本文为想学习AI的程序员或小白提供了清晰的技术成长路径，从基础的Prompt训练表达，到进阶的Skills模块化，再到高阶的Harness系统化，逐步提升AI应用能力。同时，结合创业流程，阐述了如何将AI技术转化为创业操作系统，实现从Idea到Scale的全流程智能化。文章强调AI时代需注重问题定义、经验沉淀、系统组织和目标服务，最终打造属于自己的AI-native Founder OS。
普通人学习 AI 的技术路线，如何进一步长成自己的 AI-native Founder OS
- 总体地图：从技术路线到创业操作系统
0.1 主路径
0.2 这场分享的核心判断
prompt → skills → harness 是我目前认为普通人学习 AI 最合理的一条技术路线。
它们构成三层能力升级：
最终落点：
prompt 训练表达,skills 训练流程,harness 训练系统。
Founder OS 训练判断:什么值得做,什么时候做,做到什么程度。
0.3 四个模块的承接关系
- 开场:我的实践路径
这条路径是怎么长出来的:
- 最开始从 prompt 入手
- 后来发现反复有效的 prompt 应该沉淀成 skills
- 再后来发现复杂任务需要 harness 来保证稳定性
- 最近读 Anthropic《The Founder’s Playbook》,把这条技术路线放进创业流程里重新理解
开场图
- 第一节:Prompt 依然是重要能力
2.1 本节主线
2.2 本节主要讲什么
Prompt 依然重要。
模型能力越强,prompt 越像一种"方向盘":
- 发散时,prompt 决定 AI 往哪里想
- 收敛时,prompt 决定 AI 按什么标准交付
- 协作时,prompt 暴露人的问题定义能力、上下文组织能力和判断标准
这一节讲两部分:
1.LLM 的工作原理
2.写好 prompt 的两种思路:发散 vs 收敛
2.3 LLM 工作原理:输入在塑造生成空间
LLM 根据上下文生成后续内容。你的输入会影响它接下来生成什么、以什么层级生成、采用什么语气和结构生成。
可以从四个信号讲:
要点:
- 模糊输入通常得到平均答案
- 高质量输入会提高输出上限
- 专业词、任务边界、上下文和验收标准都会改变模型输出
- prompt 能力本质上是问题定义能力
参考资料:
- 论文:https://dl.acm.org/doi/10.1145/3544548.3581388
- 论文:https://arxiv.org/abs/2312.16171
2.4 写好 prompt 的两种思路:发散 vs 收敛
本节核心判断:
发散型 prompt 负责打开空间,收敛型 prompt 负责锁定质量。
2.5 发散型 prompt:升维
发散型 prompt 的重点是定义思考方向。
它不急着规定格式,也不急着控制步骤。它通过关键词、对比关系、反常识问题,把 AI 推进更高价值的思考空间。
案例 1:认知悖论
在[个人成长/赚钱致富/自媒体]领域,普遍存在的认知悖论是什么——即那些人们深信不疑,却在根本上阻碍他们成功的想法。讲解重点:
- "认知悖论"让 AI 去找矛盾结构
- "深信不疑"让 AI 找共识里的盲点
- "根本阻碍成功"让 AI 找高影响因子
- 这类 prompt 的价值在于升维
案例 2:核心数字资产
请你找到对我来说已经轻车熟路,但是对其他人难如登天的"核心数字资产",稍加更改对他们来说就特别有用的"产品"。讲解重点:
- "轻车熟路 vs 难如登天"构成价值差
- 这比直接问"我能做什么产品"更好
- 它把产品思考从"市场上有什么"转到"我的不对称优势是什么"
2.6 收敛型 prompt:约束
收敛型 prompt 的重点是定义质量标准。
它不只是"写得长"。它真正有价值的部分是:
- 输入边界
- 角色定位
- 北极星目标
- 证据等级
- 排除规则
- 输出结构
- 质量门槛
案例:长内容洞见提取 prompt
讲解重点:
- 它的细节集中在质量标准、筛选门槛和交付格式
- 它把"好洞见"从感觉变成可检查条件
- 它适合结构化产出,不适合所有探索任务
2.7 Prompt 部分的两个小工具
工具 1:Prompt Master
- 适合把模糊需求整理成可复制 prompt
- 补齐任务、目标工具、输出格式、约束、输入材料、上下文、受众、成功标准、样例
- 可以现场演示:把"我要做一个 AI 分享"改写成更清晰的 prompt
工具 2:乔木快捷提示词 Chrome 插件
- 管理常用 prompt
- 浏览器里搜索、复制、分类
- 让 prompt 从聊天记录变成可复用资产
- 第二节:Skills,把经验沉淀成可复用能力
3.1 本节主线
3.2 本节主要讲什么
Skills 是第二层能力。
Prompt 解决一次对话。Skill 解决一类任务的复用。
本节讲三件事:
1.Anthropic Agent Skills 的底层机制
2.自己学习 skill 的路径
3.为什么 skill 要原子化
3.3 Agent Skills 的机制
参考资料:
- https://platform.claude.com/docs/en/agents-and-tools/agent-skills/overview
- https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
要点:
- Anthropic 的贡献在于:把 Agent Skills 做成了 Claude 体系里的正式机制
