本文最后更新于 2026/08/16，希望对同学们有所帮助。

如果对编码智能体不熟悉，本文便是为你量身定做的！每个章节都很重要。如果对本文有任何疑问或建议，欢迎向我联系。

AI 时代的基本技能

在 LLM（Large Language Model，大语言模型）时代，能够灵活运用 AI 是一项基本技能。特别是对于我们数学与统计背景的研究生来说更是如此——我们的工作硬性地需要计算机，但多数数理背景的同学对计算机科学和软件技术又没有那么熟悉。AI 恰好能够补足这一块短板。

事实上，AI 在各行各业已经有了十分广泛的运用，例如 AI 短剧。尤其对于互联网行业、研发岗位——我们的就业去向，以编码智能体（Coding Agent）为代表的智能体（Agent）已经彻底融入了工作流程中。

其实 AI 的运用规模可能远比我们所想的更大——在今天，就连相机都借助 AI 以实现更强大的自动对焦。诸如自动驾驶与天气预测等领域中 AI 的运用，更是司空见惯。

在一些软件研发的岗位面试中，面试官会直接问到平时如何使用 AI Coding 及其心得体会。这是来自我的真实见闻，并非凭空杜撰。坦诚地讲，我认为我现在的学习、生活与工作也离不开 AI，否则我需要花费更多的时间与精力才能完成任务。AI 能够帮助我们提升行事效率，已经逐渐成为一种重要的社会能力。

可以说，早在 LLM 爆发以前，AI 就完全进入了我们的生活。而在 Agent 大行其道的今天，这一现象只会有增无减。写代码、跑计算、改配置、数据分析、绘图、做 PPT……Agent 可以在我们的设备上完成许多种任务。

因此，我撰写了本文，希望能够写下我的经验，帮助同学们快速掌握 Coding Agent 的使用方法，并在自己的生活与项目中实践。

大模型的基本概念

为了更好地熟悉我们所使用的工具，有必要先行介绍一下大模型相关的基本概念。这里只会介绍一些所涉及的基本概念，绝不会有任何深入的原理——如果对大模型已经有基本的认识，可以跳过本章节。

如今的主流大模型均基于 Transformer 架构，使用注意力（Attention）机制。这里需要专业的理论与工程知识才能理解大模型的工作原理，我们略过这些复杂的概念。

LLM 本质上是一类自回归模型：LLM 利用当前输入的所有词预测下一个词，并将预测出的下一个词拼接到本轮输入，一同作为下一轮的输入。比如，对模型输入「我爱吃」，模型预测下一个词是「焦糖」，接着系统会将「我爱吃」与模型预测的输出「焦糖」拼接为「我爱吃焦糖」，作为模型下一轮的输入。在下一轮中对模型输入「我爱吃焦糖」，模型可能会预测下一词是「布丁」……重复这一过程，直至模型输出终止信号（即预测的下一词是终止标记）。

实际上模型预测的是下一 token，关于 token 的概念下文中很快就会介绍。为便于理解，上文暂时没有严谨地区分 token 与自然语言词汇。

事实上，模型内部不可能完全以自然语言的形式直接处理文本。在 NLP（Natural Language Processing，自然语言处理）场景下，我们输入的文本首先会经过分词器（Tokenizer），分词器负责将文本映射为 token ID 数组，数组中的元素就是所谓的 token。不同系列的模型通常使用不同的分词器，分词的方式也不尽相同，但一个自然语言词汇可能会被切分为多个 token——词与 token 并不总是一一对应的。比如，

• 【茉莉绿茶】可能被分词为【茉莉】、【绿】与【茶】
• 【clingy to me】可能被分词为【clin】、【gy】、【to】与【me】

接着，模型会将每个 token ID 映射至相应的多维浮点数向量，该过程被称为嵌入（Embedding）。模型内部的计算实际上都是在这些浮点数向量上进行的，而非原始文本。商业模型在计费时，一种常见的计费方式就是按输入与输出 token 计费。

一个有趣且意义深远的现象是，embedding 所构成的向量空间中往往会呈现出一定的语义结构。在 Word2vec 的论文中，Mikolov 就发现了 Word2vec 输出的 embedding 向量中存在【queen ≈ king - man + woman】的现象。

Agent 与 Harness

大模型、Agent 与 Harness

LLM 本身只是一类自回归模型，给定原始输入，不断地进行自回归以生成并输出下一 token，直至给出完整输出。这意味着 LLM 本身不具备感知环境并与环境交互的能力。

