说起来用AI编程Agent这事我用Claude Code和OpenClaw大半年了中间踩的坑能写本书真的能写我笔记本里记了六十多条。更没想到的是这两个工具还没用热乎呢就已经有新的在冒头了。。。。但说实话工具会换底下那些东西不会换。Token怎么算、上下文怎么管、规则怎么写、技能怎么搭这些搞明白了换个啥工具都不慌好了不废话了不管你之前有没有接触过Agent看完这篇入门这件事就算交代清楚了。❶ Agent≠ChatBot好了说正事先从最基础的说起——Agent是啥——你把活儿丢给它它自己去干能改文件能跑命令不用你手动一步步操作一杯茶一包烟看着它干就完了。这跟以前用网页版AI聊天完全不一样以前是你问它你觉得我该怎么办它给你一堆建议然后你自己动手去弄。Agent呢直接帮你动手。我自己的感受是用了Agent之后回不去了让ChatBot给我列个待办清单我都嫌慢直接让Agent帮我把文件改了不好吗。❷ 三要素好知道Agent是啥了那它脑子怎么运转的呢三样东西凑一块儿就那么回事。模型工具上下文。模型是脑子工具是手上下文呢脑子里装的那些个东西就这么简单粗暴模型你选不了太多就那么几家的几个档位工具大家能装的也差不多拉开差距的——上下文我反复说这个真不是废话。。Claude Code团队那个Boris也反复强调这个上下文是我们唯一能控制的输入变量优化好上下文比换个模型管用多了。❸ 上下文很多人觉得上下文就是聊天记录不是的塞进窗口的都算上下文。记忆、知识库、规则、技能名字不同塞进窗口之后效果一样都会影响它怎么想、怎么做所以统称叫上下文更准确地说上下文包括你发的那条消息但也包括系统提示、元数据、历史对话、模型自己的思考过程、工具调用和响应全算。知道这个之后你会发现很多东西都在偷偷吃你的上下文空间你以为是我就发了一句话其实背后有一大堆东西跟着一起去了。❹ 窗口容量好了Agent有了脑子脑子里也装了东西但有个残酷的事实——脑子装不下太多东西。窗口上下文有上限的Claude是200K。项目占比说明预留空间22.5%系统保留系统提示10.2%规则、配置MCP/子Agent不定工具注册实际可用60%约12万Token这个数据不是我瞎编的在Claude Code里跑一下/context命令就能看到22.5%预留10.2%系统提示加上MCP服务器、子代理、规则文件真正留给你用的就12万Token左右。满了就处理不了新消息了要么换新窗口要么压缩。压缩呢前面的对话内容做个摘要腾空间装新东西但摘要完了细节就丢了。窗口满→压缩→细节丢这条链路跟后面好多问题都有关。而且有一点很多人忽略了——不是窗口快满了质量才下降是从一开始上下文越多模型质量就越差所以上下文管理不是窗口快满才做的事是从第一条消息就该开始操心的事。❺ Token对了插播一下Token——你发一条消息它回一条消息消耗的可不只是这两条的Token是整个窗口里所有内容的Token窗口越满每条消息越贵。Token跟文件大小也不是一回事文件大小用KBToken用K一个有B一个没有B。。。。200KB的中文文档要100K到200K的Token同样大小的英文只要50K左右中文Token消耗是英文的两三倍这个坑我踩过上来就塞了个大文件窗口直接爆了。所以用Agent处理中文内容的时候得比英文场景更注意Token预算。❻ 记忆靠文件好了知道脑子多大了也知道怎么计量了下一个问题——记忆靠什么靠读写文件。不是靠脑子记。窗口一压缩或者一关脑子里的东西全没了想让它记住什么写文件里下次用再去读。这跟人的记忆机制有点像——人有工作记忆、情节记忆、语义记忆、程序性记忆Agent的工作记忆就是上下文窗口情节记忆是对话摘要语义记忆是知识库和用户画像文件程序性记忆是规则和技能文档。很多工具有自动记忆功能比如每天存一个memory文件启动时自动加载最近的但这个自动记忆不完全靠谱有些东西它压根没存自己觉得要紧的就手动让它记下来。我的做法是在CLAUDE.md里指定一个memory目录遇到重要的东西就说记下来它就往那个目录写文件下次启动自动加载。❼ WWH原则说到跟Agent沟通有个原则叫WWH——做什么What为什么做Why怎么做How。不管是你给Agent提需求还是让它跟你汇报都把这三件事说清楚省得来回扯好几轮才搞明白在说啥。尤其是Why。不说为什么Agent就容易按自己理解瞎猜猜偏了方向就歪了。