小白程序员必备：手把手教你驾驭大模型完成复杂任务-北京尧图网络

本文深入解析了AI大模型在任务执行中的能力演变从基础的提示词工程到复杂的Agent架构介绍了Prompt、Context、Harness、Loop、Graph等关键技术。通过实例说明如何利用这些技术让AI完成信息收集、核实、报告生成等复杂任务并强调了持续改进和优化的重要性。对于希望提升AI应用能力的开发者来说本文提供了实用的指导和参考。让 AI 回答“有哪些好用的文档协作工具”和让它“比较三款产品核实价格和使用限制整理成一份有出处的报告”看起来只差一句话背后需要的能力却很不一样。前一个问题给出一段回答就可以结束。后一个任务需要查资料、判断哪些信息可信、处理互相矛盾的说法还要检查报告有没有遗漏。做到一半被打断下次最好能接着做。回看这几年Agent 架构的变化有一条很清楚的线索我们希望交给 AI 的工作越来越完整原本需要人补上的信息、操作和检查也就逐渐被写进了系统。Prompt、Context、Harness、Loop、Graph Engineering 的代表性公开讨论时间。#01Prompt从写好提示词开始在聊天式的用法里我们最容易调整的是提示词Prompt。目标怎么描述背景交代多少要不要给一个示例都会影响回答。这些围绕指令和示例的设计通常叫作提示词工程Prompt Engineering。比如“比较一下这三款产品”就比较模糊。如果补充“五人团队使用主要关注共同编辑、权限管理和总费用价格以官网为准”模型就更容易理解该查什么、怎样比较。但即使要求说得很清楚查官网、找价格、把新资料补进对话仍然可能要你来做。AI 负责回答你负责推动整个过程。一个重要的变化是让模型参与决定下一步操作。2022 年提出的 ReAct 方法就是这条路线上的代表性工作模型交替进行推理和行动通过外部工具取得新信息再据此调整下一步。放进查资料的任务里它可以先搜索官网发现价格分月付和年付再打开详细说明发现某项功能只有高价套餐提供就继续核对套餐差异。工具返回的结果会影响它接下来做什么。这样就形成了一个基本的工作循环判断下一步、调用工具、读取结果再决定继续还是结束。不过能自己查资料以后另一个问题很快出现了查到的东西越来越多它还能一直记得我们最初要什么吗#02Context让模型看到合适的信息一份产品对比可能涉及几十个网页。里面既有最新价格也有过期的测评既有关键限制也有大段与任务无关的介绍。如果全部塞进对话模型需要处理的内容会迅速增加。模型在当前这一步能看到的指令、历史消息、工具说明和查询结果合起来叫作上下文Context。模型能接收的内容有长度限制即使没有超过限制材料过多、重复或互相矛盾也可能让它漏掉重要条件。因此工程师要处理的事情从“这句话怎么写”扩展到了“这一步应该给它哪些信息”。这就是上下文工程Context Engineering关注的问题。查价格时需要保留团队人数、计费周期和刚找到的套餐说明检查权限功能时再读取对应的帮助文档。较长的网页可以保存在外部需要时重新打开已经确认的事实则整理进简短的记录。这也解释了为什么把所有聊天记录都留下来并不等于做好了记忆。存下来的内容需要在合适的时候被找出来模型才能用上。Anthropic 官方图对比提示词工程与上下文工程。左侧围绕提示词组织一次回答右侧从文档、工具和记忆中筛选信息并接收工具反馈。*来源*https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents前面提到的搜索、资料整理和进度记录都依赖模型之外的软件。任务越长这部分软件要承担的事情也越多。#03Harness给模型一个能够完成工作的环境假设模型已经判断出某个报价过期了它需要重新打开网页报告写完了它需要保存文件查询失败了它需要知道是页面不存在还是暂时无法访问。这些事情都要依靠模型之外的软件来完成。围绕模型组织工具调用、上下文、任务状态和执行规则的这套运行系统通常被称为 Agent Harness。设计和改进这套系统就是 Harness Engineering。还是这份报告。搜索工具负责取得资料文件工具负责保存内容任务记录负责留下进度。遇到需要登录的页面系统要明确返回访问限制如果任务涉及开通试用或付费执行环节还要落实相应的授权要求。模型负责判断该做什么运行系统负责让操作实际发生并把结果带回来。工具是否好用、错误是否清楚、操作后能不能看到真实结果都会影响最后的交付。LangChain 官方 Agent Harness 结构图。*模型居中周围的系统负责提供上下文、控制流程、执行行动、保存记录和检查结果。*来源https://www.langchain.com/blog/the-anatomy-of-an-agent-harness任务再长一些还会遇到交接问题。上一轮已经核对过两款产品下一轮应该知道剩哪一款文件已经保存成功恢复时也要能确认当前版本。如果只留下“继续完成报告”这句话接手时就得重新查找进度。在长时间运行的 Agent 实践中一种有效的做法是保存任务清单、已完成的工作和验证结果让新的会话据此接手。Anthropic 在 2025 年底分享的编程 Agent 实验就用功能清单和进度文件处理了这种跨会话交接。任务记录还需要放在能持久保存的地方。运行进程退出后下次恢复才能重新读取它们核对已经发生的操作再继续剩余工作。至此Agent 有了完成较长任务的基础。不过报告写出来以后由谁判断它是否达到了要求#04Loop让系统根据结果继续推进“报告已完成”是模型给出的结论。价格有没有核实、三款产品是否按同一种计费方式比较、引用能不能支持正文中的判断还需要逐项检查。前面提到的执行循环Agent loop让模型根据工具结果决定下一步行动。