从实习面试到 Agent 开发：名词换得比模型还快，我为什么不焦虑

上周在粉丝群做了场技术分享，视频已经发出来了。但总有人更习惯读文字，所以我把它整理成了这篇博客——内容一一对应，只是从「讲」改成了「写」，顺手补全了几处当时没展开的逻辑。文中引用到的链接，都会在文末一并附上，方便大家查证。

这场分享的起点是一句随口的话：这几年「Agent 开发」这个词一直在变，去刷 Boss 直聘的 JD，更新得飞快。我想聊的是——在这么快的迭代下，无论你在找实习，还是已经在做 Agent 开发，该用什么心态去接住它。

TL;DR

• 名词（Prompt → Context → Harness → Loop）换得比模型还快，但它们做的是同一件事：围着不变的模型核心，一层层往外搭系统。
• 不被新词淹没：别囤着不看，先丢给你的个人 agent 过一遍；学新东西先扒 JD、抓一手资料，别让 AI 从零教你。
• 真正的护城河不是知识（知识是白菜，AI 能批量产），而是你的判断、品味和 context；而 context 来自主动——造东西、公开、被检验。
• 一句话：与其追每个名词，不如建一个能自己跑下去的系统——技术上是你的常驻 agent，成长上是「做 → 踩坑 → 沉淀 → 公开」的闭环。

整篇分四块：名词这一年到底在讲什么、我怎么不被它们淹没、怎么有目的地学、以及真正的护城河是什么。

一、名词这一年：四拨工程接力，一整年的开源浪潮#

新词太多，遇到新词会焦虑，这很正常。所以先同步背景，把这几个词到底在讲什么捋清楚。

把这几年的关键词排成一条线，会看到一条清晰的接力：

• ‘22–‘23 Prompt Engineering —— 把一句话写好。讲究怎么通过提示词，让 LLM 返回更高质量、更稳定的回答。那时候还流行各种 magic words：「回答前先想一步」「回答前再反思一下」之类。（随 GPT-3 / ChatGPT 普及，可参考 Prompt Guide ↗）
• ‘25.6 Context Engineering —— 管好模型「看到的一切」。任务一长，模型的注意力就涣散，于是重点变成：如何让它注意力集中，以及只喂它真正需要的 context。由 Shopify CEO Tobi Lütke 提出，Karpathy ↗ 推火。
• ‘26 初 Harness Engineering（驾驭工程） —— 给模型套上「脚手架」。OpenAI Codex ↗ 和 Anthropic ↗ 那两篇博客有个共同的关键词：long-running。想让 agent 干更长的任务，就得引入 harness。
• ‘26.6 Loop Engineering —— 别再手动 prompt，去设计「循环」。OpenClaw 作者 Steinberger 的一条推 ↗（大意是「你不该再给 coding agent 敲 prompt，而该去设计 prompt 它们的循环」）拿下 1.7M 播放、引爆讨论，Addy Osmani ↗ 随后把它系统化、正式命名。

这四个，是同一条「工程名词」的接力：Prompt → Context → Harness → Loop。而在它们中间，还垫着一整年的行业背景——2025 是公认的「Agent / multi-agent 元年」：开源框架遍地开花（LangChain deepagents ↗、Goose……），大厂和初创都在做 agent、推 multi-agent，直到年底才有人开始反思 multi-agent 是不是伪需求。它本身不是一个新的「工程名词」，而是上面那四拨接力得以发生的土壤。

把时间摊开看更直观：从 Prompt 到 Context，中间隔了三四年；而 Context 之后的 Harness、Loop，连同 2025 那波开源浪潮，几乎全挤在这一年里。火到什么程度——连腾讯两周前那份三万字报告 ↗，都还停在「驾驭工程」，Loop 是这周才冒出来的。我估计再过两周，小红书、Boss 直聘上就会出现「招 Loop Engineering 实习生」，毕竟现在的 JD 还停留在 OpenClaw 和 harness 那个时代。

