本文是一篇关于AI Agent的实操指南，适合想要了解和学习大模型的小白或程序员。文章首先介绍了Agent的概念，将其与传统的聊天工具进行对比，强调了Agent在完成任务方面的优势。接着，详细讲解了Prompt、Context、Memory、知识库、工具调用、Markdown、HTML和Skill等关键概念，并解释了它们在Agent工作流程中的作用。文章还分享了如何根据工作需求组合不同Skill，形成个性化的AI工作流。最后，强调了实践的重要性，鼓励读者在真实任务中学习AI操作，提高工作效率。

信息量比较大，建议先收藏，再按自己的使用场景慢慢看。

Agent 是一个很特殊的 AI 工具。

一方面，它是通用工具。

写文章、查资料、处理表格、读文件、做海报、生成网页、整理课程、分析数据、做视频，它都能参与。

另一方面，它又是高度个性化的工具。

同一个 Agent，到了不同人手里，能做的事情完全不一样。

因为它到底能干什么，不只取决于模型有多强，也取决于你有什么需求、你怎么描述任务、你给它什么材料、你让它调用哪些工具，以及你有没有把自己的工作方法沉淀下来。

所以，用 AI 很像搭积木。

你不一定要懂每块积木背后的技术原理，但至少要知道：这块积木能干什么，那块积木适合放在哪里，几块积木拼起来能不能完成你的任务。

Agent、Prompt、Context、Memory、知识库、工具调用、Markdown、HTML、Skill，其实就是这些积木。

很多人真正卡住的地方，不是不会打开某个工具，而是不知道这些模块分别负责什么，也不知道怎么按自己的需求把它们组合起来。

所以这篇文章，就当作一篇完整的 AI 基础课。

我会按一个普通人第一次打开 Agent 做任务的顺序，把这些概念串起来，也会讲它们背后的逻辑、能做到什么程度，以及普通人怎么把它们放进自己的工作里。

这一篇信息量会比较大，可以收藏起来慢慢看。

一、你打开的不是聊天框，而是 Agent

---

以前我们用 AI，更多是聊天。

你问一句，它答一句。

你让它解释一个概念，它解释；你让它写一段文案，它写；你让它改一封邮件，它改。

这当然有用，但它更像一个临时顾问。

现在越来越多工具开始强调 Agent，也就是智能体。

Agent 可以简单理解成：一个能围绕目标持续做事的 AI 助手。

我们之前讲过的 Coze，可以做智能体和工作流。

现在很多人玩的 QClaw、OpenClaw、Claude Code、Codex，也都可以放进 Agent 这一类来理解。

它们形态不同，有的偏云端智能体，有的偏本地文件处理，有的偏写代码和跑任务，但共同点是：

AI 不只是陪你聊天，而是开始接触文件、调用工具、拆解任务、连续执行。

比如你可以对一个 Agent 说：

“帮我把这场直播做成一套回放资料。先把录音转成文字，再整理知识点和金句，然后写一篇公众号文章，拆一版朋友圈文案，再给我一张回放海报的文案和画面建议。”

这个任务已经不是简单写一段话。

它里面至少包含转录、内容整理、写作、传播文案、视觉策划几个环节。

再比如，你给它一批 Excel 表格，说：

“这是一次活动的报名表、评分表和线上测评分。帮我核对名单、合并数据、计算总分、生成排名，最后写一份活动复盘。”

这也不是普通问答。

它要读文件、理解规则、处理数据、检查异常、输出结果。

所以，Chatbot 偏回答，Agent 偏完成任务。

但要记住，Agent 不是全自动员工。

它能推进任务，但仍然需要人给目标、给材料、定标准、做验收。

这一节你只需要记住一句话：

Agent 不是更会聊天的 AI，而是更会围绕任务行动的 AI。

二、你输入的第一句话，就是 Prompt

---

打开 Agent 之后，你输入的那句话，就是 Prompt。

这个词经常被翻译成“提示词”，但我更愿意把它理解成：任务说明。

以前大家特别强调 Prompt 模板，是因为早期 AI 理解能力没那么强。你要写得很规整，它才比较容易听懂。

现在不一样了。

AI 已经进化到可以理解比较自然的表达。

普通人不用一开始就研究复杂模板，也不用把 Prompt 当成咒语。

关键不是格式多漂亮，而是你有没有把需求说清楚。

比如：

“帮我写篇文章。”

