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。
本文从一次企业咨询出发，指出企业 Agent 落地不能只依赖模型能力，核心在于权限管理和证据门禁。权限管理通过独立身份、短期凭据、数据遮蔽和动作分级，限制 Agent 能做什么；证据门禁则通过证据卡记录主张、证据、推导和假设，确保结论可靠。文章以经营日报 Agent 为例，详细说明了权限卡和证据卡的实践方法，并强调确定性规则和真实环境验证比另一个 AI 审查更可靠。最后指出这些原则同样适用于知识库、客服等场景，FDE 应将现场经验沉淀为可复用资产。
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。