我相信读者此前都使用过 Chat 类型的 AI，比如 ChatGPT 网页端在线对话、DeepSeek 网页端在线对话 或 豆包 App 在线对话。这些仅 Chat 或 Tool Use 能力弱的 AI 软件对于基于图文的问答任务是合适的。比如，可以向 AI 询问游戏攻略，也可以要求 AI 给出感情相关问题的建议。但归根结底，这类 AI 无法感知并改变我们所处的真实环境。在 Agent 被大范围实践前，基于 LLM 的应用几乎都缺失了这一项重要能力。

Agent 则为 LLM 补足了该关键能力。Agent 是围绕 LLM 为其提供一系列「脚手架」应用后对整个系统的称呼。LLM 能够以特定的格式输出，该格式被 Agent 识别后可以进行相应的工具调用（Tool Use），并在获得结果后将信息返回给 LLM。借助工具调用，LLM 可以获取环境信息，例如查看设备上的文件、发送真实的网络请求，同时也能主动改变环境，例如编写代码文件、执行脚本。

围绕 LLM 建设的一切外围设施均可视为 Harness。因此，可以认为 Agent 是 LLM 与 Harness 有机结合后的系统。Harness 是晚于 Agent 出现的概念。

Agent 的意义不仅仅是为 LLM 充当眼睛与手。毕竟，LLM 的输出具有不确定性，而 Harness 实质上是一系列确定性的应用程序，需要让 LLM 尽可能按照设计的、预期的规则工作，因此会在许多情况下按既定规则引导、介入 LLM 的输入与决策。

Agent 的设计与开发是时下的一类极其热门的岗位，目前已经有了一些业内公认的良好设计和实践方案，如果感兴趣，可以查阅相关资料深入学习、研究，这里便不赘述了。

相关名词解释

Agent 相关产品迭代很快，不同产品对同一名词的实现也可能不同。下面只介绍阅读本文和使用 Agent 时最常见的含义。

• Prompt：提示词，是提供给模型的输入内容。在一些场景下会进一步拆分为 System Prompt 与 User Prompt：System Prompt 通常由服务提供商设置，用于说明模型身份与约束，Chat 客户无法直接修改；客户在输入框中输入的内容则为 User Prompt。System Prompt 的权限高于 User Prompt。

• Context：上下文。LLM 本身不保存会话状态，多轮工作需要由应用将必要的历史消息、摘要、文件内容与工具结果重新提供给模型，这些信息共同构成 Context。为模型选择合适的 Context 是 Agent 的基本设计问题之一。

• 上下文窗口（Context Window）：模型一次能够处理的 Context 存在长度上限，该上限即所谓的 Context Window。

• 多模态（Multimodality）：如果模型除了文本外还支持图片、音频等其他类型的数据作为输入或输出，则称该模型是多模态的。不支持图片输入的模型无法直接「阅读」图片。

• 记忆（Memory）：Agent 为无状态的 LLM 提供的外部记忆能力。由于上下文窗口有限，Agent 可能压缩过长的 Context，只保留关键历史信息，也可能跨会话保存需要长期使用的信息。

• MCP（Model Context Protocol）：一种开放协议，用于约定 AI 应用如何连接外部工具、数据源与服务。

• Skill：一组可复用的说明与资源，用于告诉 Agent 在特定场景下应当如何完成任务。Skill 可以包含工作流程、领域知识、脚本与模板等文件。许多实现采用「渐进式披露」：Agent 只在需要时读取相应内容，以免占用过多 Context。

• RAG（Retrieval-Augmented Generation）：检索增强生成。RAG 会先从文档、数据库或网页等外部知识源中检索相关信息，再将结果加入 Context，供 LLM 参考并生成回答。

• Plan / Goal：Goal 描述「最终要做到什么」，Plan 描述「接下来准备怎么做」。它们是部分 Harness 为 LLM 提供的任务状态管理能力，Agent 可以在工作期间根据结果调整 Plan，并持续追踪尚未完成的 Goal。

• Loop：一次典型的 Agent Loop 包含读取 Context、决定下一步行动、调用工具并取得结果，再将结果加入 Context 等环节。Agent 会重复这一循环，直至任务完成、发生错误、需要用户介入，或达到资源限制。

• 幻觉：指模型生成了不符合事实、缺少依据或与已知信息矛盾的内容。幻觉可能进一步导致错误的工具调用与环境修改，因此涉及重要事实或高风险操作时，应借助可靠信源、程序检查、测试或人工审核进行验证。

工具推荐与配置教程

目前最常见的 Coding Agent 是 Claude Code 与 Codex。二者都有强大的 Agent 能力，可以都安装并体验。如果要推荐第三方 Coding Agent，我会推荐 Pi。

Codex CLI 与 Codex (Desktop)

