这是《AI 入门指南》拆分系列第 5 篇。前面我们已经把聊天框、工作台、coding agent、Prompt、Context、Tool Use、RAG、MCP、LLM Wiki 都拆开看过了。到了最后这一篇，真正的问题只剩一个：模型开始能做事之后，怎么让它可控、可测、可维护？ 很多团队第一次做 Agent，最先遇到的障碍并不是“模型不够聪明”，而是系统根本不稳。

这是《AI 入门指南》拆分系列第 4 篇。前一篇我们只讲了 Agent 的最小系统骨架；这一篇开始补最关键的基础设施：方法怎么沉淀、工具怎么连接、知识怎么检索、知识库怎么维护。 如果说上一篇回答的是“Agent 为什么是一个系统”，那么这一篇要回答的就是：这个系统到底靠什么站稳。

这是《AI 入门指南》拆分系列第 3 篇。这一篇不讲 RAG、MCP、Skill 这些基础设施细节，我们先只做一件事：把 Agent 最小的系统骨架看清楚。 上一篇我们讲的是 AI IDE -> coding agent，它让我们看到 AI 已经不只是“给建议”，而是在某些场景里开始承担交付责任。可一旦你继续往下问，就会发现问题不再只是“模型聪不聪明”，而是“它到底看到了什么”“它会不会乱用工具”“它怎么决定下一步做什么”“它该记住

这是《AI 入门指南》拆分系列第 2 篇。这一篇专门讲开发工作流：从 AI IDE 到 vibe coding，再到 coding agent，以及为什么工程验证会变成真正的分水岭。 上一篇我们讲的是：AI 为什么不再只是聊天框，而会慢慢长成工作台。那下一步最自然的问题就是：当 AI 真正进入工作现场时，它会先进入哪个场景？

这是《AI 入门指南》拆分系列第 1 篇。我们先不急着讲 Agent、RAG、Harness，先把最容易被忽略的一层看清：AI 为什么会从一个聊天框，慢慢变成工作台。 很多人第一次接触 AI，都是从网页聊天开始的。打开 ChatGPT、Gemini、Kimi、豆包、通义，输入一句话，它回一句话，够快、够顺、够惊艳。也正因为第一印象太强，很多人会自然把 AI 理解成“一个更聪明的聊天框”。