2026年的AI工程化，不再是"养一匹更强的烈马"，而是"打造一套更可靠的缰绳"。OpenClaw是"军团指挥官"，管好人；Claude Code是"狼群战术"，打好仗；Codex是"全能执行者"，干好活；Hermes是"终身学习者"，不断进化。而贯穿这一切的，是Harness Engineering的思想——把模型当作不可控但强大的引擎，用工程化的Harness让它变得可控、可信、可用。
�� 为什么你学了那么多AI课，依然做不出一个能用的智能体？
因为你一直在学"点"，从来没学"面"。学了大模型，不会部署；学会了部署，不会调优；学会了调优，不知道怎么变成Agent；学会了Agent，不知道怎么让它干活；学会了让它干活，不知道怎么多个Agent协同；学会了协同，不知道怎么沉淀成Skill……每一步都差一点，结果就是什么都知道一点，什么都做不出来。
这一次，我们帮你把整条链路打通。
本次课程共二十节，为期5天，从基座模型原理出发，一路走到多智能体实战部署，不讲废话，只讲干货：
�� 第一节到第四节：大模型原理、私有化部署、DeepSeek V4源码解析、全流程微调——把地基打牢
�� 第五节到第八节：Agent核心架构、Harness Engineering理论、LangChain/LlamaIndex/AutoGen框架——把框架搭好
�� 第九节到第十四节：OpenClaw、Hermes、Claude Code、Codex四大智能体深度拆解与实战——把工具用透
�� 第十五节到第二十节：技能迁移、工作流串联、Skill开发、零代码游戏开发、爆款Skill打造——把能力沉淀
�� 理由一：这不是"又一款AI课"，这是市面上唯一从原理到实战、全链路打通的智能体课程
市面上的培训，要么只讲应用层操作，学完只会"点按钮"；要么跳过原理直接上代码，非科班学员越学越吃力。本次课程从Transformer架构、Self-Attention机制、MoE混合专家、MLA多头潜在注意力讲起，一路讲到Ollama本地部署、DeepSeek V4源码走读、全流程微调实战，再讲到Harness工程、多智能体编排、四大主流工具深度实战、Skill封装与技能迁移。课程体系设计遵循"原理→部署→微调→工程→实战" 的自然进阶路径。零基础？没关系，我们带你从根上长出来。
�� 理由二：所有课程讲工具，只有我们讲"工具之间怎么配合"
OpenClaw怎么和Hermes联动？数据怎么迁、技能怎么移、工作流怎么串？（第十五节专门讲这个。）Codex怎么和Claude Code协同？谁适合写代码、谁适合审代码、谁适合部署？（第十四节给你答案。）Hermes怎么蒸馏一个人的思维方式，变成一个可运行的Skill？（第十八节女娲skill现场演示。）别的课程教你怎么用一把锤子，我们教你怎么指挥一支施工队。
�� 理由三：讲"新"不丢"根"，讲"用"不丢"理"
Claude Code的SubAgent多Agent架构和ReAct、Reflexion是什么关系？OpenClaw的Gateway和ESB（企业服务总线）有什么异同？Hermes的自进化机制和强化学习经验回放怎么呼应？——这些底层逻辑，不讲透，你永远只能照抄别人的Prompt，永远没有自己的判断力。 邹伟博士深耕AI领域超过十年，出版11部专著，从深度学习框架调优一路跟到Harness Engineering，有底气把新工具讲透，更有能力把它们锚定在AI工程化的历史脉络中。
�� 理由四：不讲PPT，只讲"我亲手趟过的坑"
第三节DeepSeek V4源码解析和全流程微调实战——代码一行一行走，坑一个一个填。 第九节OpenClaw网关企业级部署——生产环境踩过的雷，课堂上全告诉你。 第十四节Codex自动化工作流集成——PR Review Bot怎么搭、CI/CD流水线怎么接，现场跑给你看。 第十八节skill-creator和女娲skill——3天GitHub 3000 Star的开源项目，怎么用、怎么玩、怎么复刻，现场实操。 所有的内容，脱胎于真实项目经验，不打嘴炮，不念PPT。
一、培训对象