这当然也能写，但 AI 不知道写给谁看，不知道你要什么风格，不知道材料在哪里，也不知道哪些话不能说。

如果你换成：

“帮我搜索时下热门的XX话题，整理成一篇公众号文章，读者是保险从业者，语气专业但口语化，重点讲三个实操方法，最后给一版朋友圈文案，涉及收益和产品判断的地方要谨慎。”

这就清楚多了。

你不需要写复杂 Prompt。

你只要说清楚五件事：

我要做什么；给谁看；我有什么材料；希望输出成什么；哪些地方要谨慎。

Prompt 不是提示词模板，而是任务说明。

三、你们聊过的话、上传的文件，就是 Context

---

接下来会遇到第二个词：Context，上下文。

这个词听起来抽象，其实很简单。

你刚才说过的话，上传过的文件，补充过的要求，AI 已经生成过的版本，当前任务进行到哪一步，这些都是上下文。

它就像一个会议现场。

如果一个人刚进会议室，不知道前面讨论过什么，他很容易答非所问。

AI 也是一样。

它能看到多少上下文，就决定它能接住多少任务背景。

但这里有一个很重要的限制：上下文不是无限的。

AI 所谓“记得你前面说过什么”，本质上是它能读取当前对话里的一部分内容。

这个窗口是有限的。

对话越长，上传的材料越多，它要处理的信息就越多，也会消耗更多 token。

而且，上下文并不是越多越好。

太多旧信息堆在一起，反而可能模糊当前任务。

比如你前面一直在聊“公众号文章”，后来突然让它做“数据分析”，如果没有明确切换任务，它可能还会带着前面的写作语境来理解你。

所以，做复杂任务时，有几个习惯很重要。

第一，关键过程要保留下来。

比如最终确认的大纲、写作要求、数据规则、输出格式，最好单独保存成文件，而不是只留在聊天里。

第二，重要偏好要更新成 Memory。

不要指望 AI 永远从很长的聊天记录里翻到关键规则。反复使用的要求，最好沉淀成记忆或 Skill。

第三，不同任务尽量分不同会话。

写文章、做数据、生成图片、处理客户资料，最好不要全部混在一个长对话里。

第四，中途换方向要明确说。

比如“前面的方案不用了，以这个新大纲为准”，或者“现在切换到排版任务”。

Context 不是永久记忆，而是当前任务现场。现场越清楚，AI 越不容易跑偏。

第一次使用 Agent 的任务顺序：先说清需求，再让 AI 做事。

四、AI 长期记住你的偏好，就是 Memory

---

Context 是当前任务里的上下文。

Memory 则更像长期记忆。

现在很多 AI 工具已经内置了 Memory 功能。

也就是说，系统会帮你记住一部分长期信息。

比如你是谁，你常做什么工作，你喜欢什么表达风格，你不喜欢什么内容，你有哪些稳定的工作习惯。

比如它可以记住：

你常写公众号文章；你喜欢专业但不端着的表达；你不喜欢夸张标题；保险内容不能承诺收益；敏感资料要脱敏；文件修改要另存新版本，不要覆盖旧稿。

这些内容如果每次都重新说，很麻烦。

有了 Memory，AI 就像慢慢熟悉你的工作习惯。

它不是每次从零认识你，而是能带着一些背景继续协作。

但官方 Memory 也有明显限制。

它更适合记住你的“人设、偏好、习惯”，不适合承载每一个具体项目的全部细节。

比如它可以记住你经常写公众号文章，但不一定记得某一篇文章已经改到第几版。

它可以记住你不喜欢夸张标题，但不一定知道这次选题的具体大纲。

它可以记住你的内容风格，但不一定保存某个项目里的所有素材、规则和过程。

所以，更好的做法是分层管理。

长期偏好，放进官方 Memory。

具体任务规则，放进当前 Prompt。

项目过程和阶段性结论，单独生成项目 Memory。

复杂方法，沉淀成 Skill。

还有一个很实用的小习惯：每次做完一个任务，可以让 AI 帮你总结这次流程。

比如让它回答三件事：

这次任务最后确认了哪些规则？

哪些要求以后还会重复用？

哪些内容应该更新到工作记忆里？

这样用得越多，AI 越不是一次性工具，而会慢慢变成一个更熟悉你工作方式的助手。

