核心内容摘要
Python毕设项目：基于python的采用人脸识别技术的课堂考勤管理系统设计与实现(源码+文档，讲解、调试运行，定制等)
本文基于Peter Steinberger访谈分享了AI Agent高效使用的5大核心洞察建立验证闭环让AI自我迭代采用对话而非指挥模式并行调度多个Agent根据任务选择Claude Code或Codex重视Prompt价值超过代码。
作者强调AI Agent是协作者而非工具关键在于知道该问什么。
–先说说我的感受。
过去这一年我每天都在用Claude Code写代码。
用得越多越能感受到一种说不清的摩擦感——有时候AI特别顺手有时候又莫名其妙地卡壳有时候一次就对有时候来回修补三四轮。
我知道问题出在我身上但一直说不清楚到底是哪里不对。
直到我听完Peter Steinberger这114分钟的访谈。
他用了一个词摩擦friction。
“写代码时你能感受到摩擦这正是好架构诞生的方式。
我在 prompt 的时候也有同样的摩擦感。
我能看到代码飞过去能感知花了多长时间能感觉 agent 有没有在’顶你’能看出来生成的东西是杂乱的还是有结构的。
”终于有人把我模糊的感受清晰地说出来了。
这不是玄学这是可以被理解、被优化的工程问题。
感谢Peter让我终于明白2026年AI Agent工程化该怎么做。
1月29日晚知名技术播客《The Pragmatic Engineer》跟OpenClaw创始人Peter Steinberger进行了114分钟的深度对谈。
项目名称演变这个项目经历了快速改名——2025年末首发时叫Clawdbot2026年1月27日因Anthropic商标请求改名为MoltbotClawd与Claude过于相似1月30日又更名为OpenClaw强调其开源社区属性。
目前官方仓库已超过
1
8万 Stars。
Peter不是普通开发者。
他创办的PSPDFKit是iOS开发圈的知名PDF框架2021年获得约€1亿战略投资。
13年创业3年燃尽去年5月开始做这个项目一开始担心大厂会很快做出来结果大厂迟迟没动作最后自己忍不住下场了。
播客前半段是项目诞生的故事。
后半段才是重点——Peter毫无保留地分享了他使用AI Agent的实战经验。
我从这114分钟里提炼出了5个可以直接应用的核心洞察。
洞察一验证闭环是唯一的秘密这是整场对话中最有价值的技术洞察。
“高效使用 coding agent 的关键其实就一句话你得把反馈闭环建好。
它必须能自己测试、自己 debug这是最大的秘密。
”AI Coding 验证闭环高效使用 Coding Agent 的关键让 AI 能自己测试、自己 debugPeter解释了一个很多人困惑的问题为什么AI在写代码上表现很好但在写作上常常平平答案很简单代码可以被验证——可以编译、跑测试、检查输出。
而创意写作很难验证。
他举了一个真实案例“昨天我在 debug 一个问题Mac App 找不到远端 gateway但同样的 TypeScript 代码却可以。
Mac 应用调试特别烦——要 build、启动、点界面、看效果再告诉它不行。
”“现在我直接说你给我建一个 CLI专门用来 debug走完全一样的代码路径。
然后它就开始跑一个小时后搞定告诉我这里有 race condition那里有配置问题。
”关键操作传统方式Peter的方式手动调试Mac应用让Agent建一个CLI来debug反馈周期分钟级反馈周期秒级人工判断对错Agent自己验证“哪怕是现在我在做网站时也会把核心逻辑设计成可以通过 CLI 跑起来因为浏览器里的反馈循环实在太慢了你需要一个能高速迭代的 loop。
”这个洞察的实操价值在给Agent布置任务时先想清楚它怎么验证自己做对了。
如果没有验证机制Agent的输出质量会大打折扣。
洞察二不是指挥是对话很多人把AI当成一个执行命令的机器。
Peter的用法完全不同。
“你并不是在’指挥’它而是在对话。
”他的工作流程是这样的“我会说我们看看这个结构有哪些选项这个特性考虑过没有因为每一轮 session模型一开始对你的产品是零认知的你得给它一些指路标志让它去探索不同方向。
”关键技巧刻意欠提示这是一个反直觉的做法“我通常从一个想法开始甚至会刻意’欠提示’ Agent让它做点出乎意料的事给我新想法。
可能 80% 的结果都不怎么样但总会有一两个点让我意识到’这个角度我没想过’。
