最后一章会告诉你，有了 Claude Code 这样的 AI 工具，你甚至不需要记住命令——但理解逻辑仍然重要。Pull Request（PR）的逻辑是：你在自己的分支上开发，开发完后发起「合并请求」，其他开发者审查你的代码，审查通过后才合并到 main 分支。当 AI 执行的命令和你预期不符时，当你需要判断 AI 的方案是否正确时，当 AI 无法理解你的意图时——你需要知道 Git 在底层到底在

最后一章会告诉你，有了 Claude Code 这样的 AI 工具，你甚至不需要记住命令——但理解逻辑仍然重要。Pull Request（PR）的逻辑是：你在自己的分支上开发，开发完后发起「合并请求」，其他开发者审查你的代码，审查通过后才合并到 main 分支。当 AI 执行的命令和你预期不符时，当你需要判断 AI 的方案是否正确时，当 AI 无法理解你的意图时——你需要知道 Git 在底层到底在

​​ 可以理解为一种“提示词模板”。来自中它的核心是：把固定的提示内容先写好，并预留几个可替换的位置，等实际运行时再把具体内容填进去，生成最终给模型的输入。它的主要作用有三点：第一，方便复用。同一类任务只需要换问题、上下文或主题时，不必每次都重写整段提示词。第二，让提示更清晰。可以把“固定指令”和“变化内容”分开，结构更规整，也更容易维护。第三，便于和 LangChain 的其他组件配合。比如用户

构建（写代码改进系统）和分析（决定下一步重点）。阶段描述分析方式快速原型先做个能跑的版本手动检查输出，通读 trace，凭直觉找问题初步评估系统开始成熟构建小型评估集（10-20 例），计算整体指标严谨分析需要更精确的方向错误分析，量化各组件导致问题的频率高效调优组件级精细改进构建组件级评估，高效调优单个组件开发是非线性过程，需要在调整系统、错误分析、改进组件和调整评估间反复横跳。许多经验不足的团

"非智能体"工作流是 zero-shot 模式：用户给一个 prompt，LLM 一次性完成整个任务，中间不回头修改。Agentic AI 工作流将复杂任务拆解为多个步骤，由一个或多个 LLM 逐步执行。两种模式的差异：以写文章为例，agentic 工作流的步骤：写大纲→判断是否需要搜索→执行搜索→写初稿→反思修订→最终定稿。步骤更多，但输出质量显著高于 zero-shot。

用过Claude Code的人应该都遇到过这个场景：对话进行到一半，系统提示上下文窗口即将耗尽。这时候你需要做个选择——要么开个新会话从头来过，要么用/compact压缩当前对话。Compact的本质是用"记忆"替代"录像"。想象你在开一个两小时的会议。会议结束后，你不会把录音逐字逐句发给没参加的人，而是写一份会议纪要：讨论了什么、决定了什么、下一步做什么。Compact做的就是这件事——把完整的

本博客仅供个人学习记录与技术分享，遵循。本博客内容主要基于吴恩达（Andrew Ng）老师在 DeepLearning.AI 平台推出的。系列课程，并深度参考了 Datawhale 开源社区的。如有任何问题或纠错，欢迎在评论区交流。

用过Claude Code的人应该都遇到过这个场景：对话进行到一半，系统提示上下文窗口即将耗尽。这时候你需要做个选择——要么开个新会话从头来过，要么用/compact压缩当前对话。Compact的本质是用"记忆"替代"录像"。想象你在开一个两小时的会议。会议结束后，你不会把录音逐字逐句发给没参加的人，而是写一份会议纪要：讨论了什么、决定了什么、下一步做什么。Compact做的就是这件事——把完整的

# 文章摘要本文介绍了Claude Code客户端出现"Web Fetch功能无法验证域名"错误的原因及解决方法。该问题的根因是Claude Code内置的域名安全预检机制（preflight）执行失败，并非目标网站本身无法访问。

吴恩达教授在本节中回顾了整套课程：Agentic AI能实现以往无法做到的应用场景，关键设计模式包括反思（Reflection）、工具调用（Tool Use）、评估与误差分析、规划（Planning）与多智能体系统（Multi-Agent Systems）。掌握这些技能后，能在实践中构建创新的Agentic AI应用。同时要记住：如果某项技术能低成本而平滑地提高一个增长期行业的生产力，就一定能大行