- 一个 skill 是一个目录
- 核心文件是 SKILL.md
- 可以包含 scripts、references、assets
- Claude 通过 progressive disclosure 按需加载
3.4 Progressive disclosure
概念解释:progressive disclosure(渐进式披露)——分步逐步展示信息,先显核心内容,按需展开详情。
- AI 先知道有哪些能力
- 任务相关时才读完整说明
- 真正需要细节时再读 references / scripts
- 这解决的是上下文效率问题
3.5 我的 skill 学习路径
每一步:
1.读官方文档:理解结构和加载机制
2.学最佳实践:看别人的 description、触发条件、工作流、禁止事项、references、scripts
3.自己造:从真实需求出发,用一次改一次
3.6 原子化:skill 像乐高
旧结构:大而全内容 skill
问题:
- 想单独用生图能力时,要从大 skill 里拆
- agent 读了很多无关上下文
- 完整工作流会带偏单点任务
- 功能越多,边界越模糊
新结构:多个原子 skill
核心判断:
skill 的价值来自清晰边界。边界越清楚,越容易单独使用,也越容易组合。
3.7 Claude Code 和 Agent Skills 为什么一起流行
参考资料:
- https://claude.com/product/claude-code
- Claude Code 让 LLM 进入真实工作环境
- Bash 是关键的"手",文件系统、Git、测试、权限确认和执行循环共同构成闭环
- 文件系统让 skill 有地方放
- scripts 让 skill 不只是文字说明
- 测试和 Git 让 agent 能闭环验证
3.8 小故事:我学 AI 的一个习惯,先把缩写还原成英文
很多 AI 工具、工程工具、命令行概念都是缩写。学习时先把缩写还原成完整英文,能快速理解它到底在做什么。
例子 1:
cd = change directory这个命令每天都会看到。还原成英文以后就很直观:切换目录。
例子 2:
bash = Bourne Again ShellBash 的名字来自一个程序员冷笑话:
- Stephen Bourne 创建了早期 Unix 的 Bourne Shell,也就是 sh
- Brian Fox 后来开发了 Bash,本质上是在重写和增强 Bourne Shell
- 所以 Bash 叫 Bourne Again Shell
- 这里同时致敬 Bourne Shell,也借用了英语里的 Born Again,也就是"重生"这个双关
可以用一张小图解释:
这个小故事服务一个判断:
学 AI 不能只学工具按钮。常见词背后的英文原意、历史来源和使用场景,往往会帮你更快理解工具的能力边界。
- 第三节:Harness Engineering,把能力组织成稳定系统
4.1 本节主线
4.2 本节主要讲什么
Harness 是第三层能力。
Prompt 解决单次对话质量。Skill 解决能力复用。Harness 解决长任务可靠性。
本节讲:
1.单个 agent 为什么跑不长
2.harness 解决哪些问题
3.Orchestrator / Worker / Validator 的协作结构
4.FloatTrans 和 cmux 是实践案例
4.3 Harness 的定义
Harness 是一套工程结构,用来让 AI agent 在长任务里持续、稳定、可验证地工作。
它包括:
- agent 怎么启动
- 拿到什么上下文
- 能用什么工具
- 当前任务边界是什么
- 产出写在哪里
- 谁来验证
- 失败后怎么恢复
- 下一个 agent 怎么接上
参考资料:
- https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents
- https://www.anthropic.com/engineering/managed-agents
- https://openai.com/index/harness-engineering/
4.4 Harness 解决的问题
要点:
- 长上下文会降低质量,但这只是 harness 的一部分
- 状态继承依赖文件、commit、handoff 这类外部载体
- 验证必须独立出来
- 并行 worker 需要明确边界和依赖关系
4.5 三角色架构:Orchestrator / Workers / Validator
Orchestrator 编排者/总指挥
- 做规划和调度
- 管依赖关系
- 判断什么时候并行
- 判断什么时候要问人
- 不直接写实现
Workers 执行者
- 每个 worker 做一个边界清楚的任务
- worker 最好 fresh context
- 三个 worker 并行表达 agent teams 的价值
- 并行前提:任务没有强文件依赖
Validator 验证器/质检员
- 独立验证,不做橡皮图章
- 最好用不同模型或不同 provider
- 至少要独立 session + 独立验收标准
- 输出 PASS / FAIL 和原因
4.6 FloatTrans 实践
- FloatTrans 是第一次完整跑 harness 思路的项目
- Phase 1 拆成 11 个 feature / 4 个 milestone