规律：工程的「对象」一直在向外扩#

把这几拨叠在一起看，会发现一件事——模型基本没变，变的是你下手的「那一圈」：

一句话：词 → 上下文 → 环境 → 机制。 名词在变，但它做的事是同一件——围着那个不变的模型核心，一层层向外搭一个系统。换句话说，这条名词演进史，本身就是一部「系统不断向外扩」的历史。

这不只是炒作：同一个模型，只改外面那圈#

给一组很硬的数据。LangChain 的 coding agent，模型（gpt-5.2-codex）一行没动——这模型还是闭源的——他们只重做了 harness，就在 Terminal-Bench 2.0 ↗ 上从 Top 30 开外（52.8%）冲进了 Top 5（66.5%），整整 +13.7 分，约等于白嫖了一整代模型的进步。那篇博客 ↗的作者 Vivek Trivedy（在 LangChain 带开源 agent 和 harness）有句话很到位：

「Agent = 模型 + Harness。你要么是模型，要么就是 harness——模型之外的一切，都是 harness。」

还有一个更微妙的例子。我之前用 Grok 的 coding 模型，它的工具调用一直有问题——参数对不上，经常调用失败。我印象里有研究做过这样的实验：把参数格式对齐之后，同一个模型的表现直接拔高了近一个量级。所以很多看起来是「模型不行」的问题，本质是 harness 没做好。

小声说一句：上面这个实验，我一时找不回原始出处了，是凭印象写下的，等找到会回来补上链接——也欢迎知道出处的读者帮忙指正。

名词的本质：换的是名字，做的是同一件事#

再往回推：我们更早做的 prompt、context，本质也都是 harness，只是那时候「harness」这个词还没出现而已。

而且上一层从没消失，只是变成了下一层的一个零件。Prompt 没死，它成了 Loop 里的一个组件——原本是人类手动打磨一个更好的 prompt，Loop 则是让 agent 在循环里自己打磨 prompt、自动测试、自动迭代。本质还是一层包一层，而且很多时候前一层早就在做了，只是没被单独命名。

所以名词为什么一直在换？一部分是真有增量（Loop 相对 harness 确实多了东西，得承认），但很大一部分原因是它需要炒作。大可不必一看到新名词就发怵。它们做的始终是同一件事：在不改模型本身的前提下，让一个 agent 更稳、让体验比直接用 ChatGPT / Claude 更好。这件事，我管它叫 Agent Engineering。

二、为什么我不焦虑#

很多人看到一堆新名词，第一反应是「天，我有好多东西要学」。但问题往往不是名词太多，而是你「囤着却不看」。

新名词像 DDL 一样越堆越高，可大多数人只是把它们收藏起来，从不花时间真正搞懂——总以为「收藏 = 看过」。这件事我自己也干过。但如果你真去算成本，会发现读懂一个新概念（比如 Loop Engineering）远没有想象中贵。焦虑的来源从来是「未知」本身：堆起来的不是知识，是未知。这一点想透，就好办了。

做法一：看到新东西，先丢给我的个人 agent#

比如我看到 Loop Engineering，那条原推挺长，我没空细读，就直接丢给我的 agent：「帮我过一遍，讲清楚这是什么，最近很火。」

有了 AI，快速、片面地了解一个新东西，成本极低。光看它的解读，我就大致知道这东西是什么了——这就够。觉得有意思，再去精读；觉得没必要，就跳过。很多新内容根本不需要逐字读，让 AI 先读一遍就好。

而且它常常顺手告诉我：我基于自己设备搭的那些 cron job、skills、workflow，其实很多早就是 Loop Engineering 了。这恰好印证了前面那句——新名词很多时候只是给「大家早就在做的事」起了个新标签。

做法二：别问「它是什么」，问「它跟我做的有什么不同」#

这个问法的前提，是你的 agent 得了解你（有记忆），或者你直接把它放进你的 codebase 里问。

然后你问它：这个新东西，跟我已经在做的差在哪？ 这样就能把新名词归到三类里——真东西、值得追；我其实早就在做；纯炒作、跳过。哪怕你完全不懂这个新东西，你也得知道自己跟它的差距是什么、要补什么、做哪些实践才能追上。能分清这三类，你就不会被每个新词牵着走。