Memory 不是项目档案，而是长期偏好；项目细节要单独沉淀。

五、让 AI 回到资料里找答案，就是知识库

---

再往下，就会遇到知识库。

知识库解决的是一个很现实的问题：不要让 AI 凭感觉回答。

普通 AI 回答，可能依赖模型已有知识和推理。

但很多工作不能只靠常识。

比如产品说明、培训材料、课程文稿、历史文章、常见问答、公司制度、客户教育资料，这些内容都有自己的依据。

这时候，把资料放进知识库，再让 AI 基于资料回答，就比直接让它自由发挥更稳。

举个例子。

你把一套课程资料、产品条款说明、过往客户问答放进知识库。

之后你可以让 AI 基于这些资料整理 FAQ，改写成公众号文章，或者做成培训讲义。

它的价值不是“AI 更会说”，而是 AI 能沿着你的资料体系输出。

但知识库也有边界。

资料过期，答案也可能过期。

资料本身有误，AI 也会跟着错。

所以关键内容仍然要回到原文核对。

知识库的作用，是让 AI 基于你的资料回答，而不是凭空发挥。

六、让 AI 从会说变成能做，靠工具调用

---

如果 AI 只是在聊天框里生成文字，它更多是在“说”。

当它开始搜索网页、读 PDF、处理 Excel、生成图片、转录音频、运行代码、生成网页，它就开始“做”。

这就是工具调用。

工具调用是 Agent 和普通聊天之间非常重要的分水岭。

比如 Browser Search，可以让 AI 查公开资料、新闻、政策、产品更新。

文件读取工具，可以让 AI 读 Word、PDF、PPT、Excel。

数据处理工具，可以让 AI 清洗表格、合并名单、计算评分、生成图表。

图像工具，可以生成封面图、海报、知识卡片、视觉草案。

语音转录工具，可以把直播、课程、会议变成文字。

代码工具，可以批量处理文件、生成小工具、做自动化。

这就是这轮 AI 真正变化的地方。

它不只是回答更像人，而是开始能接触真实工作材料。

文件、表格、网页、图片、音频、代码，都可以进入 AI 的工作现场。

工具调用让 AI 从“会说”，变成“能做”。

七、AI 和人类沟通的桥梁，先讲 Markdown

---

很多人以为 AI 只会中文、英文。

其实 AI 很擅长一种更重要的东西：格式。

这里先讲两个最常见、最有用的格式：Markdown 和 HTML。

Markdown 可以简称 MD。

它是一种轻量文本格式，用一些普通符号表达标题、段落、列表、引用、表格和链接。

你现在看到的很多 AI 输出，其实就很接近 Markdown。

比如用 # 表示标题，用 - 表示列表，用 加粗 表示重点。

它为什么适合 AI？

因为它干净。

结构清楚，纯文本，容易生成，容易修改，容易复制，人能看懂，AI 也容易处理。

写大纲、写文章、写会议纪要、写说明书、整理知识库资料，都很适合用 Markdown。

那为什么不直接用 Word？

不是 Word 不好。

Word 更适合最终排版和正式交付。

但 Word 里面有大量隐藏格式、字体、样式、段落设置。对 AI 来说，在思考、重写、拆结构、改大纲的阶段，这些复杂格式反而会干扰内容处理。

可以这样理解：

Markdown 更像干净的内容骨架，Word 更像已经穿好衣服的正式文件。

AI 工作流里，先用 Markdown 把内容结构写清楚，再转成 Word、HTML、PPT，通常会更顺。

八、HTML，正在变成 AI 时代的通用交付格式

---

另一个很重要的格式，是 HTML。

HTML 是网页的基础语言。

普通人不需要学代码，只要知道它能把内容变成一个可展示、可排版、可交互、可继续加工的页面。

AI 很擅长 HTML。

因为 HTML 结构明确，可以承载文字、图片、按钮、布局、颜色、卡片，也可以和图表、动画、视频结合，还能直接在浏览器里预览。

这就很关键。

过去你让 AI 写文章，它最多给你一段文字。

现在你可以让 AI 把一篇文章做成公众号排版页面，把一份数据分析做成报告页，把课程资料做成知识页面，把活动介绍做成宣传页。