各企事业单位、科研院校、培训机构技术人员，从事计算机、自动化、机器人软件工程和信息工程等相关人员。具有1年以上工作经验的IT工程师或管理者，了解Python 语言。
除此之外，还包括：已经玩过OpenClaw、想深入系统原理的开发者；公司准备引入智能体、需要有人牵头落地的技术骨干；单纯对AI前沿技术有热情、想跑在大多数人前面的极客。
需要的基础：写过代码（Python/TypeScript都行），知道API是怎么回事，用过Git。不需要是大模型专家，不需要有AI背景——智能体的重点在“干活”，不在“炼丹”。
二、培训时间与地点：
上课时间：2026.08.23—2026.08.26日（四天。每天6-7小时）。
授课地点：暂定钉钉线上(回放半年)+北京线下（北京海淀西二旗附近）。如遇线下人员少于5人，自动转为全员线上。我们强烈大家尽可能来线下学习。会务组将于开课前7日前将《报到通知》发给各参培学员，详细报到地点、乘车路线等事宜。
三、 主要内容：
第一节：DeepSeek等大模型的原理和技术演进路线
1. 大模型发展史以及最近进展！！（时刻更新）
2. 大语言模型（LLM）结构全景图
3. Scaling Law（性能的四大扩展规律）
4. 大模型的基石——Transformer架构与自注意力机制：Self-Attention机制的原理和计算过程、Multi-Head Attention的设计和作用
5. MoE混合专家——让大模型“该谁干活谁干活”
6. MLA多头潜在注意力——DeepSeek的“显存革命”
7. Engram条件记忆——“查表”与“计算”分离的新范式
8. DSpark推测解码
9. 知识蒸馏——大模型“传功”给小模型
10. FP8混合精度训练——把训练成本“打下来”
11. 训练全栈工程优化——从并行策略到硬件适配
12. 技术演进路线图
第二节：本地私有化部署及大模型API调用实操
1. Ollama的安装与配置
2. 私有化部署工具链全景——从Ollama到llmaker
3. 通过API调用大模型（基础调用三要素（API Key、Endpoint、消息体）
4. 单论对话与多轮对话调用
5. 开源模型与闭源模型调用
6. 调用Gemma、Qwen与Llama
第三节：DeepSeek v4源码解析及全流程微调实战
3.1 DeepSeek v4 核心架构解析
· 模型规模与MoE设计（稀疏激活、专家路由）
· 注意力机制优化（MLA / 多头潜在注意力）
· 训练数据配比与长上下文扩展（1M token）
· 开源仓库结构导览（模型加载、推理入口、配置体系）
3.2 源码关键模块走读
· 模型定义层：modeling_deepseek.py 核心类继承关系
· 分布式推理：张量并行、流水线并行的实现
· 自定义算子：融合核函数（FlashAttention、MoE Gate）
· 从源码中能学到什么（代码风格、性能优化技巧）
3.3 全流程微调实战（从数据到部署）
· 环境准备：硬件要求（单机多卡/多机）、依赖安装、模型权重获取
· 数据准备：指令数据格式（ShareGPT/Alpaca）、数据清洗与去重、长序列打包
· 微调方法选择：
o 全参微调（适合数据量大、领域差异大的场景）
o LoRA / QLoRA（资源受限首选）
o 混合微调（部分层冻结 + adapter）
· 训练工程：
o 使用 DeepSpeed / FSDP 进行分布式训练
o 学习率调度、梯度累积、混合精度
o 监控与日志（W&B / TensorBoard）
· 评估与测试：
o 验证集困惑度、下游任务指标
o 对抗性测试（越狱、幻觉检测）
· 推理部署：
o vLLM / TGI 加速推理
o 量化（INT8/INT4）与 KV Cache 优化
实战：使用工具从零开始手搓数据集开始，大模型本地私有化部署，使用手搓的数据集微调大模型微调。
第四节：Pre-train、Mid-train与Post-train技术讲解
4.1 概念厘清：三个阶段的定位与目标
· Pre-train（预训练）：海量通用数据 → 基座模型（通才）
· Mid-train（中间训练）：垂直领域数据 → 定向知识注入（补课）
· Post-train（后训练）：指令+偏好数据 → 对齐与对话化（教规矩）