”对话 vs 指挥指挥模式对话模式“帮我写一个用户登录功能”“我们聊聊用户认证有哪些选项”期待一次性输出正确结果期待获得新想法然后迭代Agent是执行者Agent是协作者“你并不需要什么 plan mode我就是一直聊天直到我说’build’它才会真的开始构建。
有一些触发词它们确实都挺’饥渴’的但只要我说’我们讨论一下’或者’给我一些选项’它们就不会动手。
”这个洞察的实操价值下次用AI时试试不要一上来就发指令。
先跟它聊聊让它帮你探索选项。
你会发现它能给你意想不到的视角。
洞察三像星际争霸一样并行调度Peter的日常工作状态同时跑5到10个Agent。
Peter 的工作方式Peter 的工作方式同时调度多个 AI Agent在心理上比单纯写代码更累“我不再是管一个人而是同时在管五个、十个它们各自都在干不同的事情。
我在脑子里不停切换从这个子系统跳到那个功能又跳到另一个地方。
”他的工作节奏设计一个新子系统或新功能知道 Codex 大概需要 40 分钟到 1 小时才能跑出来把方案想清楚交给它去煮转身去干别的任务过一会儿回来看结果“这个在煮那个也在煮过一会儿我再回来看其中一个。
”他用了两个比喻比喻一星际争霸“有主基地也有分基地不断给你输送资源。
”比喻二国际象棋大师同时下二十盘棋“走到一盘前看一眼局面做个决策遇到强对手就多停一会儿。
”但这并不轻松“这其实更累。
在心理层面上比单纯写代码更累。
因为你的大脑一直是满负荷的你在’扩展自己’。
”这个洞察的实操价值如果你的Agent任务需要等待比如Codex跑复杂任务要40分钟不要干等。
开多个终端同时跑多个任务。
你的角色从写代码的人变成调度多个Agent的人。
洞察四Claude Code vs Codex——真实对比Peter从Claude Code的重度用户变成了Codex的重度用户。
他的对比非常具体“一开始是 Claude Code然后我彻底上瘾了。
但现在在复杂应用里写代码Codex 明显更好。
”对比维度Claude CodeCodex (OpenAI)上下文理解可能读三份文件就自信开始写代码会安静地读十分钟文件首次成功率第一次跑往往不通需要来回修补绝大多数时候一次就对工作节奏快速反馈更互动更慢但结果更稳适用场景通用计算、快速原型复杂应用、大型代码库Claude Code的问题“用 Claude Code 的时候你得用一种不太一样的方式工作。
它确实更快但生成的东西往往第一次跑不通可能忘了同步改另外三处要么直接 crash。
”Codex的优势“Codex 会花十倍的时间去理解上下文。
如果你只用一个终端这体验确实让人受不了但我更愿意要这种方式——因为我可以同时跑多个。
”Peter的选择逻辑“现在用 Codex绝大多数时候它一次就对了。
”这个洞察的实操价值•快速原型、探索性任务→ Claude Code•复杂应用、需要理解大型代码库→ Codex•关键如果选Codex一定要同时开多个任务否则等待时间太痛苦洞察五Prompt比代码更有价值这是一个让很多传统开发者不舒服的观点“当我看到一个 PR 时我更感兴趣的其实是 prompt而不是代码本身。
”Prompt is the new CodeAI 时代代码的 PR 本身价值在缩水Prompt 反而才是更高信号量的东西Peter现在要求所有提交代码的人必须附带prompt“有些人会照做而我会花更多时间读 prompt而不是读代码。
”“对我来说prompt 才是更高信号量的东西你是怎么得到这个结果的你具体问了什么中间做了多少引导这些比最终代码本身更能让我理解输出。
”对提需求方式的改变“如果有人想要一个新功能我会让他先写一个 prompt 需求把它写清楚。
因为我可以直接把这个 issue 丢给 agent它就会帮我把功能做出来。
”好的Prompt不是预先设计的很多人以为Peter有精心设计的Prompt模板。
事实正好相反“这并不是提前精心预备好的而是跟 Agent 之间的协作规划出来的。
”这个洞察的实操价值• 开始记录你的Prompt它比代码更有复用价值• 提需求时先想清楚怎么跟Agent描述而不是怎么写代码• PR review时关注这个结果是怎么得到的而不只是代码对不对两个反行业共识的观点除了上面5个实操洞察Peter还抛出了两个让人印象深刻的反共识观点反共识一瀑布式 AI 精致的混乱“我看到很多人会先搭一整套复杂的编排层什么自动建工单、Agent 处理工单、Agent 再给另一个 Agent 发邮件最后堆出一坨精致的混乱。