再往办公场景看，很多新的交付物都可以用 HTML 承接。

交互网站，本质上是 HTML。

数据看板，可以用 HTML 做。

在线课件、产品演示页、项目展示页，可以用 HTML 做。

甚至一些 PPT 式的汇报页面，也可以先用 HTML 做出一版，再转成演示材料。

更前沿一点，现在不少视频生成和剪辑工作，也会把 HTML 当成基础画布。

先用 HTML 做出页面、字幕、图表、动效，再把它渲染成视频。

这意味着 HTML 不只是“网页格式”，而是 AI 把内容变成交付物的一条重要通道。

Markdown 适合整理内容骨架。

HTML 适合把内容变成可展示、可交互、可转换的成品。

未来很多普通人的 AI 交付，不会停在一段文字上，而会变成页面、看板、课件、视频和自动化工具。

Markdown 管内容骨架，HTML 管展示交付。

九、Skill 不是提示词，而是专项能力包

---

接下来讲 Skill。

这个词很重要，也很容易被低估。

Skill 可以理解成一个被打包好的工作方法。

它不是几句提示词，而是一整套做某类任务的规则和工具。

一个 Skill 里可能包括：这类任务的目标、操作步骤、输出格式、常见错误、风格要求、可调用脚本、模板素材，以及特定工具的使用方法。

这样看，Prompt、Memory、Tool、Skill 的区别就清楚了。

Prompt 是这次你怎么吩咐它。

Memory 是它长期记住你的偏好。

Tool 是它可以使用的外部工具。

Skill 是它做某一类事情时调用的专业方法。

比如写公众号文章，不只是“生成一篇文字”。

它需要判断读者是谁，开头怎么切，观点怎么立，哪些词不能用，标题要不要克制，结尾怎么引导。

这些都可以沉淀成写作 Skill。

再比如数据分析，不只是“算个平均数”。

它要知道怎么清洗数据，怎么处理缺失值，怎么检查异常，怎么生成图表，怎么写结论。

这些也可以沉淀成数据分析 Skill。

前段时间很火的“女娲.skill”和“同事.skill”，本质上就把 Skill 的想象力往前推了一步。

它们不只是让 AI 学会一个工具，而是尝试把一个人的思维方式、表达习惯、决策启发式，整理成 AI 可以调用的 Skill。

这件事当然有隐私和边界问题，不能随便拿别人的资料去蒸馏。

但它说明了一个方向：

Skill 不只是“工具说明书”，也可以是一个人的经验、判断和工作方法。

回到我们自己的工作，其实也是一样。

你怎么写公众号，怎么做直播复盘，怎么整理课程资料，怎么分析一张表，怎么做客户教育，怎么把文章变成海报和朋友圈文案。

这些反复做的动作，本质上都可以沉淀成自己的 Skill。

Skill 不是功能清单，而是工作方法的沉淀。

Skill 不是功能清单，而是工作方法的沉淀。

十、我平时真正会用到的复杂 Skill

---

前面那些搜索、读文件、转录、数据分析、图片生成、写作，都可以算基础能力。

真正进入工作之后，更有价值的不是单个能力，而是复杂 Skill。

也就是把多种能力组合起来，形成一个可以反复调用的工作方法。

这里挑几个我平时更常用、也更能体现 AI 能力的 Skill。

第一个，中文内容写作 Skill。

它不是简单帮我写一段话，而是围绕公众号文章、软文、朋友圈文案、直播脚本、课程讲义，形成一套完整写作方法。

比如先判断读者是谁，再确定主线，再列大纲，再写正文，再处理标题、结尾、朋友圈版本和传播口径。

它的价值不是替你“码字”，而是把你的表达标准固定下来。

第二个，课程回放内容 Skill。

一场直播或课程结束后，不只是整理逐字稿。

它可以继续整理知识精讲、案例、金句、整理版原文、回放海报文案和朋友圈推广文案。

如果再接上转录、配图和排版能力，一场直播就可以变成文章、海报、朋友圈、短视频脚本和课程资料包。

这就是把“说过的话”变成一整套可传播素材。

第三个，办公数据分析和经营复盘 Skill。

它可以处理 Excel、问卷、活动评分、直播数据、销售数据。
工具会变，Skill 会变，但你提出任务、寻找能力、组合流程的意识不会过时。