- Worker 执行单个任务
- Handoff 文件传状态
- Validator 独立审查
- 最重要的收获:状态传递比 prompt 本身更重要
4.7 cmux 多 Agent 实践
参考资料:
- https://github.com/manaflow-ai/cmux
cmux 给了多 agent 协作的基础设施:
- 查看 agent 拓扑
- 读取某个 agent 屏幕内容
- 给某个 agent 发送任务
- 让 Orchestrator 直接调度 worker / validator
核心判断:
人的角色从传话筒变成决策官。
4.8 OpenClaw / Hermes 的位置
参考资料:
- https://github.com/openclaw/openclaw
- https://github.com/NousResearch/hermes-agent
- 它们是值得研究的 agent / harness 系统
- 我还没有深入使用,不展开评价
- 可以作为后续学习方向
- 本次只讲自己真实实践过的 FloatTrans / cmux / harness 经验
4.9 本节收束
Harness 把 AI 协作从"一次生成"推进到"可拆分、可交接、可验证、可恢复"。
- 第四节:Founder Playbook,把技术路线放进创业系统
5.1 本节主线
5.2 本节主要讲什么
Anthropic《The Founder’s Playbook》把思路从 Learn by building 收敛到:
Idea → MVP → Launch → Scale核心转变:
AI 不只参与 coding。AI 应该参与创业全流程。
参考资料:
- https://claude.com/blog/the-founders-playbook
5.3 从 individual contributor 到 orchestrator
参考资料:https://claude.com/blog/the-founders-playbook Chapter 2
- 创始人的工作重心上移
- AI 承担越来越多执行
- 创始人更像 orchestrator
- 关键能力变成判断、取舍、设计系统
5.4 Idea:验证问题
参考资料:https://claude.com/blog/the-founders-playbook Chapter 3
Idea 阶段要让 AI 帮你做:
- 市场研究
- 竞品分析
- 用户访谈问题设计
- 反证分析
- 需求假设拆解
关键问题:
- 这个问题真实吗
- 谁有这个问题
- 现在怎么解决
- 有没有高频或高痛感
- 有没有付费信号
5.5 MVP:边界由人定义,构建交给 AI 加速
参考资料:https://claude.com/blog/the-founders-playbook Chapter 4
MVP 阶段可以用 Claude Code / Codex / Cursor / OpenClaw / Hermes 这类工具。
人要定义:
- 验证哪一个假设
- 只做哪一个核心动作
- 不做哪些功能
- 验收标准是什么
- 什么情况算失败
核心判断:
AI coding 能力越强,人越要有边界感。
5.6 Launch:发布和反馈
参考资料:https://claude.com/blog/the-founders-playbook Chapter 5
AI 可以帮你快速做:
- landing page
- 发布文案
- FAQ
- 用户反馈整理
- bug triage
- 指标面板
关键观察:
- 用户是否回来
- 是否愿意付费
- 是否主动反馈
- 是否把产品嵌进工作流
- 失去它会不会难受
5.7 Scale:运营自动化
参考资料:https://claude.com/blog/the-founders-playbook Chapter 6
Scale 阶段,AI 的价值在重复运营流程:
- 周报自动汇总
- 用户反馈自动归类
- CRM 自动更新
- 文档自动同步
- 内容日历自动生成
- 数据异常自动提醒
核心判断:
一人公司最稀缺的是注意力。AI-native Founder OS 的价值,是把注意力留给判断。
5.8 网页 ChatGPT + Codex 的实际分工
参考资料:https://help.openai.com/en/articles/11369540-using-codex-with-your-chatgpt-plan
核心判断:
网页 ChatGPT 负责想清楚,Codex 负责做出来。
5.9 本节收束
AI-native Founder OS 是把 prompt、skills、harness 这三层技术能力,放进 Idea、MVP、Launch、Scale 的创业闭环。
- 最终收束
6.1 收束图
6.2 最终判断
AI 能力会继续变强。
执行会越来越便宜。
普通人要同时练四件事:
- 能不能问出高质量问题
- 能不能把经验沉淀成模块
- 能不能把模块组织成系统
- 能不能把系统服务于真实目标
最终句:
AI 时代最大的风险,是 build 太容易以后,人更容易逃避"这件事到底值不值得做"。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
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。