三、怎么学 & 上哪找信息#

很多人怕信息差：「我接触不到一手信息」「我是不是比别人慢了一步」。网上还每天有人吓你「不学这个 CC / Codex 技巧你就废了」——这些大多是在制造焦虑。

学新东西，第一步不是学，是扒 JD#

我学东西很功利：奔着就业，也奔着把东西做出来。所以上手一个新方向，我会先扒一堆 JD，看这行在用哪些术语。比如最近想学 agentic RL，我直接去搜有点名气的大厂、和顶级初创的岗位。

为什么先看 JD？因为知道了术语，你搜资料、跟 AI 聊，才问得准，才会建立起对这个行业的基本认知。前提是你要学的方向市面上已经有岗位（像 agent 这种相对成熟、又在快速发展的方向就很合适）；如果还没有岗位，那只能退而求其次靠搜索和博客了。

有个坑要避开：别去看那种很初创、很小厂的 JD，他们的 JD 多半是 vibe 出来的，没有参考价值。

信息源上，我的建议是优先看 X（推特）和官方博客（OpenAI / Anthropic）。国内公众号里当然有好的，但我接触到的那批，普遍标题党、信息密度低——一手信号在 X 和官博，公众号大多是二手转述。

别让 AI 从零教你一个新领域#

这是个值得说清楚的坑。大模型有两个当前普遍的局限：一是会顺着你——你怎么问，它就顺着你的预设往下接；二是在你完全没有基础时，它产生的幻觉你根本无从分辨（这是现阶段所有大模型的通病，不是某一个模型的问题）。

两者叠加，如果你零基础、又把「教学」整个甩给 AI，很容易越学越偏：它给你一份看似体面的「学习路线」，你判断不了对错，它再顺着你强化，最后学到的是一套自洽但失真的东西。

正确的顺序是反过来的：

• ❌ 从零让 AI 教 —— 让它直接给一份「学习路线」→ 你没基础、判断不了对错 → 它还顺着你 → 越学越歪。
• ✅ 先抓一手 —— 扒 JD、或让它推荐几篇好博客 → 自己读原文，建立属于你的「唯一真相」→ 卡住了，再带着具体问题去问它。

我学一个新领域时，会先让 AI 推荐几篇好博客，而不是让它从零开讲。博客里一定有我看不懂的，我再把那部分丢回去让它解答——这样它也能基于我的学习路线，建立起对我当前阶段的认知。

体力活，交给 agent#

与其每天刷信息，不如让自己的 agent 当过滤器，你只接收筛过的那一小撮：

这里有个容易踩的坑：直接让 LLM「推荐几篇论文」，它很可能编出根本不存在的标题和链接。更稳的做法，是给它接上真实可信的工具——比如调用 arXiv 的 skill（本质是 web extract，直接从源站抓取），拿回来的就是真链接、真元数据，而不是模型脑补的。拿到候选之后，再加一步核实校验：让 agent 逐条确认链接可达、标题和摘要对得上，再进入筛选和摘要。

另一个简单好用的启发式：判断一篇论文值不值得追，先看它有没有开源代码库——粗暴，但有效。

要强调一点：不是什么都该甩给 AI。恰恰因为有了 AI，你更需要独立的学习能力和深度思考——哪些博客、论文要自己一行行精读，哪些可以交给 agent 直接做完，这个判断只能由你来下。

每个人都该有一个带长期记忆的个人 agent#

如果你用过 OpenClaw 或 Hermes Agent，会知道它本质就是一个常驻 agent——你通过 WhatsApp / Telegram 跟它对话。它的架构大致是这样：

一个跑在你机器上的常驻「网关」，把你已经在用的 App 变成指挥它的入口；它有持久记忆、上百个技能，还带「心跳」——会自己定时醒来，帮你跟进邮件和日程。

我认为现在每个人都该有这样一个带长期记忆的个人 agent——哪怕它的长期记忆现在还很粗糙。因为你自己写 skills、自己长期深度地用，会撞上一堆真实的坑，而这些经验，正是你在面试里、在与人交流时最有分量的东西。说到底，这就是前面那条主线里「技术那一层的系统」：一个能自己跑起来、替你处理信息洪流的东西。