要判断产出是否合格可以在它外面加一层验证循环Verification loop检查结果发现问题就带着反馈返回修改。比如程序可以检查三款产品的必要字段是否齐全、费用计算是否正确事实与来源是否一致可以安排另一轮核对。检查发现价格缺少计费周期就把具体问题交回执行环节补查后再检查。对来源冲突、难以判断的内容则保留疑问交给人处理。LangChain 官方验证循环图结果通过检查后结束未通过则带着反馈重试。*验证循环示例Level 2在执行循环外增加结果检查未通过就带着反馈继续修改。来源*https://www.langchain.com/blog/the-art-of-loop-engineering如果这份报告需要每周更新就要在执行和验证之外接入事件驱动循环Event-driven loop。到了约定时间系统便启动新一轮工作读取上次记录、补查变化再检查和保存结果。收到新的资料也可以成为启动条件。报告持续更新后运行记录还可以用来改进系统。假如它经常混淆月付价和年付价可以让系统分析这些记录调整提示、工具配置或检查规则再用已有案例评测效果保留有效的改动。这就是改进循环Hill-climbing loop改动会用于后续任务让系统少犯同样的错误。评测Evaluation既要确认问题得到改善也要检查原本做得好的任务有没有受到影响。这些不同范围的循环如何设计、如何配合是循环工程Loop Engineering关注的问题。一个能持续工作的 Agent需要明确什么算完成也需要明确什么情况下必须停下来。找不到可靠资料时不能无限搜索同一个错误反复出现时也不该一直重试。尝试次数、时间和费用的边界都应该进入系统的判断。检查和改进逐渐接进来以后任务也不再总是一条直线。有些资料可以分头查有些结论却必须等前面的工作做完。#05Graph把分支、依赖和协作组织起来比较三款产品资料收集可以同时进行。但在分头查之前需要先确定共同口径都按五人团队计算采用同一种计费周期记录满足需求的套餐。否则三个结果即使各自没错放在一起也无法比较。可以把这样的执行过程表示成一张图每项工作是一个节点节点之间的连线说明下一步可以去哪里任务状态记录已经得到的信息和当前进度。这种用图组织执行过程的方法通常叫作图式编排。确定比较口径后流程分成三个资料收集分支等资料齐全再汇总和检查。某款产品的信息缺失就返回对应分支补查仍然无法确认就在报告中标明。这些依赖、并行和返工路径都可以用节点和连线表示。LangChain 官方图多个 Agent 并行检索不同来源再汇总报告。*图中将 GitHub、Notion、Slack 三路检索并行展开再汇总成报告。来源*https://www.langchain.com/blog/3-years-of-graph-engineering-with-langgraph节点不一定都是 Agent。费用加总可以交给普通程序资料收集可以交给能自主搜索的 Agent最终确认也可以留给人。需要判断的地方让模型判断已经明确的规则则直接执行。当任务适合分头探索时还可以让多个 Agent 分别负责一部分工作。此时除了分工也要设计信息怎样交接每个执行者拿到哪些背景返回哪些证据由谁检查和汇总。如果分得太碎交接和重复查找的成本也会增加。图式编排出现得很早。2024 年发布的 LangGraph就已经用状态、节点和连线组织带循环的 Agent 程序。近来图工程Graph Engineering的讨论重新强调了这些执行关系的设计一个节点内部可以运行完整的 Agent 循环节点之间则安排分工、依赖和返工路径。#06回到我们要完成的事这些设计一直在交叉发展也常常出现在同一个系统里。用一个循环就能完成的工作没有必要拆成一群 Agent流程比较固定时把步骤写清楚就很有用需要边查边调整方向时则要给模型留下判断空间。理解这段演进对使用者也有一个直接的帮助。下次 Agent 没把事情做好可以先看它卡在哪里要求没说清资料没拿到工具无法执行还是做错以后没有被检查出来找到具体缺口才知道该补充一句说明、一份资料还是改一段工作流程。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。为什么要做 RAG什么是模型什么是模型训练求解器损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、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。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。

小白程序员必备：手把手教你驾驭大模型完成复杂任务

相关推荐

大模型小白必看：智能体记忆不是检索问题，6种形态解锁39%准确率提升！

2026年Agent开发爆发，小白也能抓住AI红利，速收藏！

AdaBoost 详解：从 Boosting 思想到样本权重更新，理解算法原理与实战

更多资讯

基于IAT的光照自适应信号灯识别与轨道分割实战

Apache Paimon Spark引擎实战：读写链路、表型选择与性能调优

Gemma大模型实战：微调、量化与推理部署全流程指南

稀疏对抗攻击技术：扰动因子分解与实现

Labubu舆情分析实战：多平台UGC建模与传播归因

运维转型网络安全：核心技能与实战路径

今日更新

Agent-Reach：打通大模型触达外部系统的最后一公里

深度学习图像隐写分析实战：从CNN原理到毕设源码全解析

AI赋能知识产权供需匹配：专利评估、需求挖掘与多路召回工程实践

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？