· 三者关系：基座→ 领域增强 → 可用产品
4.2 Pre-train：从零到基座
· 数据工程：来源（网页/书籍/代码）、清洗（去重/过滤/去污染）、配比策略
· 架构与训练：Dense vs MoE、分布式并行、长上下文渐进扩展
· 关键指标：Loss曲线、PPL、零样本评测
· 实操（演示）：小规模数据集+迷你预训练，解读日志与Loss
4.3 Mid-train：定向知识注入
· 价值：低成本弥补垂直领域知识，比重训更经济
· 操作要点：数十B领域token、继续预训练目标、学习率1e-5~1e-6
· 典型场景：代码模型、数学增强、企业私域知识内化
· 实战：小模型 + 垂直文本做Mid-train，对比前后困惑度
4.4 Post-train：对齐与对话化
· Post-Train 定义
· PostTrainBench 评测
· Hugging Face Skills
· Agentic Post-Training 流程
· 监督微调（SFT）：指令-回答对，小样本高质量 > 大规模低质量
· 偏好对齐：RLHF/DPO/IPO，让回答符合人类偏好
· 专项后训练：多个专项模型 + on-policy蒸馏（DeepSeek做法）
· 实战：1000条指令数据做LoRA SFT；可选DPO对齐
4.5 Post-Train技术演进
· LLM as Researcher：Agent 承担以往需要人类研究员的模型优化工作
· 训练过程 Agent 化：从“写脚本 + 手动运行”演变为“自动规划—执行—监控—迭代”闭环
· MCP + Skills 生态：自然语言成为 AI 研发基础设施的统一接口
第五节：AI Agent（智能体）核心架构和运行机制
5.1 智能体的构成公式
· Agent = LLM（认知核心）+ Tools（执行接口）+ Memory（记忆系统）+ Planning（决策规划）
· 智能体、大模型与Function Calling的层次关系
· Function Calling：模型与外部世界交互的标准化接口协议
5.2 智能体的功能组件模型
· 认知引擎（LLM）：负责意图理解、推理决策与任务规划
· 工具系统（Tools）：封装外部API、数据库、企业内部系统等执行能力
· 记忆体系（Memory）：包含短期对话记忆、长期知识记忆与任务工作记忆三层结构
· 规划模块（Planning）：实现复杂任务的目标分解与执行路径生成
· 编排调度（Orchestration）：协调各组件按序协作，管理执行生命周期
5.3 记忆机制的分层设计
· 短期记忆：依托模型上下文窗口承载当前会话状态
· 长期记忆：基于向量数据库实现跨会话知识检索与沉淀
· 工作记忆：维护当前任务执行过程中的中间状态与上下文
5.4 智能体运行机制
· ReAct推理-执行循环范式
o Thought（推理）：基于当前状态进行推理分析，确定下一步行动方向
o Action（执行）：调用选定工具执行具体操作或生成中间输出
o Observation（观察）：获取工具执行后的返回结果与环境反馈
o 循环迭代：重复推理-执行-观察链路，直至任务目标达成或终止条件触发
5.5 智能体的核心架构模块
· 要点：感知、推理规划、记忆、执行、工具
· 核心议题：感知接收需求与反馈；推理规划分解任务；记忆分短/长期；执行调用工具。
5.6 大模型与智能体的协同机制
· 要点：大脑-手脚、Prompt桥梁、意图驱动
· 核心议题：大模型负责想（需求理解、规划），智能体负责做（工具调用、执行）。Prompt定义任务、工具、规则。
5.7 智能体的关键技术演进
· 要点：ReAct、Reflexion、多智能体、前沿
· 核心议题：ReAct协同推理与行动；Reflexion语言反馈自我优化；多智能体分工协作；前沿包括记忆更新、可解释性、物理部署
第六节：Harness 工程核心认知
6.1 什么是 Harness
6.2 为什么 Harness 成为 RSI 的关键
6.3 Harness 与操作系统的类比
6.4 Harness 三种核心设计模式
· 模式一：工作流自动化
· 模式二：文件系统作为持久记忆