Claude Code那个团队也是这么建议的CLAUDE.md里要包含四样东西——目标Why地图Map规则Rules工作流Workflows本质上跟WWH是一回事先告诉它为什么再告诉它在哪最后告诉它怎么干。❽ 上下文少即是多好了基础概念过完了好了管理这块——上下文少即是多聊得越多反而越差。这个真的要反复说很多人觉得跟Agent聊得越多它越了解你干活越好不是的。。。。上下文太多它反而注意力分散简单的事都能给你搞砸。Anthropic自己说的目标是找到最小的高信号Token集合往窗口里塞太多MCP数据和规则文件只是用低信号填满窗口同时烧钱。新任务开新窗口别舍不得关清爽的脑子比熟悉你的脑子好使。❾ 渐进加载默认上下文怎么管。Agent每次启动会自动读一些文件一般分三类CLAUDE.md放基础信息RULE.md放规则SKILL.md放技能相关的。但是什么都往里塞的话Agent还没开始干活脑子就满了渐进加载启动时只加载最少的东西需要时再读。一层一层往下这个Claude Code里有个做法挺聪明的在.claude/rules/目录下按路径放规则文件比如api.md只在处理src/api目录时加载frontend.md只在组件目录生效做后端的时候不读前端规范做API的时候不加载数据库约定省下来的Token很可观。技能文件也是这样Agent启动时只读每个技能开头的几行摘要知道有哪些技能可用等到真的要用某个技能了才把完整内容读进来不用的技能完全不占上下文。还有一个更进阶的做法是context:fork让某个技能在完全隔离的子代理中运行有自己的上下文窗口干完活返回摘要给主对话主对话还是干干净净的。❿ 知识管理知识管理一听知识库三个字是不是觉得要搞个大工程不用就是文本文件分好类放好目录就行了。数据放数据目录工作文件放工作目录设计稿放设计目录然后在默认上下文里告诉Agent什么文件放哪个目录不说清楚它就随地大小便。。。。真事我第一个Agent的文件全是乱的找了半天才理顺时间长了这些文件越来越多就变成你自己的知识库了还可以给文档分段打标记建索引Agent查东西的时候看索引就知道去哪找不用把整个文件都读进来省Token。进阶一点的话可以像Claude Code那样用语法导入其他文件团队把编码规范放到中央仓库所有人的CLAUDE.md都导入同一份标准个人偏好放本地不提交项目文档按需引用这个导入支持递归最深五层。⓫ 读写机制读写机制。这个是冷知识——Agent想在一个文件末尾加个句号也得先把整个文件完整读一遍千万别把所有东西存在一个大文件里不然Agent光读文件上下文就满了然后压缩然后又要重新读。。。。跟最开头说的那个死循环一样。所以文件拆分不只是整理习惯的问题是直接影响Agent能不能正常干活的事。我自己现在一个文件超过500行就觉得太长了拆成几个小的按功能分Agent读起来也快Token也省。⓬ 规则设计好了管理讲完了规则。Agent有时候会偷懒会耍小聪明会走捷径你写了操作手册它不看觉得自己能行需要规则每次启动自动加载的那种开机就生效的但写规则这件事比养娃还难。。。。你写个禁止xxAgent看完心想这规则不太合理啊算了我按自己的来吧知错认错不改错主打一个热情礼貌气死人。一条有效的规则得有四样东西具体要求、原因说明、反合理化条款、历史证据。规则类型示例写法禁止项禁止删文件不确认❌ 禁止…必须项必须用write_file.py写文件✅ 必须…建议项代码注释用中文尽量…反合理化呢提前把Agent可能找的借口堵死时间不够时间多的很成本太高一点都不高方案太复杂复杂也得做堵完借口呢还不够有时候告诉它应该怎么做做了有什么好处比一堆禁止管用堵不如疏还有一个实用的做法–用钩子系统Hook来强制执行规则Claude Code里能配PreToolUse和PostToolUse在每次文件编辑后自动跑格式化在执行bash命令前做安全检查匹配到rm -rf或者DROP TABLE这种危险操作直接拦截Agent收到阻止信息会重新规划这比写一百条禁止规则管用。⓭ AI味儿函数映射对了说到AI的行为问题得聊聊AI味儿。AI默认给的答案是统计出来的最安全的那个不求有功但求无过你什么都不管让它自己干出来的东西呢就是一股子AI味儿。去味儿没有捷径就是反复犯错反复改规则。