四、真正的护城河：主动性#

这一部分的起点，是我 mentor 的一句话：「面试，是我们这一行唯一的护城河。」

这句话我到现在依然认同，但理解变了。我曾经把它当字面意思，拼命去刷面试；后来我更愿意把「面试」读成一种学习方式——它真正的内核，是逼你不断把自己暴露在外部检验之下、不闭门造车。顺着这个内核往下，路径其实不止面试：进交流群、打黑客松、参加 workshop，本质都是同一件事。（当然我也得承认：有些面试、尤其是小公司的，确实既费时又费心情，不必为了刷而刷。）

而所有这些「把自己推出去被检验」的动作，背后是同一种东西——主动性。这才是那条真正的护城河。

知识是地基，Context 才是护城河#

这里引用 Dan Koe ↗ 的一个区分（你可以当它是鸡汤，我也觉得他不少文章偏鸡汤，但这点很对）：我们要做的是 context creator，不是 content creator。

• 知识（content） —— fact-based、可被批量生产。AI 几乎是无限供给，它越来越像白菜：谁都拿得到，所以谁也不靠它取胜。
• Context —— 你的判断、你的品味、你走过的路、你踩过的坑。这是 AI 替不掉、也无法批量生产的部分。

但有件容易被误读的事要讲清楚：说知识「是白菜」，不是说它不重要，而是说它易得、不构成差异。 学一个新领域，你依然必须先有扎实的基础认知打底——没有地基，你既读不懂一手资料，也判断不了 AI 有没有在胡说。基础认知是门票，真正的护城河，是你在这块地基之上、围绕你这条赛道长出来的 Context。知识易得，Context 难求，顺序不能反。

放到面试里就很具体：「skills 是什么」——AI 能答，甚至一字不差、百分百正确。但你能讲的是：你用过哪些 skills、它们各自的好与坏、你踩过什么坑、你怎么取舍。这些 AI 替不了。腾讯报告把它说得更狠：AI 替代的，是「你被雇佣的理由」。

这也是为什么我对培训班项目、以及没有二次开发的开源项目都比较抵触——这类东西 AI 自己就能做出来，那我为什么要招一个「AI 能做出来的人」？我想看到的，是你身上 AI 替代不掉的那部分，包括品味。一个很现实的例子：有审美的人做出来的前端，就是比你好看，哪怕他们用的是 Google AI Studio 这种「没那么高级」的工具。很多 PM、设计师做出来的东西，就是比纯开发群体好看不少——所以纯开发的我们，也得补一补审美这一课。

赢的人，不一定最懂技术，但一定最主动#

腾讯那份《超级个体时代》报告 ↗把「超级个体」拆成四种能力，我觉得很到位：

• AI First —— AI 是工作的默认起点。前几天面试，面试官问我「你还手写代码吗」，我说确实没有了。我上大学的时间，恰好和 AI 变得很强重叠，所以天然就 AI First；而经历过「传统古法编程」时代的人，要转这个思维反而更难。
• 能力跃迁 —— 量级提升 + 跨域闭环。类似现在大家为什么都招全栈、而不再分前端后端——AI 把单人能覆盖的范围抬高了不止一个维度。再往后，可能还会出现「产品开发工程师」，开发的同时还得兼顾一点增长。
• 主动探索 ← 这条最关键：主动去逼近 AI 能力的边界。
• 影响力溢出 —— 让团队一起变快。

报告里还有句话我特别认同（也是我实习公司特赞创始人范凌的观察）：用 AI 用得最好的，往往不是研发，而是产品经理和设计师。 在这家公司实习，我深有体会——第一个想到用 AI 做视频的，是剪辑师。很多时候，思维真得跳出去一步。