· 模式三：子 Agent 与后端任务并行
6.5 Harness 优化方法论
· 优化对象的演进路径
· Agentic Context Engineering（ACE）
· Meta Context Engineering（MCE）
· Meta-Harness
6.6 工作流自动发现与优化
· 手工设计工作流
· Automated Design of Agentic Systems（ADAS）
· AFlow：基于 MCTS 的工作流优化
6.7 Harness 自改进方法论
· Self-Taught Optimizer（STOP）
· Self-Harness
第七节：LangChain及LlamaIndex 全流程实践
7.1 LangChain 核心组件详解
7.1.1 LangChain 核心组件概述
7.1.4 Chain的类型与组合
· 自定义链：基于Chain基类扩展，可自由组合任意组件
7.1.5 Agents（智能体）
· Zero Shot ReAct Description Agent：基于ReAct框架，无需示例即可推理与行动
· Plan-and-Execute Agent：先制定完整的分步计划，再按步骤执行
· Conversational Agent：支持多轮对话的智能体，具备记忆能力
· 多智能体协作：多个Agent分工协作，完成复杂任务
7.1.6 Tools：集成自定义工具
7.1.7 Memory：记忆系统
· 短期记忆（Short-term Memory）：
· 长期记忆（Long-term Memory）：
· ConversationBufferMemory：完整存储全部对话历史
· ConversationBufferWindowMemory：仅存储最近k轮对话，控制Token消耗
7.1.8 LangGraph：编排控制框架
· 动态图结构：支持运行时根据输入数据调整执行路径
· 状态管理引擎：提供跨节点上下文传递与状态持久化
· 记忆机制：内置短期与长期记忆管理模块
· 人工干预节点：在关键决策点插入人工审核环节
7.1.9 LangSmith：可观测性平台
7.2 LlamaIndex 全流程实践
7.2.1 文档加载器（Document Loaders）
7.2.2 文本分块与节点解析（Node Parsers）
7.2.3 索引构建（Indexing）
7.2.4 向量数据库集成
· 内存向量库：适用于原型开发和测试
· Chroma：开源向量数据库，支持持久化存储
· FAISS：Facebook开源的高效相似度搜索库
· Qdrant、Pinecone、Milvus：生产级向量数据库
7.2.8 自定义索引结构
· 扩展Index类型：继承BaseIndex实现自定义索引逻辑
· 自定义检索器：实现特定的检索策略
· 业务适配：根据特定业务需求定制索引与检索方式
7.2.9 智能体与工作流（Agent & Workflow）
· 单智能体：实现感知-决策-行动闭环
· 多智能体协作：Master-Worker模式，主Agent负责任务分解与结果整合
· LlamaIndex Workflows：事件驱动的工作流编排，适合文档密集、数据密集的流水线
· 工具调用增强：通过API集成扩展Agent能力边界
第八节：AutoGen 多 Agent 协作框架
8.1 AutoGen 多 Agent 协作框架概述
8.1.1 AutoGen 核心概念
· AutoGen：微软开源的多智能体协作框架
· 设计哲学：通过可定制、可对话的Agent实现复杂任务的高效分解与协作
· 核心优势：Agent之间可相互对话、协作、辩论，共同完成复杂任务
· 应用场景：编程开发、数据分析、决策支持、自动化工作流
8.1.2 AutoGen 核心组件
· ConversableAgent：可对话Agent基类，所有Agent的父类
· 消息传递机制：基于消息队列的异步通信
· 对话管理：自动管理多轮对话的流转与状态维护
· 可扩展性：支持自定义Agent类型、工具和协作模式
8.2 Agent 角色定义
8.2.1 UserProxyAgent（用户代理Agent）
