企业官网建设流程全解析

• 教程
• 人工智能
• 大模型

ai-engineering-from-scratch-zh提供了中文全量翻译的Agent 辅助工程学习路径：16 节课、约 15 小时，教你把 coding agent（Claude Code、Codex、Cursor 等）从"偶尔能写对代码"变成"在你的仓库里稳定可靠交付"。这条路不教你调 prompt，而是教你在模型周围搭建指令、状态、范围、反馈、验证、审查、交接这七个工程接触面——也就是 agent 工作台（Workbench）。

为什么"能干的模型"还会失败？

把前沿模型丢进真实仓库，让它加输入校验，常见的结局是：它打开四个文件、写出看着合理的代码、宣布成功——然后测试失败、改动泄漏到无关文件、没有记录说明它假设了什么、还剩什么没做。

这不是模型 bug，是工作台 bug。课程第一课 31-agent-workbench-why-models-fail 用同一个"仅 prompt"和"工作台引导"两次运行做对比，产出一份失败模式报告，核心结论是：

完整路径定义在 using-coding-agents.json，16 节课按顺序展开。下面按四个阶段速览。🧭

阶段一：搭起最小工作台（第 1~6 课）

这六课的目标是把一个陌生仓库变成"agent 能干活的地方"：

1. 为什么模型会失败（31 课）：先跑对比实验，建立"失败来自接触面缺失"的直觉。
2. 三文件最小工作台（32 课）：只建三个文件——AGENTS.md（路由器）、agent_state.json（状态）、task_board.json（任务板），证明第二遍运行能从第一遍的中断处继续，而不是从零开始。
3. 指令变成可执行约束（33 课）：把docs/agent-rules.md里的散文规则解析成机器可检查的规则集，输出rule_report.json。
4. 仓库记忆与持久状态（34 课）：为状态文件写 JSON Schema，实现"先校验、再原子写入"的StateManager——坏写入被拒绝而不是被持久化。
5. 初始化脚本（35 课）：会话启动时探测运行时、依赖、测试命令、环境变量，任何一个 block 级探针失败就响亮地停掉。
6. 范围契约（36 课）：每个任务一份scope_contract.json，含允许/禁止的文件 glob 和验收命令，diff 超出范围即被告警。

一句话理解这六课：prompt 告诉模型这一轮想要什么，工作台告诉模型如何跨轮次、跨会话地干活。大多数 agent 失败故事，都是穿着 prompt 工程衣服的工作台失败。

阶段二：先框定任务，再写代码（第 7~9 课）

git clone https://gitcode.com/gh_mirrors/ai/ai-engineering-from-scratch-zh cd ai-engineering-from-scratch-zh

1. 在写代码前框定任务（43 课）："为重复邮箱加保护"听起来很具体，其实不是——唯一性放 API 层还是数据库层？区分大小写吗？允许迁移吗？这课教你把模糊请求转成含"允许路径、禁止路径、验收证据"六字段的任务框架。
2. 由证据制定计划（44 课）：计划不是更漂亮的待办清单，而是依赖图——每项改动都有仓库证据支撑，每个终点都有证明方式，并区分可并行与必须串行的步骤。
3. 运行时反馈循环（37 课）：包装每一次命令执行，把 stdout、stderr、退出码写进feedback_record.jsonl。关键规则：exit_code: null的命令不能被标记为成功。

阶段三：验证、审查与交接闭环（第 10~13 课）

1. 验证关卡（38 课）：任务关闭时运行纯确定性的verify()——验收命令跑过且退出码为 0、范围报告干净、所有 block 级规则通过，缺一不可。
2. 审查者 agent（39 课）：构建者和批作业的人必须分离。审查者对产物只读，按问题贴合度、范围纪律、假设、验证质量、交接就绪度五个维度打分，输出pass / soft_fail / hard_fail裁决。
3. 隔离委派（45 课）：并行 agent 只有在工作相互独立时才省时——每项委派都要有独占的文件所有权和明确的验收证明，否则保持串行。
4. 多会话交接（40 课）：会话结束时自动生成handoff.md+handoff.json，包含改了什么、跑了哪些命令、失败尝试、未决风险和下一步动作，让下个会话第一分钟就能干活。

阶段四：真实仓库对比与毕业项目（第 14~16 课）

1. 真实仓库上的工作台（41 课）：对同一个样本应用跑"仅 prompt"和"工作台引导"两条流水线，从测试是否真的跑过、验收是否达成、超范围文件数、交接质量、审查得分五个维度出对比报告——让怀疑者也能看懂差别。
2. 把纠正变成系统（46 课）：只活在聊天里的纠正只修好一次运行。"不要编辑那个文件"说明范围边界不可执行，"输出形状不对"说明缺示例或测试——每次纠正都提升到能最早防止复发的那一层。
3. 毕业项目（42 课）：把前 11 课的 schema、脚本和文档组装成带VERSION的agent-workbench-pack/，附幂等安装器，一键铺进任意目标仓库。🎓

如何开始学习

• 完整入口：phases/14-agent-engineering/README.md，前置要求是阶段 11（LLM 工程）和阶段 13（工具与协议）。
• 路径定义：learning-paths/using-coding-agents.json，每课预计 45~75 分钟，全部必学。
• 动手验证：每课都带可运行的参考实现，例如：

python3 phases/14-agent-engineering/31-agent-workbench-why-models-fail/code/main.py

课程全部使用 Python 标准库实现，无需安装重型依赖。学完这条路，你手里不只是"会用 coding agent"，而是一套能装进任何仓库、换模型也不失效的可靠交付工程方法。

• 教程
• 人工智能
• 大模型