学习地图

路线：模型本身是什么、怎样组成 Agent（智能体）让它能做事（第 1–4 章）→ 补完了为什么还是做不完长任务（第 5–8 章）→ 拆成几个分头做、怎么知道它到底行不行（第 9–11 章）→ 两条硬约束：安全和成本（第 12–13 章）→ 现成方案各自替你做掉了上面哪一段（第 14–16 章）→ 最后拧成五个选型问题（第 17 章）

这一章是地图，不是课。往下读会一口气蹦出不少陌生名词——上下文、提示注入、MCP、harness。第一遍读到它们不用停下来查，后面每一章都会从零讲一遍。 这一章只完成三件事：用一条乘法建立「长任务为什么更脆弱」的直觉，立两条贯穿全课的边界，再告诉你后面每一段在解决什么。

一、这门课要回答的一个问题¶

先做一道小学乘法。

先用一个简化模型：一项任务有十个必须通过的关键检查点。在前面的检查点都正确的条件下，每个检查点最终通过的概率都近似为 95%；任何一个错误若没有被发现和纠正，整项任务就算失败。十个检查点全部通过的概率就是把 0.95 连乘十次，约等于 60%。

把每个检查点的通过率降到 90%，十个全部通过变成 35%。降到 85%，十个全部通过只剩 20%，二十个只剩 4%。

横着读：在同样的条件通过率假设下，关键检查点越多，联合通过概率越低。竖着读：在检查点数量相同时，条件通过率的变化会被连乘放大。这张表不是实测结果，p 也不是对某个模型能力的统一评分；它只是整门课的起点，先把一个常见反差变成可以推理的问题——短演示很惊艳，长任务却不稳定。

举个具体的。你先试了个小的：「查一下某个新出的政策是什么，写两句话给我。」搜一次、读一篇、写两句，先粗略算作三个检查点。它做得漂亮，你于是觉得这东西可以用了。

接着你把真正想让它做的那件事交给它：「把这周关于这个政策的公开报道查一遍，挑出重要的，写成一页纸，每条结论后面附上出处。」为了建立直觉，先把一次搜索、一次阅读、一次判断都粗略算作一个可能把结果带偏的检查点，往少了数：

想搜索词（1 步）→ 搜五次（5 步）→ 从几十条结果里挑出十来个值得读的（1 步）→ 逐个打开读完（10 步）→ 判断哪些在重复、哪些互相矛盾（1 步）→ 排出轻重（1 步）→ 动笔写（1 步）→ 回头核对每条出处对不对（1 步）

二十个出头，而且是往少了数的结果。

每个检查点单独拎出来看，它都可能做得不错。但只要其中一处歪了——搜索词跑偏，漏掉了最要紧的那篇；某个链接打不开，它顺手编了一个出处；把两篇讲不同事情的报道当成了互相印证——后面就可能跟着歪，而且你在最后那一页纸上看不出来是哪一步歪的。在刚才那个简化模型里，二十个检查点若都按 85% 计算，全部通过就是最右下角的 4%；这个数字不是对真实调研任务的成功率估计。

这把尺子只支持一个结论：同一个模型，同一天，短任务表现很好，不代表长任务也能稳定做完。 真实检查点的难度不同、错误会相关，系统也可能重试、校验和恢复；结果可以高于或低于这张表。

所以这门课要回答的是：怎么让一个模型借助外部系统，更可靠地把一件二十步的事做完。 围绕这个问题，市面上长出了一堆东西——工具调用、上下文管理、多 Agent、MCP、评估体系、各种框架和平台。

可靠性部分会反复用两个量：未被中途发现和恢复的关键失败机会数叫 n，在此前关键结果正确的条件下，每个机会的成功率叫 p。这里的 n 不是你在流程图上画了几个框；把五次调用包进一个工具，里面的失败机会不会自动消失。真正压低 n，通常是删掉不必要的判断，把概率性判断换成可校验的确定性操作，或者用校验和恢复切断错误继续向后传。另一些手段不直接改这两个量，而是在限制错误后果、保存运行记录或控制成本。不要把这条乘法当成全课定律。