Codex 是 OpenAI 为 GPT 系列模型打造的官方 Agent，分为 Codex CLI 与 Codex App 两种形式。

过去普遍使用的是终端 Agent 程序 Codex CLI，后来 OpenAI 推出了具有图形化 UI 的 Agent 程序 Codex App。我更习惯使用 Codex CLI，但如果对终端命令行操作不熟悉，使用 Codex App 是完全可行的，体验也相当不错。

Codex CLI 安装参考：Codex 安装教程：Windows / Mac / Linux 三端完整安装指南

Codex App 从官网下载并在图形化界面的引导下完成安装即可：Codex：同一款强大的编程智能体 — 现已入驻 ChatGPT

Claude Code

Claude Code 是 Anthropic 为 Claude 系列模型打造的官方 Agent，是最早被广泛使用的终端 Coding Agent。

安装方式：

• Windows 在 PowerShell 执行 irm https://claude.ai/install.ps1 | iex
• Mac 在终端执行 curl -fsSL https://claude.ai/install.sh | bash

现在不太建议通过 Node.js 的 npm 安装 Claude Code，因为 npm 12 的 lifecycle script policy 与 Claude Code 自更新存在冲突，GitHub issue 提到 npm 12 的 allow-scripts 策略导致 @anthropic-ai/claude-code 的 postinstall 被阻止。排查这个问题花费了我一些时间与精力，且 Anthropic 官方现在也不再推荐通过 npm 安装——但许多中文教程依然介绍的是该方式。

Pi

Codex 与 Claude Code 分别是商业公司 OpenAI 与 Anthropic 开发的 Coding Agent。开源的 Pi 则以轻量化著称，秉承与 less is more 相似的设计哲学。如果要推荐第三方 Coding Agent，我会推荐 Pi。

作为开源的 Agent，Pi 本身就是学习 Agent 设计的一个极佳参考。阅读源码、学习 Agent 架构设计，Pi 是很好的教材。

Pi 使用起来也相当轻巧，遵循官方仓库中给出的方法安装、配置与使用即可。

实操演示

我录制了 Claude Code 实操演示视频，以翻译文献任务为例：Claude Code 演示。

视频的形式会比图文更直观。

更实惠的价格

Codex 与 Claude Code 很强大，但存在两个问题：定价相对较贵，以及需要能访问外网的网络环境。

关于定价：大模型的扣费方案大体上分为按使用量扣费与套餐扣费两种。如果对 Agent 需求较大，通常选择合适的套餐会比按使用量计费更划算。套餐，即 Coding Plan 或 Token Plan，通常的形式是在若干日内给予固定的额度上限，不额外收费，并且在一定时间后重置可用额度。

关于网络环境：Codex 与 Claude Code 如果不做额外配置，在国内的网络环境下需要网络代理才能登陆并使用。官方的使用方式依赖官方账号。

国产模型 API

除了官方账号登陆的方式，Claude Code 与 Codex 均提供了配置 API 使用的方式，因此可以绕开官方、使用第三方模型供应商的 API。

国产模型大多提供了分别对接 Claude Code 与 Codex 的 API，只需要做一定的配置，便能将底层模型的请求从 OpenAI 或 Anthropic 切换至指定的第三方模型供应商，这通常会更便宜，也无需外网环境，但 Agent 的表现取决于 API 背后的具体模型能力。

例如，下面是 DeepSeek 官方文档中介绍的配置方式：

• 接入 Claude Code
• 接入 Codex

有的国产模型也提供套餐，比如 GLM、Kimi。DeepSeek 暂只支持按 API 使用量扣费。

中转站 API

中转站能在兼具更实惠的价格与更简单的网络要求的前提下，依然享受 OpenAI 或 Anthropic 的官方模型之强大能力。但相应地，需要承担数据安全与欺诈风险的代价——你无法确认中转站提供的 GPT 与 Fable 是不是拿 Qwen 去 cosplay 的。

如果需要中转站个人推荐，请与我联系 > <

Skills 与我的推荐

在过去模型能力与 Agent 能力偏弱时，Skill 能够帮助 LLM 获得特定场景下的额外信息，这相当于为 LLM 注入 Prompt。随着基模能力的飞跃与 Harness 的完善，如今已不再需要过多的 Skill。有研究指出，安装过多的 Skill 会导致 Agent 的表现下滑。

不过，在需要多次复用独特的领域知识时，Skill 依然是不错的选择，例如完成统计教学任务的 PPT。

现在，我只推荐一个相对通用的 Skill 组合：mattpocock/skills。作者 Matt Pocock 是资深的软件工程师，有着丰富的软件开发经验。其中的 grill-me 是我经常使用的 Skill，该 Skill 要求 AI 必须提前向我确认所有的边界问题，在与我充分讨论、敲定所有实现细节后再开始着手改动。这能为我省下不少心。如果在 AI 做出修改后才发现改动非我所预期，这会带来许多本不必要的麻烦。

