第 1 课 · 认知地图
从聊天到干活：先看懂 AI 工作系统的全貌
会回答问题，只说明 AI 能生成内容；能读取材料、遵守边界、调用工具并交付结果，才算真正进入工作。
本页目录
学完这一篇，你应该能够
- 区分聊天回复与可验收交付
- 理解 LLM、Prompt、Harness 与 Agent 的关系
- 为自己的第一个 AI 工作任务确定完成标准
聊天结束于回复，工作结束于验收
一句“帮我整理客户询盘”，可以换来一份看起来不错的建议。但真实工作还包括读取附件、核对产品资料、标出缺失信息、遵守报价权限，并把结果放进团队能继续使用的位置。
判断 AI 有没有开始干活，不要看它写了多少字，而要看目标是否完成、结果能否检查、过程是否守住边界。
- 输入：任务需要的事实与材料是否齐全
- 过程：是否按约定步骤处理并保留依据
- 输出：是否形成可继续使用的交付物
- 验收：别人能否明确判断通过或退回
四个层次，不是四个互相竞争的名词
LLM 提供基础语言与推理能力；Prompt 说明这一次要做什么；Harness 组织资料、规则、工具、权限和检查机制；Agent 则在这套环境里围绕目标持续行动。
可以把它们类比为员工的大脑、任务单、工作系统和正在履职的人。只有聪明的大脑，没有账号、流程、资料与权限，依然无法稳定交付。
先定义结果，再选择 AI
很多 AI 项目从工具清单开始，最后却停在演示。更可靠的起点是一项真实、重复、结果可检查的工作：它现在由谁完成，耗时在哪里，哪些判断必须由人负责，最终产物是什么。
任务越具体，越容易发现真正缺少的是提示词、材料、工具，还是组织授权。
- 优先选择频繁发生、输入相对明确的任务
- 首个试点尽量只读或只生成草稿
- 把高风险动作留在人工确认之后
一条适合新手的学习路线
先理解模型如何生成，再学习写清任务；随后管理 Context，搭建 Harness，最后才把重复做法封装为 Skill 并交给 Agent 调用。
这条路线的重点不是记住术语，而是逐步减少 AI 必须猜测的部分，让每一步都能被复核。
动手练习
选一项你本周真实做过的重复工作，用四句话写下：输入材料、处理动作、最终交付物、必须由谁验收。再标出其中不能让 AI 自动执行的一步。
完成标准
- 能用自己的例子说明“回复”和“交付”的差别
- 能画出 LLM → Prompt → Harness → Agent 的关系
- 已经选定一项低风险、可验收的试点任务
资料说明
根据 PandaUp 2026-09 课程资料重新编写。本文是面向公开发布的原创整理，不是课程逐字稿；涉及产品能力、政策或外部事实时，请以使用当日的官方资料为准。