The Little Token Seller: AI Collaboration & Agent Engineering

Curriculum

1. 00
   卖 Token 的小女孩

   管理 AI 成本，不是处处少说几个字，而是减少误解、返工、重复检索和错误风险。先分清容量账、计算账与额度账。

2. 01
   认识 LLM

   LLM 首先是一台根据上下文预测下一个 Token 的生成机器。语言流畅不代表事实正确，参数量也不等于智商。

3. 02
   提示词

   Prompt 不是咒语，而是一份任务接口：目标、相关事实、范围、输出与验收越清楚，模型越不需要猜。

4. 03
   上下文工程

   上下文工程不是无限续聊，而是选择、组织、更新模型当前真正需要的信息，并在阶段边界使用 Context Pack 与 Handoff。

5. 04
   LLM 能力的发展

   能力提升来自 Scaling、后训练和推理，也来自多模态、搜索、RAG、记忆、代码执行等外围系统。

6. 05
   从模型到 Agent

   Agent 不是回答更长，而是在目标、状态、工具与反馈构成的循环中决定下一步，直到完成或触发停止条件。

7. 06
   Harness

   Harness 把模型、上下文、工具、Skill、MCP、权限、日志和交付组织成可协作、可控制、可审计的系统。

8. 07
   AI 项目实施方法

   多数人先遇到的是用 AI 开发传统软件，而不是构建 Agent。两类项目共享目标、PRD、Git 与验收，但智能体项目还需要对话树和持续评测。

9. 08
   Codex 和实际工作

   Codex 在真实工作区中读取文件、规划、修改、测试和交接。模型与思考强度应按任务选择，Git 是可靠协作底座。

10. 09
    技术选型

    选型从真实任务、数据边界和团队约束开始。模型、部署和语言都要考虑完整成本、依赖管理与退出路径。

11. 10
    科技行业典型应用

    从产品、研发、测试、设计、数据、运维和管理岗位出发，优先寻找高频、可验证、低风险且人工成本高的任务。

12. 11
    可选实验环节

    一次惊艳演示不能证明方法有效。实验需要固定变量、重复运行、记录失败，并把质量、时间、Token、人工与风险放在同一张表。

13. 7A
    实战：用 AI 开发预约系统

    用一个普通预约系统走完整个 AI 辅助开发流程：目标、调研、PRD、原型、分阶段开发、手动测试、部署与迭代。

14. 7B
    实战：构建 AI 智能体项目

    围绕架构选型、窄工具、关键对话树、Golden Set、聊天数据分析和快速迭代，构建可评测的智能体产品。