按作者在仓库中给出的安装方式安装该 Skills 即可。

版本控制

Git 是一个分布式版本控制系统，用于记录一组文件在不同时刻的状态。借助 Git，我们可以查看版本差异、追踪修改原因，或回到此前能够正常工作的版本。Git 的完整机制比较复杂，这里只介绍日常使用中必须理解的概念。由于 AI 生成的结果具有不确定性，使用 Coding Agent 时尤其需要做好版本控制。

Repository（仓库）是由 Git 管理的项目，其中既有项目当前的文件，也有 Git 保存的版本历史等信息。我们在自己设备上使用的是本地仓库；托管于 GitHub、GitLab 等平台上的仓库则称为远端仓库。Git 本身完全可以只在本地做版本管理，但通常我们也会上传至远端仓库以方便多人协作。

Git 仓库中的当前文件构成 Working Tree（工作区），系直接阅读和编辑的内容。文件被修改后，变化首先只存在于工作区中。执行 git add 可以挑选希望记录的修改，将它们放入 Staging Area（暂存区）。暂存区可以理解为下一次提交的候选内容：git add 既没有建立新版本，也没有将代码上传至 GitHub。

执行 git commit 后，Git 会将暂存区中的内容保存为一次 Commit（提交）。每次 Commit 都是项目的一个版本快照，带有唯一标识、作者、时间与提交说明，并被保存在本地仓库中。执行 git push 后，本地的新 Commit 将被推送至远端仓库；git pull 则用于取得远端的新 Commit，并将其合入当前的本地分支。

Branch（分支）是一条独立的开发线。我们可以从当前版本建立新分支，在其中完成某一项任务，而不立即影响主分支。不同成员可以在各自的分支上工作，完成后再通过 Pull Request 检查修改并合入主分支。

对于一个新项目，可以执行 git init 将当前目录初始化为 Git 仓库；如果远端已经存在仓库，则可以执行 git clone <仓库地址> 将其完整复制到本地。日常最常使用的命令如下：

 1# 开始工作前取得远端更新
 2git pull
 3
 4# 查看工作区与暂存区的状态
 5git status
 6
 7# 查看尚未加入暂存区的修改
 8git diff
 9
10# 将指定文件的修改加入暂存区
11git add <文件路径>
12
13# 检查下一次 Commit 将包含的修改
14git diff --staged
15
16# 将暂存区保存为一次 Commit
17git commit -m "说明本次修改完成了什么"
18
19# 推送本地 Commit
20git push

建议每完成一个单一的小任务便提交一次，并在 Commit Message（提交说明）中写清修改范围与内容。开始一项独立任务时，可以使用 git switch -c <分支名称> 创建并进入新分支。Git 只能可靠保护已 Commit 的内容，重要项目还应当及时推送到可信的远端。

.gitignore 文件用于告诉 Git 哪些文件不需要纳入版本管理，通常应当排除缓存、虚拟环境、运行结果与本地配置。密码、API Key 等敏感信息不要写入代码，至少也必须将其配置文件排除；大型数据集、模型权重与生成文件也不适合直接放入普通的 Git 仓库。

已经被 Git 跟踪的文件不会因为后来写入 .gitignore 而自动消失；文件一旦被提交，即使在新版本中删除，敏感信息仍可能留在 Git 历史中。因此，.gitignore 不能代替对提交内容的检查。

Agent 写完代码后，必须由自己阅读 git diff，确认每项修改的用途，再运行代码与测试。不要未经检查便直接 Commit 或 Push。AI 生成代码的责任仍然属于使用者。

Git 要深入掌握还有很多内容，例如分支合并、冲突处理、Rebase、Tag 与 Hook 等。可以继续阅读 GitHub 的 Git 入门文档、Git Hooks 官方文档与 GitHub Actions 快速入门。

我对 AI 发展的看法

模型与 Agent 的发展非常快，而且为世界带来了迅速的变化。模型的能力按月计，一两个月未发布新模型，那么模型很可能就会落后。在工程上，也经常出现新的概念，尽管或许是炒作出来的。

AI 存在泡沫，但更多地是体现在资本上。技术上，AI 必然是推动时代进步的产物，参考 1873 年美国铁路泡沫与千禧年互联网泡沫。泡沫过后，不可否认其留下的技术资产极大地推动了生产力的发展。

Agent 有能力边界，不要将 Agent 视为任何场景下都无所不能的神明。