如果是配置环境变量就单引号，直接输入APIKEY就双引号。

光靠”发一句话拿到一段文字”，你能做的事还是有限的。它生成一段内容，然后你还得自己复制粘贴、格式调整、接着问下一句。耗时的工作，往往不是回答一个问题，而是完成一件事的过程中反复的手工调整和优化。使用智能体正是为了加速这个过程。

大模型，先记住这一点就够了：它不是只会做某一件事的专门工具，而是能处理多种任务的通用模型。Agent 则是在大模型之上搭出来的应用方式。大模型负责理解和生成，工具、记忆和执行流程负责把任务往前推进。就像手机不是芯片本身，而是把芯片、屏幕、系统和应用组合起来，变成一台能办事的设备。

你可能遇到过这种情况：让大模型起草一份攻略、邮件或方案，它能够很快给出答案，但读完总觉得“不像我要的”。这通常不是模型完全不会做，而是它缺少判断依据。你没有告诉它给谁用、在什么场景下用、哪些地方必须避开，它只能给一份通用答案。学完这节，你将能够：把一句话的简单要求，改写成包含角色、任务、背景、约束和样本的提示词在说不清需求时，让大模型先采访你、起草提示词或列出执行计划。

你报名参与了导游志愿者活动，但对景点并不熟悉的你很难给出令游客满意的景点介绍。你意识到可以通过查询资料来帮助你完成导游工作，这时的你不再扮演知识的输出者，而是知识的总结者。同样地，给大模型配备知识库，也可以让它参考查询到的信息回答原本无法回答的问题。这种结合了信息检索与文本生成的方法就是检索增强生成（RAG，Retrieval Augmented Generation）。构建 RAG 应用是减少大

大模型微调就像给一个已经训练好的、很聪明的学生（大模型）进行针对性补习，让大模型更懂你的专业领域、更符合你的特定需求。例如，你需要训练学生能表演话剧，扮演医生、律师等特定角色。或者，你提供给学生关于你们公司业务系统的大量开发手册，需要学生快速地学习，然后就能加入你的开发团队，优化你们的系统了。在预训练的基础上，使用特定领域的数据对模型进行进一步的训练，从而让模型更擅长处理你想要解决的问题，也就是说

反复用 Agent 处理同一类工作时，麻烦的不是它完全不会做，而是同样的格式、标准和例外每次都要重新说明。少说一句，输出就可能变样。Skill 用来把这些重复说明保存成可复用的工作方法。下次遇到同类任务时，Agent 可以按这套方法执行，而不是每次临场发挥。

你已经看到 Agent 能拆任务、分头查资料、汇总成一份报告。可只要任务稍微长一点，另一个问题就会冒出来：报告写得很顺，但里面有没有把没完成的事写成完成？有没有遗漏阻塞事项？有没有把不能对外发送的信息写进去？这类问题不一定靠一句“认真核对一下”就能解决。你需要让 Agent 写完以后，还能拿着依据回头检查一遍。本课继续用 QoderWork 这类桌面 Agent 演示文件夹读取和任务执行。换成其他

当你让 Agent 读网页、看文件、整理客户表、调用工具时，风险也会一起进入工作流：网页里可能藏着恶意指令，客户表里可能有不该上传的个人信息，知识库里可能混着不同权限的文档，AI 生成的结论也可能看起来流畅但事实不对。这节课带你认识这些安全风险，提醒你在未来的工作中主动判断：什么可以交给 AI、交到什么程度、哪些地方必须由人确认。

你的文件在电脑上，AI 在网页里，中间隔着一道屏幕。把文件传上去让它看，再把结果下载回来保存、检查——这些来回搬运的步骤仍然要你自己做。桌面 Agent 直接运行在你的电脑上，能读写本地文件、调用工具、操作浏览器等。你说目标，它自己规划步骤去完成，最后把找到的东西整理成报告。但做完以后你可能会想：那些材料都是我自己攒的，本来就在电脑上。要是我手上没有现成资料呢？要是信息在网上、在别人的文章里、在一