代表人类用户，可执行代码和命令
· 核心配置：工作目录、代码执行配置
· 应用场景：代理人类执行代码、与AssistantAgent协作完成开发任务
8.2.2 AssistantAgent（助手Agent）
· 基于LLM的智能助手，负责回答问题、生成代码、分析问题
· 可绑定不同LLM（GPT-4、Claude、DeepSeek等）
· 典型角色：程序员、数据分析师、项目经理、领域专家
8.2.3 GroupChatManager（群聊管理器）
· 负责管理多Agent群聊的协作流程
· 功能：发言顺序管理、对话记录维护、任务进度跟踪
· 配置选项：发言选择策略（轮询、基于内容、手动指定）
8.2.4 自定义Agent类型
· 继承ConversableAgent基类实现自定义行为
· 专家Agent：封装特定领域知识
· 工具Agent：封装特定工具能力
8.2.5 Agent角色互换与协作模式
· 层级协作：主Agent负责任务分解，子Agent负责具体执行
· 对等协作：多个同等地位的Agent共同讨论解决问题
· 角色扮演：Agent扮演不同专家角色
8.3 Group Chat 模式
8.3.1 Group Chat 核心机制
8.3.2 发言选择策略
8.4 Debate 机制
8.5 通信机制
第九节：OpenClaw配置及核心架构深度解析
9.1 项目起源与演进
· 要点：Clawdbot、OpenClaw、品牌重塑、社区
· 核心议题：了解从Clawdbot到OpenClaw的品牌更名背景，理解开源、社区主导的发展模式
9.2 核心理念："本地优先"的智能体
· 要点：本地优先、数据主权、隐私安全、离线可用、可审计性
· 核心议题：对比云端AI助手，深入理解"本地优先"架构在数据控制、隐私保护和系统集成方面的根本优势
9.3 与传统AI工具及自动化平台的对比
· 要点：智能体vs聊天机器人、意图驱动vs流程驱动、自主代理、可编程控制面
9.4核心议题：辨析OpenClaw与Hermes
9.5 本地部署实战
· 要点：Node.js v22+、pnpm、环境配置、依赖安装
核心议题：完成Windows 11、macOS、Linux平台的Node.js环境配置与OpenClaw核心安装
9.6 初始化、配置与渠道接入
· 要点：OpenClaw onboard、守护进程、模型API密钥、渠道配置、许可名单
核心议题：完成全局安装、守护进程部署，选择一种消息渠道（飞书/企业微信/Telegram）完成安全配置
9.7 网关：统一的控制平面
· 要点：Gateway、WebSocket服务、控制平面、会话管理、渠道路由
· 核心议题：理解网关作为系统中枢的作用，管理连接、路由消息、维护会话状态
9.8 智能体运行时：系统的"大脑"
· 要点：Agent Runtime、大语言模型集成、任务规划、工具调用、RPC模式
· 核心议题：剖析智能体与Claude/GPT等模型的交互机制，理解RPC调用模式和块流式响应机制
9.9 技能与工具：可扩展的"手脚"
· 要点：Skills、Tools、Shell访问、文件操作、API集成、浏览器控制、Canvas
· 核心议题：学习技能系统的组织方式，掌握核心工具集的能力与风险边界
9.10 记忆与工作区：持久化的状态
· 要点：Memory、Workspace、Markdown文件、对话历史、项目上下文、可版本化
核心议题：理解本地文件和文件夹结构实现持久化记忆的设计思想
实战：完成OpenClaw源码走读、部署以及
第十节:Hermes—从基础模型到自进化智能体
10.1. Hermes 基础模型层
10.2. Hermes Agent 智能体框架层
10.2.1. 架构定位
· 开源（MIT）、自托管、常驻后台服务
· 设计哲学：越用越强（“与你共同成长”）
· 混合语言栈：Python业务逻辑 + Rust底层工具 + uv工具链（3-5倍加速）
10.2.2. 闭环学习系统
· 五阶段循环：执行→反思→沉淀→复用→优化
· 内置反思触发器（三问：经验/技能/优化）
10.2.3. 三层持久化记忆系统
