General Agents
这些工具不只是会说话：它们会做事。学会驾驭其中一个；本书后面的所有内容都建立在这项能力之上。
Foundations 教会了你 AI 是什么，以及在使用 AI 时如何保住自己的判断力。本节就是你拿起本书其余部分会一直使用的工具的地方：一个 general agent，也就是不只会回答、还会行动的 AI。它会打开你的文件、阅读它们、编写并运行代码，还会使用其他应用把任务完成。
开始时不用安装任何东西。本节的第一步，就在你学习 Foundations 时使用的同一个浏览器标签页里完成：
- 网页上的 General Agents：这是整个章节的正门。无需安装，直接在浏览器标签页里指挥第一个真正的 agent：了解什么是远程会话、文件实际存在哪里、审批如何发送到手机，以及如何用同一套结构理解任何新的 agent 产品。无论会不会编程，每个人都在第 1 天从这里开始。
准备好把 agent 带到自己的设备上时，进入本节其余内容有两扇门，走哪一扇只取决于你是谁：
- Claude Code 和 OpenCode：给和代码打交道的人。
- Cowork 和 OpenWork：给其他所有人。同样的能力，但放在面向专业与知识工作的桌面 app 里。
同一个想法，不同的受众：你指挥一个 AI 做真实工作，而不是只和它聊天。
这是整本书的枢纽。后面的几乎所有内容，都假设你能驾驭 general agent。Mode 1（一次性解决问题）和 Mode 2（制造永久 worker）本质上都是「你加一个 general agent」。就连可选的 Personal Agent Harnesses 过渡，也要通过其中一个工具来安装并运行它的 harness。所以这是你会反复使用的一项技能。之后，你在这里驾驭的同一个 general agent，会变成你用来构建 worker 的工具。还是同一个工具，只是任务变大了。
本节分三阶段
这里的课程沿着一条线推进：从你时刻握着工具，到精确指挥它，再到设计一个替你运行它的 loop，加固 loop 运行所在的 harness，让多个 loop 共享同一份记忆，最后衡量中心的检查器是否值得信任。
阶段 1：驾驭
学会把 general agent 操作好。每个人都先从网页版开始，无需安装；然后选择适合自己的本地工具课程，以后再学其他课程。
- 网页上的 General Agents：从这里开始，在浏览器中即可使用，无需安装。在 2026 年 7 月的网页工作界面上指挥第一个 agent，了解远程会话、文件位置、发送到手机的审批，以及用六部分视角理解任何 agent 产品。每个人都先学这门课，再选择下面的本地工具。
- 开源 LLM：你的笔记本、服务器或集群，以及云端：这是编程路线的第一站。开源模型可以免费下载，真正的问题是在哪里运行。本课程介绍三个规模：用 Ollama 在自己的笔记本上运行；用 vLLM 在自己控制的 GPU 设备上同时服务 50 人；通过 OpenRouter 在云端使用无法自行托管的前沿开源模型。要记住一个核心观念：agent 由 harness 和可替换的大脑组成，大脑只是一个地址。第 1 部分可以独立学习，只需要一次免费安装。如果你尚未使用过 coding agent，其一条命令的安装步骤会为你启动一个。知识工作者可以完成第 1 部分，获得属于自己的私有 AI，然后直接转到 Cowork。
- Agentic Coding：Claude Code 和 OpenCode：给和代码打交道的人。Plan mode、context 管理、规则文件、skills、subagents、connectors（MCP）：怎样驾驭一个 coding agent，让它读取你的文件、提出计划、完成修改，并让你检查结果。
- 面向专业人士的 Cowork 和 OpenWork：给其他所有人。同一类 agent，但放在为专业工作而建的桌面 app 里（文档、表格、幻灯片、研究），所以你不用碰终端，也能把它投入工作。
- 网站设计：在这门课里，你不再只学机器本身，而是把它用在真实项目上。从空文件夹开始，为一位客户建一个网站，直到别人能在手机上打开它：在像素之前规划故事，把客户品牌当作规则而不是氛围，使用真实照片和视频，不把手机版当作补充，并用截图测试「看起来对不对」。它为后续阶段留下的核心观念是：品味现在是一份文件。能够操作上面任意一款工具后再学它。当你真正发布过作品，并亲自感受过工作会在哪里出错之后，就更容易理解 spec 和 loop 为什么重要。
阶段 2：指挥
驾驭能让你得到结果；指挥能让你每次都得到正确的结果。
- Spec-Driven Development：停止给 agent 模糊指令，开始交给它一份写清楚的 spec：到底要做什么、作用在什么对象上、什么才算「完成」。清楚的 spec，是 agent 猜测和 agent 命中目标之间的差别；当你进入 Mode 2 时，它也是你首先带过去的东西。
阶段 3：委派 loop
这一阶段先用一张地图开场，再逐一构建地图中的内容：设计 loop，加固它运行所在的 harness，让多个 loop 共享同一份记忆，再用 eval 证明中心的检查器。最后一门课则回答它们共同引出的问题：一个 loop 值得信任之后，应该运行在哪里？
- 四层结构：先读这门课，不到一小时即可读完。它是后续所有内容的地图：prompt、context、harness 和 loop 并不是四种任选其一的技能，而是四个层层嵌套的容器，每一层都有自己的工作单元。收获是一种习惯，而不是一种技巧。当 agent 花 40 分钟和 50 美元反复做同一件事时，你不再重写 prompt（这一层 10 秒就能改），而是开始追问究竟哪一层出了问题。它也会说明图该放在哪里，而且图并不是第五层。无需安装任何东西；只需要一个聊天标签页，以及一个你已经驾驭过的 agent。