十一、根据你的工作需求，组合自己的 AI 工作流

---

讲到这里，AI 能干什么，其实已经不适合再用一个清单回答了。

更准确的说法是：

你有什么工作需求，就可以组合不同 Skill，形成自己的工作流。

如果你经常写文章，可以把搜索、资料整理、中文写作、HTML 排版、知识卡片组合起来。

如果你经常做直播和课程，可以把转录、课程整理、回放文案、海报文案、短视频脚本组合起来。

如果你经常处理数据，可以把 Excel 分析、图表生成、中文复盘、报告页面组合起来。

如果你经常做培训，可以把知识库、FAQ、公众号文章、朋友圈文案、卡片图组合起来。

如果你经常做项目展示，可以把资料整理、HTML 页面、PPT 式汇报、HyperFrames 视频组合起来。

这才是 AI 工作流真正有意思的地方。

不是每次都从零问：

“帮我写一篇文章。”

而是慢慢变成：

“这是我的文章工作流。”

“这是我的直播复盘工作流。”

“这是我的数据分析工作流。”

“这是我的客户教育工作流。”

再往后，你会发现，所谓 Skill，其实就是你工作方法的沉淀。

你平时怎么判断、怎么拆解、怎么写、怎么检查、怎么交付，都可以一点点交给 AI 学会。

不用等所有名词都弄懂再开始。

先打开 Agent，交给它一个真实任务。

第一次，可能只是让它写一段话。

第二次，你开始上传文件。

第三次，你让它读资料、做表格、生成图片。

再往后，你会自然理解什么是 Context、Memory、Tool、Skill、Workflow。

这些词不是背出来的，是用出来的。

这个 AI 实操篇，先收在这里。

下一篇，我们再给这个系列做一个总收尾。

最后提醒

AI 负责提高效率，人负责提出需求、判断质量和守住边界。先用起来，在真实任务里学习，比先背概念更重要。

最后

最近两年互联网招人逻辑完全换了赛道：

只会写基础业务代码、天天做CRUD的传统开发岗位越来越少，能落地AI大模型、帮公司做业务智能化的技术人，成了各大大厂抢着要的香饽饽。

2026年春招市场，大模型相关岗位直接稳居招聘第一位！

AI相关岗位数量同比暴涨8.7倍，在所有新经济岗位里占比从2.78%飙升到22.03%，简单说：10个技术岗，2个都是AI大模型岗。

头部大厂2026春招全员押注AI，传统岗位持续缩编

• 字节：春招总共放出7000个名额，研发岗4800+，70%名额全部倾斜AI开发、AI产品，人才缺口巨大
• 腾讯：春招扩招1万人，技术岗扩招36%、产品岗扩招39%，扩招核心全是大模型方向
• 华为：全年持续开放AI实习岗，覆盖全赛道：底层算力基建、大模型应用开发、LLM工程师、AI数据安全隐私等

数据来源脉脉，侵删

不管你是写了多年代码的老程序员、刚入行的初级开发，还是零基础想转行跨进互联网的普通人：

现在几乎所有企业招人，都把 “会大模型落地” 当成硬性加分项。

只会传统开发，未来只会面临裁员、降薪、岗位缩减；主动学大模型，才能躲开内卷，抓住持续多年的高薪风口。

别等行业淘汰再补救，现在入局正是红利期！

今天贴心为大家准备好了一系列AI大模型资源，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

有需要的小伙伴，可以点击下方链接免费领取【保证100%免费】

1、学习路线图

2、视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

3、技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4、LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

5、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

6、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？