· 会话层（情景记忆）：
· 持久层（语义记忆）：
· 技能层（程序记忆）
10.2.4. Skill自进化机制
· 自主创建：从成功任务中提炼
· 自改进：用户反馈→反向修正Skill文件
· 对比OpenClaw：内生成长 vs 应用商店手动安装
10.2.6. GEPA提示词优化算法
· 核心理念：模型理解“为何失败”优于仅接收“失败”
· 流程：读取技能→生成评估集→分析失败→提出候选→多关卡验证→PR提交
· 对比传统：自我反思驱动vs 暴力试错搜索
10.3. Hermes与OpenClaw对比及联动
10.3.1. 架构范式
· OpenClaw：Hub-and-Spoke，Gateway+WebSocket，Node.js
· Hermes：Agent优先分布式，Python+Rust，多后端（本地/Docker/SSH/Serverless）
10.3.2. 记忆系统
· OpenClaw：Markdown纯追加模式（SOUL.md等）
· Hermes：三层结构化 + 容量倒逼压缩 + FTS5检索
10.3.3. 安全与调度
· OpenClaw：默认开放，需手动配置沙箱
· Hermes：内置危险命令审批、用户授权、容器隔离 + 原生Cron
10.3.4. 适用场景
· OpenClaw：多渠道聚合、团队协作、国产生态（微信/飞书）
· Hermes：个人长期陪伴、知识沉淀、自主进化任务
10.3.6. 设计哲学
10.3.7. 双体系联动与互操作
10.3.8. MCP协议互通
· 核心协议：Model Context Protocol
· mcptoskill工具：自动生成双框架技能
10.3.9. HermesClaw桥接工具
· Python桥接：复用OpenClaw的微信通道，支持/hermes、/openclaw、/both切换
· 状态按用户隔离，多模态输入
实战：完成OpenClaw源码走读、部署以及群发邮件、同事蒸馏、技能蒸馏、名人蒸馏等功能实现（大家感兴趣的案例可提前告诉讲师）。
第十一讲：Vibe Coding工作流和工具链
11.1 Vibe Coding是什么，为什么现在
· AI编程的发展脉络与Karpathy的定义
· 传统开发 vs Vibe Coding工作流对比
· 2026年工具生态全景图（Builder vs Editor两类）
11.2 Prompt Engineering核心原则
· 为什么描述方式决定输出质量
· 给AI写需求的结构：目标/约束/格式/示例
· 常见坏prompt vs 好prompt对比实战
11.3 Cursor环境搭建与核心功能（实操）
· 安装配置、模型选择、快捷键体系
· Tab补全/Chat/Composer/Agent四种模式区别
· 动手：用Cursor从零搭一个Express API项目
11.4 Claude Code环境搭建与初体验（实操）
· 安装、登录、/init项目初始化
· 第一次多文件编辑器任务演示
· 与Cursor的定位差异：终端Agent vs IDE助手
第十二节：Claude Code技术拆解
12.1 Claude Code介绍：产品定位及核心特性
· Anthropic 开发的终端型 AI 编码代理，提供对 Claude 模型的直接访问
· 典型应用：代码生成、重构、测试、文档编写、项目迁移、CI/CD 自动化
· 技术亮点
12.2 Claude Code安装部署
· 环境要求、安装方式、初始化配置、验证安装
12.3 Claude Code系统结构及执行流程
· 三层结构：用户交互层→ Agent 调度层（nO 主循环 + h2A 队列） → 工具执行层
· 核心组件：
· nO 引擎：单线程 while-loop 驱动的主循环
· h2A 队列：双重缓冲异步队列，支持实时 steering（吞吐 > 10,000 消息/秒）
· 上下文管理器：负责压缩、记忆检索与token 预算控制
12.4 分层多 Agent 架构
· 分层多Agent 架构：主 Agent（nO）：全局规划与调度
· SubAgent（I2A） ：隔离范围任务，独立权限与上下文