- Loop Engineering：从一直握着工具，跳到设计一个替你提示 agent 的系统。你会构建一个小 loop：它醒来，查看发生了什么变化，判断什么值得做，把每项工作交给 agent，检查结果，并且只在真正需要人做决定时才叫你。真正有价值的技能，从你写的 prompt，转移到你设计的 loop。这也是通往后续一切的自然入口。
- Harness Engineering：这是同一次跨越里关乎信任的那一半。一个在你睡觉时仍在运行的 loop，需要有一层决定 agent 可以做什么、必须知道什么、工作如何得到证明，以及出错时会发生什么。这一层就是 harness，Claude Code 和 OpenCode 各自都自带一个。这门课教你有意识地打造它：权限墙、sandbox、自动检查，以及把每次抓到的错误都固化成规则、让它无法重犯的习惯。
- Graph Engineering：这是记忆的那一半，也是一个 loop 不再够用时应学的课程。将任务分发给 20 个 agent 后，每个 agent 都从空白开始，重新发现另一个 agent 一小时前找到的内容：工作增加了，记忆没有。解决方法是不再把发现留在对话记录中，而是写成任何后续 agent 都能查询的有类型、有连接的记录：agent 会忘记，图不会。保持两张独立的图，一张记录尝试过的工作，一张记录已确立的事实；每个断言都附上证据；只给每个 worker 一小部分信息，而不是整体倾倒；让 reviewer 引用一条边，而不是给出意见。当你构建第二个 loop 时阅读本课，它也会坦诚说明什么时候不应该构建图。
- 信任检查器：loop 正在运行，harness 正在证明工作，中心的检查器则输出 PASS 或 FAIL。但你如何知道检查器足够好？本课程教你使用 eval：根据真实失败构建一个小型测试用例文件夹，对 reviewer 进行多次评分而不是一次，用自己的判断校准它，并用结果阻止不合格的变更。它用文件、shell 和 jq，把「检查器说 PASS」变成一个你能够辩护的数字。
- 离开笔记本：这是 runtime 决策。已经在笔记本上证明可行的 loop 仍被困在一台设备上。本课程把它迁移到真正运行的地方，可以是云端计划、托管 runtime，也可以是你自己的进程，而不丢失已经赢得的记录。它收尾了阶段 3：loop 在运行，harness 在守护，检查器值得信任，现在它也运行在一个不会随你休息而停止的地方。
四个词，一层套一层
上面三个阶段使用了行业中经常混用的四个词：prompt、context、harness 和 loop。下面这张图展示了它们的结构，让你看清每门课负责哪一层。四层结构 会用大约 50 分钟把这套结构讲透，也是进入阶段 3 后首先应读的课程。
| 词 | 定义 | 工作单元 | 负责它的课程 |
|---|---|---|---|
| Prompt | 你发送的消息：请求、示例和格式。 | 一条消息 | AI Prompting in 2026 |
| Context | 模型为生成一次响应而看到的一切：文件、历史、规则和工具结果。 | 窗口中一步步保留的内容 | Agentic Coding 第 2–4 部分 |
| Harness | 单次运行内的规则：agent 可以做什么、工作如何得到证明、失败时会发生什么。 | 一次运行 | Harness Engineering |
| Loop | 包围一切的计划：启动运行、评分结果，并记住多次运行之间的信息。 | 数天内的多次运行 | Loop Engineering |
这四个词不是一条直线上的步骤，而是一层套一层。好 prompt 在坏 context 中会失败，好 context 在裸 harness 中会失败，好 harness 没有 loop 就会闲置。这就是为什么一个在 demo 中有效的 agent，到了生产环境却经常失败：demo 只需要内层，而外层从未建立。问题不在模型，而在周围缺少的层。
本节有一门课不负责这四个词中的任何一个，这是有意的。Graph Engineering 根本不是第五层，而是一种拓扑：把许多这样的层栈连接起来，共享同一份记忆。它没有出现在表格中，因为在你运行多个 loop 之前，这个词没有价值；这也正是它排在四层之后的原因。
好 prompt 会给你一个聪明的答案。四层合在一起，才会给你一个可以发布的东西。四层结构 会逐层拆解，给出每一层的失败特征，并把「我的 agent 坏了」变成一个能定位到具体地址的问题。
你需要先具备什么
先完成 Foundations 这一节，尤其是 AI 时代如何思考（保住自己的判断力）和 技能与连接器（general agent 用来触达你的工具和数据的插件）。你不需要是程序员：如果你不是，就走 Cowork 和 OpenWork 这扇门，你完全可以继续。
它通向哪里
一旦你能驾驭、指挥、把 general agent 放进 loop 并加固它，整本书的其余部分就打开了。如果你想拥有一个运行在自己基础设施上的 worker，可选的 Personal Agent Harnesses 就在前面。然后就是整本书围绕的分叉：Mode 1：问题解决，用 general agent 一次性解决一个问题；以及 Mode 2：制造，构建一个永久 worker，让它永远替你解决这个问题。
本书的弧线一句话概括就是：Foundations 用来理解，General Agents 用来驾驭，两种 mode 用来投入工作。
先在浏览器中学习 网页上的 General Agents：每个人都能在第 1 天从这里开始，无需安装。然后，把 agent 带到自己的设备上时，再选择适合自己的入口：如果你和代码打交道，就选 Claude Code 和 OpenCode；否则选 Cowork 和 OpenWork。