AI 几乎把所有人的能力拉回了同一条起跑线，这时候「主动性」就成了最稀缺的东西。

把学习痕迹公开，让它变成一个循环#

具体怎么主动？把你学习的路径、痕迹公开出来，让它转成一个循环：

先做个小东西，你一定会撞上真实问题，把它沉淀成文章 / skills / 笔记，然后公开——博客、视频、自媒体都行，再简单点，发到社群里也算。公开之后，要么收到反馈、要么直接开始下一个，又回到起点。

这就是那条主线里「成长那一层的系统」——和你的个人 agent 形状一模一样，只不过跑的是你自己。关键是：别只输出 content（知识），要输出你的判断、踩坑、路径（也就是 context）。 而且「公开」这件事本身会倒逼你输出——有点像做理科题，你要真会一道题，得能讲清楚给别人听。这篇分享，就是我把过去不到一年的心得逼自己沉淀出来的产物。

为什么这对年轻人是好事：迭代越快，起跑线越平#

现在很多公司不只卡学历，还卡年龄——「我们只要 00 后」「只要 90 后」。学历你还能靠外面够硬的项目补回来，年龄是真补不回来的。

但反过来想：没有人有「十年 Loop Engineering 经验」。 最资深的工程师和你，这周读的是同一条推。

资历会过期，好奇会复利——弯道超车，就是这么来的。

弯道超车具体怎么切：去做测评#

讲个很新的。Vercel 这周（6/12）的 AI SDK 更新 ↗，让你能像换模型一样换 harness——Claude Code / Codex / Pi，同一套 API，各自跑在自己的沙箱里：

const agent = new HarnessAgent({
  harness: claudeCode, // 也可换 codex / pi
  sandbox: createVercelSandbox()
})

harness 第一次被官方做成了标准化的工程层。而它真正的连锁反应在这儿：当 harness 能像换模型一样随便换，「横向比较哪个 harness 更好」——也就是测评——才第一次变得既容易、又值钱。 可偏偏，Agent 的测评本来就少之又少，这个刚被撬开的口子，几乎没人系统地做过。

所以「做测评」就是最实在的切入点。我在博客里反复提过：你实习的项目、你自己的项目，只要有时间有能力就去做测评。 做测评你会撞上一大堆真实问题；不做测评，你的 agent 就是个黑盒，根本没法用。而且测评这套很吃香——上周那位做车载（很垂类）的同学，就因为做了测评，攒了一堆很真实的案例和经验，能直接喂进他接下来的工作。

最后：把焦虑，换成两个动作#

1. 造一个真东西 —— 哪怕只是个很小的 agent，先让它碰到真实问题。
2. 公开你的学习痕迹 —— blog、小红书、GitHub 都行，输出 context，不只是 content。

名词会一直变。但无论在技术上、还是在成长上，你真正需要的是同一样东西——一个能自己跑下去的系统。 技术上，它是一个有记忆、有技能、会自己醒来的常驻 agent；成长上，它是一个「做点东西 → 碰到真问题 → 沉淀 → 公开 → 再做下一个」的闭环。两个系统，同一个形状：你把它搭好，它就替你对抗这片永远在变的噪音。

名词只是噪音，系统才是信号。讲完了——有问题欢迎来群里 / 评论区聊。

— Joye · joyehuang.me ↗

参考链接#

• Prompt Engineering：promptingguide.ai ↗
• Context Engineering（Karpathy）：x.com/karpathy ↗
• 开源 Agent / deepagents：github.com/langchain-ai/deepagents ↗
• Harness Engineering — OpenAI Codex：openai.com ↗
• Harness Engineering — Anthropic：anthropic.com ↗
• Loop Engineering — Steinberger 原推：x.com/steipete ↗
• Loop Engineering — Osmani 命名博客：addyosmani.com ↗
• LangChain · Harness 实测博客：langchain.com ↗
• Terminal-Bench 2.0 榜单：tbench.ai ↗
• Dan Koe · context vs content：letters.thedankoe.com ↗
• 腾讯研究院《超级个体时代》：news.qq.com ↗
• Vercel AI SDK · Harness：vercel.com ↗