。
本文探讨了在AI时代，FDE（全栈交付工程师）如何整合业务咨询、算法、工程与交付等多个职能。作者结合自身转型经验，指出FDE需具备业务洞察、客户筛选、沟通落地及端到端技术工程能力。文章系统梳理了从需求收窄、RAG治理、Agent权限控制到部署压测、生产发布及最终知识转移的完整闭环，强调技术落地必须与组织采用相融合，为AI企业级落地提供了实操指南。