Agent再犯再改规则第一次写了规则它不一定听第二次不一定听第三次。。。。可能还是不听但你得坚持改我自己身上的AI味儿到现在还在去。。。。大模型不是在思考它就是在做映射训练数据里见过的东西它就会没见过的它就蒙有个公式Y 2X 3大模型呢这玩意儿的超大号版本输入一组数字算出一个结果看着像在想其实是在算。遇到冷门问题或者最新信息光靠它直觉蒙出来的答案质量好不了呢用规则逼它先去调研再回答。这里有个进阶技巧–用子代理Sub-Agent做调研主代理负责实现子代理负责研究子代理有自己的上下文窗口跑完返回摘要给主代理主代理的窗口不被污染还能用更便宜的模型跑子代理。我常用一个图书管理员子代理让它去扫开源仓库和文档回来给我一个精炼摘要既省Token又不会搞乱主对话。⓮ 技能Skill技能呢Skill说白了就是写给Agent看的操作手册大白话告诉它什么场景该怎么干里面还能带脚本工具物理结构就是一个文件夹加一个说明文档复制粘贴即安装。安装把文件夹拷贝到技能目录就行没有安装向导没有下一步下一步没有重启就是拷贝粘贴但Skill里有个东西要注意——脚本。Agent聪明的时候是真聪明但偶尔它会即兴发挥。。。。搞创作可以搞业务不行需要100%稳定的环节让Agent写个脚本处理代码没有灵感没有即兴发挥11跑一万次还是2稳定。脚本写好了配一个说明文档放同一个文件夹丢进技能目录你就做出了一个自己的Skill。Skill里面还有个好玩的功能–可以用感叹号语法注入实时数据技能文件里写个!加反引号执行shell命令输出会在发给Agent之前替换占位符比如写个PR审查技能用git diff拿当前改动用gh pr view拉PR描述Agent收到的是真实数据不是空的这在自动化场景里特别好用。⓯ 多Agent协作最后讲多Agent协作。一个窗口装不下的活儿就得多开几个Agent最常见的是接力模式一个做完交给下一个但这里有个大坑——新Agent天然倾向于觉得前面做的不对想推翻重来。得保留一个主窗口从头到尾不关负责方案讨论和最终验收。进阶一点是Sub-Agent模式让主Agent自己拆活儿派给临时工用户只跟主Agent打交道。Claude Code团队的做法更极致——并行开5个worktree每个跑独立的Claude会话设shell别名在不同任务间秒切甚至准备专门的分析worktree只负责读日志跑查询效率拉满。还有一种场景是独立评审——让写代码的Agent自己评自己的代码那就是王婆卖瓜新建一个独立Agent来审。还有个做法是让一个Agent写计划另一个Agent像主任工程师一样审阅计划两个Agent互相挑毛病出来的方案质量比单Agent高不少。好了说完了踩过的坑整理出来就这么几条工具会换底下那些东西不会换。说真的这两年看着身边一个个搞Java、C、前端、数据、架构的开始卷大模型挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis稳稳当当过日子。结果GPT、DeepSeek火了之后整条线上的人都开始有点慌了大家都在想“我是不是要学大模型不然这饭碗还能保多久”我先给出最直接的答案一定要把现有的技术和大模型结合起来而不是抛弃你们现有技术掌握AI能力的Java工程师比纯Java岗要吃香的多。即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇这绝非空谈。数据说话2025年的最后一个月脉脉高聘发布了《2025年度人才迁徙报告》披露了2025年前10个月的招聘市场现状。AI领域的人才需求呈现出极为迫切的“井喷”态势2025年前10个月新发AI岗位量同比增长543%9月单月同比增幅超11倍。同时在薪资方面AI领域也显著领先。其中月薪排名前20的高薪岗位平均月薪均超过6万元而这些席位大部分被AI研发岗占据。与此相对应市场为AI人才支付了显著的溢价算法工程师中专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%产品经理岗位中AI方向的产品经理薪资也领先约20%。当你意识到“技术AI”是个人突围的最佳路径时整个就业市场的数据也印证了同一个事实AI大模型正成为高薪机会的最大源头。最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】