非码农的 AI Agent 设计教程
本文用通俗语言拆解了 AI Agent 的核心概念。通过将 AI 比作新员工，详细阐述了 Prompt、Context、Harness、Loop、Graph 等 11 个关键术语的含义与作用。文章提供了一套从定义目标到交付结果的完整工作链，帮助初学者理解 Agent 如何从聊天走向实际做事。
相关文档
构建智能代理的三层架构：Loop、Graph与Harness
本文提出解决Agent重复读取数据和Token浪费的三层架构方案：Loop负责单元工作的收集-行动-验证闭环；Graph通过分发和并行管理复杂任务；Harness作为运行时环境提供工具和上下文隔离。文中提供了具体的代码实现思路和实战演示。
你的提示词都是在“许愿”——40个专家级提示词详解
文章指出大多数用户使用的只是“许愿”而非真正的提示词，并分享了40个经过在Claude、ChatGPT和Gemini上验证的专家级提示词。这些提示词包含角色、上下文、约束和示例，按场景分为写作（01-10）、分析与策略（11-20）等类别，旨在帮助用户通过精心设计的指令获得稳定、高质量的AI输出。
观察了三年，我把所有人用AI的水平分成了10个等级
文章基于对大量AI用户的观察，从可控性、广度、形态和角色四个维度出发，构建了一套AI使用能力的10级金字塔模型（Lv.0旁观者至Lv.10一人军团）。作者详细描绘了每个等级用户的行为特征与心智模式，指出从Lv.3的“驯化师”到Lv.4的“越境者”以及从ChatBot到Agent的跨越是关键分水岭，旨在帮助读者定位自身阶段并指明进阶路径。
如何优化你的 AI Harness：配置、框架与子代理指南
文章指出工程师的关注点已从 IDE 转向 AI Harness，并介绍了提升 Harness 输出质量的关键方法。核心策略包括：保持配置文件（如 .md）精简，采用渐进式披露原则以节省上下文；利用 R.P.I 框架（Research, Plan, Implement）像资深工程师一样分解问题；以及通过子代理清理主上下文窗口。文章强调，Harness 的核心在于工程判断力。
普通人实现AI能力跃迁的三个框架
文章探讨了如何通过认知框架实现AI使用能力的跃迁。作者提出了三个核心框架：三层进化论（从Prompt到Project再到Skill）、交易思维vs复利思维，以及“薄Harness、厚Skills”的架构原则。通过将重复性工作固化为Skill，用户可以从线性低效的对话模式转变为指数级积累的系统化工作流。
万字长文｜DeepSeek Harness 从 0 到 1：一切皆插件的 Agent，到底强在哪、怎么上手
本文是一篇面向小白的 DeepSeek Harness（DSH）完整上手教程。作者介绍了 DSH 的核心特点：门槛低（DeepSeek 账号登录即用）、一切皆插件（连 Agent 循环都可替换，社区插件超 6000 个）、过程可回放（轨迹功能）。文章详细讲解了下载安装、登录方式（账号与 API Key 两种）、界面各功能入口（模式、权限、模型、推理强度等）的含义，并分析了计费方式与省钱技巧，同时提醒它仍是预览版，未经过安全审计，需注意数据安全。后续还将涵盖插件市场、原理拆解、实战练习及与 Pi、Claude Code、Codex 的对比。
DeepSeek Harness 实战教程：从安装到跑通可复用的内容工作流
本文是 DeepSeek Harness 的实战教程。Harness 是一个可扩展的智能体运行环境，基于 Cordis 构建，一切皆插件。文章介绍了准备工作（Node.js、API 密钥、测试目录）、启动方式（npx 或源码运行 Web UI）、模型配置与工作区选择，并以生成可审核的小说推广文案为例，演示了素材分析、结构化任务指令、执行检查、人工审核到文件保存的完整闭环。还扩展了团队内容初稿、资料整理、插件接入等方向，给出批量处理的分阶段建议和常见问题排查，并强调最小权限、独立环境等安全边界。
Agent 拼装台 Pi｜从入门到榨干
本文系统介绍了 Agent 工具 Pi 的理念与用法。Pi 是一个极简的 Agent Harness（工作台），默认只提供读、写、改文件和运行终端命令四种基础工具，不绑定任何模型，可接入 Codex、Claude、Gemini 或本地模型。作者通过 Databricks 和 Fullscript 的实测说明其轻量设计能显著降低 Token 成本。文章按使用顺序展开：安装并接通模型、跑通第一个任务、利用 /tree 会话树实现多模型同起点分叉比较，最后通过 AGENTS.md、Skill 和 Extension 让 Pi 自我扩展，逐步长成专属 Agent。
设计 Harness：从 design.md 到可维护的上下文工程
文章以 Atlassian 与 Vercel 的实践案例为切入点，探讨 AI Agent 在产品设计任务中的上下文工程问题。对比实验显示，单一 design.md 文件在原型生成等轻量场景中表现出色，但在真实工程环境中会导致 token 消耗激增、耗时更长且不稳定。文章提出以代码库访问权限为分岔点的两条路径：仓库外的轻量三层支撑体系与仓库内的完整工程 Harness。随后系统阐述了设计上下文的五层架构——意图层、真源层、披露层、约束层和反馈层，并详细说明搭建流程：建立评估基线、编写最小意图文件、沉淀结构化真源等，强调机械可判定规则应交由工具链执行，语言模型只处理模糊判断。
用大白话讲清楚什么是 Skills 以及如何制作 Skills
本文通俗讲解 AI Agent 时代的 Skill 概念：Skill 是写给 Agent 的工作说明书，本质是以 SKILL.md 为核心的文件夹，可包含脚本、参考资料等，通过渐进式披露按需加载，节省上下文。文章对比了 Prompt、Skill、MCP 三者区别——Prompt 给模型、Skill 给 Agent、MCP 解决外部连接问题，三者互补。最后介绍了 Skill 的创建方法、获取渠道（skills.sh 等网站和 GitHub）、安全检查建议，以及 pptx、second-brain、人格蒸馏等实用 Skill 案例。
Own Your Intelligence: 企业自建 AI 能力实战指南
红杉资本团队撰文探讨企业是否应自建 AI 能力而非依赖前沿实验室。开源模型（如 Kimi K3、GLM 5.2）性能逼近前沿，后训练技术栈日益成熟，成本、速度、专有数据与自主掌控成为自建的核心动因。文章给出实践路线图：组建专职团队、公开研究成果，并系统介绍了评估（Evals）、Harness 与上下文工程、后训练（SFT/偏好调优/RL/蒸馏）以及在线学习四个技术步骤，帮助企业在特定领域超越通用前沿模型。
Phone Harness 实机教程：让 Codex 控制 iPhone，我睡着时 Agent 自己把活干完了
本文详细介绍了 Phone Harness 的安装、配置和使用方法，使 Codex、Claude Code 等 AI Agent 能够控制锁定的 iPhone，实现打开应用、点击按钮、输入文字、读取屏幕等操作。文章分为本地和云端两套方案，涵盖环境要求、安装步骤、权限设置、常见问题排查及实际应用案例，并提供了可直接复制的命令和 Prompt。作者通过实际体验展示了 AI 在无人值守时自动完成重复任务的潜力。