在往下走之前，先立两条贯穿全课的规矩。

规矩一：这门课的主角是你搭在模型外面的那套东西，不是模型本身。 继续用上面的简化模型算两笔假设账。

假设有二十个关键失败机会，每个成功率都是 90%，全部成功的概率是 12%。现在比较两种变化：

• 只提高 p。 假设换模型后，每个机会的成功率从 90% 提到 93%，n 仍是 20。全部成功的概率从 12% 变成 23%。
• 真正压低 n。 假设重新设计后，只剩五个仍需概率性判断、又没有独立校验的关键机会，每个成功率仍是 90%。全部成功的概率从 12% 变成 59%。

第二种变化的前提很强：十五个失败机会必须真的被删掉、改成可校验的确定性操作，或被校验与恢复机制截住。只把二十步改名成五步，p 和 n 都不会因此变好。第 5 到 10 章会逐步讲清这些改造怎么做。

这两笔假设账不证明「重新组织一定胜过换模型」。它只说明：模型能力不是长任务可靠性的唯一变量，模型外面的结构同样会改变结果，而且这部分是你可以直接设计的。 从第 2 章到第 13 章，讲的都是这套东西怎么搭。

规矩二：「Agent」这个词被用在三个不同层面。 一段提示词（你发给模型的那段文字）里的技巧、一条你画好的自动化流程、一个由模型根据结果逐轮选择动作的循环、一个卖给你的成品软件——这四样都有人叫 Agent，但它们不是四个并列类别：提示词回答「怎样引导一次调用」，流程与循环回答「谁提供任务级控制流」，成品软件回答「谁把系统做出来交给你」。第 3 章专门把这三个问题拆开。以后每次看到「Agent」，先问这句话在说哪一层。

二、这门课假设你会什么¶

假设你用过 ChatGPT 或者 Claude 这类聊天工具，知道它是拿文字换文字的。

假设你大致知道 API 是什么意思：一个程序对外定义好的一套请求格式，每一种请求对应它的一个特定操作。别的程序照这个格式发一条请求过来，它就执行对应的那个操作。

不假设你会写代码。全课的代码块都可以跳过，跳过之后每一章的结论仍然完整——代码是给「想动手验一下」准备的，不是给「看懂」准备的。凡是代码出现的地方，前面一定有一段白话把它讲完。第 4 章会给出一份完整示例；不想动手时，只看它怎样把「请求工具—执行工具—交回结果」连成循环就够了。

不假设你懂机器学习。第 1 章会讲模型的原理，但只讲能解释后面十六章的那部分：它是怎么产生一句话的、它记得什么忘掉什么、为什么会编、为什么同一个问题问两次答案不一样。判断标准很直接：一个原理，如果不能解释后面某一章为什么存在，正文就不讲它。

被这条标准挡在正文外面的东西——神经网络怎么算、Transformer 结构长什么样、参数量意味着什么——收在最后的附录 A 和附录 B。不读附录，也能完成正文里的 Agent 结构与可靠性判断；需要进一步比较模型、部署方式、成本和延迟时，再回来看这些原理。

三、贯穿全课的那个例子¶

开篇那个二十步的任务，就是全课要用的例子。从第 4 章开始，每一章都在它身上动手：

把这周关于某个题目的公开资料查一遍，挑出重要的，写成一页纸给我，每条结论后面附上出处。

选它是因为它够普通——不需要任何行业背景就能想象——同时它把本课要处理的主要麻烦串在了一起：

第 4 章会给出这个例子的最小可运行版本。之后每一章往上加一件东西，到第 13 章结束时，它才逐步接近一个可以定期运行的系统。每一章新加的东西，都对应上表里的一行麻烦——所以每一章都能回答「它是为了解决什么才存在的」。

四、脉络¶

前四章可以先压成一句：模型根据当前上下文生成下一项输出，模型外的系统保存状态并执行动作；程序预先写好任务级节点和转移规则，就是工作流，模型在系统划定的工具与权限范围内根据现场结果持续选择动作，才是本课所说的 Agent。 全课从这条边界向外展开成六段：

五、章节表¶

按顺序读是默认建议，第 5 章之后的每一章都在用第 4 章那个最小例子往上加东西。时间紧的话有一条短路线：第 1、2、3 章建立概念，第 10 章拿走提高成功率的手法，第 17 章拿走选型五问——第 14 到 17 章要等前面的判据攒够了才读得动，跳着读会觉得那几章只是在列名词。