成为 Agent Native

0课前准备：选择你的 Coding Agent

开始之前，请先准备好至少一个 Coding Agent。推荐以下两款：

1形而下：Coding Agent 能做什么

首先需要扭转一个观念：Coding Agent 不只是写代码的工具，它能做的事情远比你想象的多。

1.1 所有 Chatbot 能做的事，Coding Agent 都能做

基础问答 & 搜索

和任何聊天机器人一样，Coding Agent 可以回答问题、搜索信息。比如直接问"现在特斯拉的股价是多少？"：

多模态理解

虽然 Claude Code 看起来是一个命令行工具，但它实际上可以粘贴和理解图片：

对话回退与打断

对话写错了？可以随时回退到之前的节点；任务太久？可以随时打断：

1.2 Chatbot 不能做的，Coding Agent 也能做

除了聊天功能，Coding Agent 还拥有 Chatbot 不具备的能力：

• 写代码——这是本职工作
• 直接读写文件——可以访问你的本地文件系统
• 接入自定义 Skill——可定制化程度极高（但不要迷信 Skill，绝大部分实践中都不需要太多）
• 将"非编程任务"工程化——这是最被低估的能力

案例：用 Coding Agent 做一份专业文档

下面的例子展示了如何用 Coding Agent 做一份关于 AI 模型计算与存储的教程。输入你的需求描述：

Agent 会自动生成一个完整的 HTML 文件（点此查看实际产出），效果就像你现在正在阅读的这份文档一样——有排版、有公式、有图表。

2Coding Agent 的形而上

很多人深入使用过 Claude Code——装了一堆 Skill、改了 CLAUDE.md、研究了 Plan Mode——但发现自己还是不会用，没法真正产出高质量的结果。这是为什么？

因为——

"No Silver Bullet"（没有银弹）
—— Frederick Brooks，《人月神话》

软件工程中的这句名言同样适用于 AI：没有一种万能工具能轻松解决一切问题。完成任务的约束，来源于事物本身的复杂性。

两种复杂性

AI 非常擅长消灭偶然复杂性，但对本质复杂性束手无策。你不能直接说"帮我投资一个五年十倍的公司"然后坐等结果——因为投资本身就是极其复杂的事情。同理，"做一个未来十年后台管理系统"也不可能一句话就搞定——账号分配、权限界定、数据存储、运行环境……每一个都是需要深入思考的问题。

理解了这一点，我们就可以引出使用 Coding Agent 的三个法则。

3法则一：对你要做的事建立概念

反面：没有概念会怎样？

最极端的例子：跟 AI 说"给我写一个程序，让它每天给我赚10000块钱"——这显然很荒谬。但很多人提出的需求，比如"帮我看一下 XXX 公司值不值得投资"，在本质上是同样荒谬的。它们都忽视了对事物实现的关键路径的理解，直接伸手要答案。

正面：建立概念后的样子

对事物的关键路径建立概念后，中间有清晰的步骤、有迭代、有回环——最终才能导向结果：

这才是"建立了概念"后该做的事情。每一步都可以交给 AI 来执行，但路径本身需要你来规划。关键路径中有环、有迭代——这正是事物本质复杂性的体现。

如何弥补概念空缺？

很多人不是故意忽视关键路径，而是确实不了解这个事物。人的智能和 AI 的智能，都是锯齿状的——只有把两者弥合起来，才能形成更完善的智能：

弥合的办法有三个：

1. 红色：去学习——不懂就学。你想开发网站，就得了解前端后端是什么、框架意味着什么、服务器和 Serverless 的区别
2. 蓝色：等 AI 变强——AI 确实在越来越聪明，一年后的模型一定比今天更强
3. 绿色：让 AI 来引导你——这是今天重点要讲的方法

实操：Grill Me（拷问我）

一个叫做 Grill Me 的 Skill，用诘问的方式逼迫你去了解事物本身的概念。比如你说"请对特斯拉进行估值"，AI 不会直接给你答案，而是会反问：

• "你想估的到底是什么？是长期内在价值，还是 1 年后的目标价？"
• "你怎么看待特斯拉这家公司？各个业务怎么看？"
• "用什么估值方法？"
• "Robotaxi 要不要纳入估值框架？FSD 呢？"

这些问题本质上都在弥补你对这个概念的理解空缺：

4法则二：与你的 Coding Agent 同步

"同步"有两个方向：让 AI 跟你同步，以及你跟 AI 同步。

4.1 让 AI 跟你同步——探索模式

反面：不同步的 AI

直接问 AI"今天的特斯拉是不是一家好公司"，它会输出一堆看似正确的话，但无法映射到决策：

原因在于：AI 只有逻辑，没有你的语境。它没有跟你的世界观、投资方法论结合起来。

正面：探索模式（Explore Mode）

不要直接命令 AI，而是先让 AI 理解你的语境。操作步骤：

这样设计几个关键问题有两个好处：让 AI 更有针对性地了解核心内容；你可以以此验证 AI 有没有真正理解：

当 AI 理解了你的语境后，再提真正的问题——你会发现它变得异常"聪明"：

进阶：Ubiquitous Language（共同语言）

除了探索模式，还可以让 Agent 落一些文档到 Markdown 文件上，"逼"它去理解你。推荐一个 Skill 叫 Ubiquitous Language——它让 Agent 抽出你们共同的专属术语，比如"品类定义者"是什么、"车不是车"和"车还是车"是什么意思。有了这套语言后，你就能检验 Agent 是不是真的懂你了：

4.2 你跟 AI 同步——理解上下文

同步的另一面是你要理解你的 Agent。理解的核心就是一个词：上下文（Context）。

一些关键数字帮你建立直觉：

• 目前最大上下文窗口：约 100 万 token（但这不是甜点区）
• 甜点区：10–20 万 token——超过这个区间就会出现遗忘和遗漏
• Token 包含很多看不见的部分：思维链、中间处理过程、每个 Skill 的占用

真正的 Token 使用情况，可以通过 /context 命令查看：

Codex Claude Code

在 Codex App 中，点击左上角会话信息即可查看当前上下文用量和剩余额度。

在 Claude Code 运行过程中输入 /context 命令，即可查看当前 token 使用情况和各模块占比。

上下文管理要点

• 时刻关注上下文大小——超出承受区间就要压缩（Codex 和 Claude Code 都有压缩指令）
• 新任务新对话——如果要开始一个全新任务，新开一个对话或用 clear 命令
• 用分支对话——把不在主线的问题放到分支，不占用主线的上下文

Codex Claude Code

Codex App 中可以长按某条消息创建分支，分支对话独立于主线，不会占用主对话的上下文。

Claude Code 中输入 /btw 即可开启一个分支对话，处理旁支问题而不污染主线上下文。

5法则三：构建反馈闭环

对比：有无反馈闭环的差异

❌ 没有反馈闭环

直接让 AI 生成一页分析报告。看起来还可以，但内容不深入、格式不符合要求。

✓ 构建反馈闭环

给出明确的评价标准，让 AI 自己看自己的产出并自我迭代。结果质量大幅提升。

如何构建反馈闭环？

然后在 Prompt 中要求它反复迭代即可——这个过程可能需要较长时间，但产出质量会有质的飞跃。

6总结与思考