AI agent启动只需5步，门槛已从写提示词变成说清需求

聊天和干活是两回事

ChatGPT 这类聊天机器人只负责对话；AI agent 则直接在你的电脑上动手：打开应用、处理文件，替你把任务执行完。一个动口，一个动手，这是核心差别。

承载 agent 的载体叫 harness。ChatGPT agent、Claude Code subagents、Hermes agent 都是具体产品。loop（循环）让 agent 连续运转：你启动一个循环，它就在后台按步骤跑完工作流，不需要每一步都确认，回来时带着成品。

agent 能完成几乎所有计算机任务，但输出质量取决于你给的输入和初始提示。它不会猜你的心思。

上下文：agent理解你的起点

上下文（context）是 agent 应当知道的关于你和任务的全部信息，也是它开工前最重要的输入。

就在几个月前，提供上下文还是一项专业活：每次都要写大量结构严谨的长提示词，当时叫上下文工程。现在模型足够聪明，对大多数任务，普通人已经不需要那套流程。日常使用中，说清楚你是谁、要什么、有什么限制，agent 就能进入状态。

最省力的做法是打开 Claude Cowork，用语音说出你的背景，它会自动在桌面上建好一个上下文文件夹。文件夹里可以拆成多个文件：通用上下文、特定任务上下文、指令文件，各管一摊。

记忆：agent越用越懂你的部分

上下文和记忆不是一回事。上下文是开工前交给 agent 的静态材料；记忆是 agent 和你在长期合作中攒下的动态偏好。上下文文件大体固定，装宏观信息；记忆文件持续增长，装逐渐显露的小偏好。

构建记忆有两种方式：放在本地文件夹，或者用 Supabase、Supermemory 这类云系统。初始记忆应该尽量简单，最多在 memory.md 里存几个基本事实，之后随使用慢慢长。

一个例子：你说过“不要用破折号”，这条偏好会被写进 memory.md，下一次会话 agent 就不用你重复。

除了 memory.md，还应该有一个 instructions.md。记忆记录偏好，指令规定流程——instructions.md 放的是固定规则，比如变更日志怎么管理。两个文件分开，agent 调用规则时不会把偏好和流程混在一起。

技能与MCP：把重复工作变成自动化

技能（skills）把重复工作流变成自动化。它的形式是针对单一任务的分步说明文档，相当于给新员工的 SOP。技能文件里是一个任务的完整执行步骤，agent 照着文件走，就能稳定复现结果。

构建技能有两条路。一条靠手写：在对话框里输入 /skillcreator，讲清操作步骤，工具会生成技能文件。另一条靠录制：打开 Claude 桌面端的 Cowork，选 Record-a-skill，把操作过程录下来。

MCP（模型上下文协议）是这个框架里必需的部分，它负责给 agent 接上外部工具的接口：接入 Google 日历的 MCP 后，agent 就能自主查看和管理日历。日常使用的连接器包括 Notion、Gmail、Excalidraw。每接一个外部工具，agent 就多一项能力。

5步启动你的第一个agent

启动流程共 5 步：选一个 harness；输入 “I want to launch an agent”；附上本地上下文文件；把对应的技能或 SOP 发给它；开始提示任务。这套流程适用于 Claude、Hermes、Codex 等任何 harness。

流程本身不复杂。上下文和初始提示的质量，直接决定 agent 的输出质量。

门槛降下来了，代价还不清楚

agent 能访问邮件和日历，替你做事的同時也拿到了不小的权限。权限怎么收回、由谁审计，哪些工具收费、复杂任务的失败率多高、需要多少人工监督——这些在这套框架里没有答案。

能确定的是，使用要求从“会写复杂提示词”变成了“会说清楚自己要什么”，这个变化发生在几个月之内。