图什么”他直接批评了AI圈常见的先设计spec再让Agent执行的做法“他们可能花几个小时设计 spec然后机器用一天把东西’造’出来。
我不信这套能行。
这本质上还是瀑布式软件开发我们早就知道它行不通。
”他的替代方案像雕塑一样构建“从一块石头开始不断凿慢慢一尊雕像从大理石里浮现出来。
这就是我对’构建’的理解。
”反共识二大公司要用好AI需要先来一次大重构企业 AI 转型新世界需要的是那种有完整产品视角、什么都能干的人——而大公司往往不存在这样的角色“我觉得大公司会非常难以高效地采用 AI因为这要求彻底重塑公司运作方式。
”“比如在 Google你要么是工程师要么是经理想同时决定 UI 长什么样这个角色不存在。
但新世界需要的是那种有完整产品视角、什么都能干的人而且数量要少得多。
”“理论上公司规模可以砍到原来的 30%。
”核心要点洞察一句话
总结实操行动验证闭环让Agent能自己验证对错布置任务前先想清楚验证机制对话而非指挥刻意欠提示获取新想法先聊选项再说build并行调度像星际争霸一样管理多个Agent开多个终端同时跑多个任务工具选择CC快但需修补Codex慢但准复杂任务用Codex快速原型用CCPrompt CodePrompt才是高信号量的东西开始记录和复用你的Prompt写在最后上周我写Clawdbot的风险有人问“那到底该怎么用AI Agent”Peter的这场114分钟访谈给出了一个经过实战检验的答案不是把AI当成一个执行命令的工具而是把它当成一个可以对话的协作者。
不是追求一次性输出完美结果而是建立验证闭环让它自己迭代。
不是一个任务一个任务地串行执行而是像调度一支团队一样并行管理。
这需要一种心智模型的转变。
正如Peter所说“这一年里我学到的系统架构和设计知识比过去五年加起来都多。
这些模型里塞进了巨量知识几乎任何问题都能问到答案前提是你得知道该问什么。
”前提是你得知道该问什么。
这可能是整场访谈最重要的一句话。
如何系统的学习大模型 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。
我在一线互联网企业工作十余年里指导过不少同行后辈。
帮助很多人得到了学习和成长。
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人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】
大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍
大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。
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-
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天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。
快速开发一个完整的基于 agent 对话机器人。
掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。
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…第三阶段30天模型训练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。
你已经成为了一名“AI小子”。
那么你还想往下探索吗为什么要做 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…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。
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…学习是一个过程只要学习就会有挑战。
天道酬勤你越努力就会成为越优秀的自己。
如果你能在15天内完成所有的任务那你堪称天才。
然而如果你能完成
% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】