本文梳理了 AI 入门阶段最常见的术语，包括 AI、机器学习、深度学习、模型、参数、训练、推理、大语言模型、生成式 AI、提示词、Token、微调、RAG、蒸馏、量化、Agent、多模态等，并澄清了「AI 有意识」「回答一定正确」「参数越大越好」「微调能解决一切知识更新」「AI 会取代所有工作」等常见误区。回顾这些术语，可以归为两条主线：一是“模型怎么来”，涉及训练、参数、微调、蒸馏、量化；二是“

回到最初的问题：Codex 写 commit，你敢全自动吗？技术在飞速进步，AI 生成的 commit message 已经可以非常准确、规范。但commit 的价值从来不只是「写出一句话」，而是「人对变更的确认」。只要团队还需要为代码负责，这道人工确认就不该被轻易省略。现阶段，半自动 + 强约束是最优解。让 AI 做它擅长的——读 diff、归纳变更、规范格式；把人留在关键的——判断边界、识别风

回到最初的问题：Codex 写 commit，你敢全自动吗？技术在飞速进步，AI 生成的 commit message 已经可以非常准确、规范。但commit 的价值从来不只是「写出一句话」，而是「人对变更的确认」。只要团队还需要为代码负责，这道人工确认就不该被轻易省略。现阶段，半自动 + 强约束是最优解。让 AI 做它擅长的——读 diff、归纳变更、规范格式；把人留在关键的——判断边界、识别风

AI Agent 正在把大模型从「对话窗口」推向「工作伙伴」。实现这一转变的关键，并非给模型套上更多提示词，而是构建一个具备规划、执行、记忆、反思和人机协作的闭环系统。长期任务的推进，本质上是在对抗三个敌人：上下文有限、错误累积、目标漂移。谁能更好地管理状态、控制风险并保持对齐，谁就能让 Agent 真正值得被委派。从「回答问题」到「完成任务」转变，核心不是让模型更会说话，而是为它补上行动的闭环；

AI Agent 正在把大模型从「对话窗口」推向「工作伙伴」。实现这一转变的关键，并非给模型套上更多提示词，而是构建一个具备规划、执行、记忆、反思和人机协作的闭环系统。长期任务的推进，本质上是在对抗三个敌人：上下文有限、错误累积、目标漂移。谁能更好地管理状态、控制风险并保持对齐，谁就能让 Agent 真正值得被委派。从「回答问题」到「完成任务」转变，核心不是让模型更会说话，而是为它补上行动的闭环；

AI Agent 正在把大模型从「对话窗口」推向「工作伙伴」。实现这一转变的关键，并非给模型套上更多提示词，而是构建一个具备规划、执行、记忆、反思和人机协作的闭环系统。长期任务的推进，本质上是在对抗三个敌人：上下文有限、错误累积、目标漂移。谁能更好地管理状态、控制风险并保持对齐，谁就能让 Agent 真正值得被委派。从「回答问题」到「完成任务」转变，核心不是让模型更会说话，而是为它补上行动的闭环；

在深度学习工程语境中，Harness 通常指一套模型评测与验证框架。它的核心目标是把「训练好的模型到底好不好」这件事从主观感受变成可重复、可量化的工程流程。统一的数据集加载接口，屏蔽不同数据来源的差异；标准化的推理流程，支持批量评测与单条调试；可扩展的评估指标，如准确率、困惑度、ROUGE、F1 等；结果记录与对比机制，便于多轮实验追踪。理解 Harness 之前，需要先回到它的上游基础：深度学习

它的代码库索引和「可以跨文件修改」的 Agent 模式，使它不是简单回答问题，而是能真正改到多个文件。文中记录的是我当下环境的实测值，供读者参考复现，而不是绝对排名。我把项目里一个约 600 行的工具模块分别喂给三款工具，要求「在不改变对外行为的前提下优化这个模块」。本文的测试数据和结论基于我当前环境的实测记录，不同版本和硬件下会有波动，欢迎读者在自己的项目里复现对比。对话场景下，本地小模型生成长

Python 是一种广泛使用的解释型、高级编程语言，由 Guido van Rossum 在 1991 年首次发布。Python 的设计哲学强调代码的可读性和简洁性，使用缩进来划分代码块，摒弃了其他语言中常见的大括号和分号，让代码看起来更干净、更自然。Web 开发：Django、Flask、FastAPI 等框架让后端开发变得高效便捷。数据科学：Pandas、NumPy、Matplotlib 等库

把 LLM 作为核心决策器，再给它加上感知、记忆、工具调用和行动能力，形成一个可以自主完成任务的系统。大脑（LLM）：负责理解、推理、决策；工具（Tools）：搜索引擎、代码执行器、数据库、API 等外部能力；记忆（Memory）：短期上下文 + 长期知识存储；规划（Planning）：把大任务拆解成可执行的步骤。这里最容易混淆的是记忆和规划记忆通常分三层：当前对话的上下文（短期记忆）、跨会话的用