· Task Agent：可并发执行的专用任务处理器
12.5 协作示例
· 用户需求：“为整个项目的所有 Python 文件添加类型注解”
· 主Agent 分析项目结构 → 拆解为每个子目录的任务
· 为每个子目录创建一个SubAgent（独立上下文）
· 每个SubAgent 内部可再派生 Task Agent 并行处理多个文件
· 结果汇总后由主Agent 统一提交
12.6 上下文管理与记忆系统：100 万 Token 上下文窗口；wU2 自动压缩系统；三层记忆架构
12.7 MCP 协议与扩展
第十三节：Codex产品特性和技术拆解
13.1 Codex 产品矩阵
13.1.1 Codex 桌面应用（macOS）
· 多智能体并行、自动化任务调度
13.1.2 Codex CLI
· 终端命令行工具，支持开源模式接入第三方模型
13.1.3 Codex IDE 扩展
· VS Code 深度集成，云端与本地无缝切换
13.1.4 Codex SDK
· 数行代码将智能体嵌入工程工作流
13.2 Codex 底层模型演进
13.2.1 GPT-5.1-Codex-Max
· 首个原生支持跨上下文窗口，单任务处理数百万 Token
13.2.2 GPT-5.2-Codex
· 上下文压缩增强长程任务能力
13.2.3 GPT-5.3-Codex
· 首个在自身创建过程中发挥作用的模型
13.2.4 GPT-5.5-Codex
· 当前旗舰版本
13.3 模型核心技术特性
13.3.1 真实软件工程任务训练
· PR 创建、代码审查、前端编码
13.3.2 强化学习与代码风格偏好对齐
13.3.3 上下文压缩
· 跨窗口保持一致处理
13.3.4 动态推理分配
· 根据任务复杂度灵活调整思考时间
13.4 Codex OSS 开源模式
13.4.1 OSS 模式定位
· 支持接入任意兼容 OpenAI API 的模型
13.4.2 支持的模型来源
· Ollama 本地运行、LM Studio、OpenRouter 云端、自建推理服务
13.4.3 接入技术要点
· 第三方模型须适配 Responses API 规范
13.4.4 工程意义
· 从平台锁定走向可插拔模型架构
第十四节：Codex 智能体开发实战（续）
14.7 Codex 自动化工作流集成
14.7.1 PR Review Bot 构建
· 使用 codex-action 自建 PR Review Bot
· GitHub Actions 与 Codex 的集成配置
· 自动化审查规则与代码规范校验
· 审查结果自动评论与 PR 状态同步
14.7.2 CI/CD 流水线深度集成
· Codex CLI 在 CI/CD 流水线中的定位
· 自动化测试失败修复流程
· 代码生成与提交的自动化闭环
· 与 Jenkins、GitLab CI、GitHub Actions 的集成方案
14.8 跨框架协同与协议化扩展
14.8.1 Codex 与 Claude Code 协同
· 在 Claude Code 中调用 Codex 执行代码审查
· 跨智能体的任务委派与结果汇聚
· 多智能体协同开发工作流设计
· 场景适用性：何时用 Codex、何时用 Claude Code
14.8.2 Codex Skills 实用技能集合
· Codex Skills 的概念：预定义任务模板与最佳实践封装
· 内置技能清单与适用场景
· 自定义 Skills 的开发与共享
· 团队级 Skills 库的积累与管理
14.8.3 Codex CLI 封装为 MCP Server
· MCP（Model Context Protocol）协议概述
· 将 Codex CLI 封装为 MCP Server 的技术路径
· 通过 MCP 实现 Codex 与外部工具的统一调用
· MCP 模式下的多智能体互操作
14.9 配置管理与团队协作规范
14.9.1 AGENTS.md 统一说明文件
· AGENTS.md 的定义：给 Coding Agent 的统一项目说明文件
· 与 CLAUDE.md 的定位差异与协同使用
· AGENTS.md 的核心内容结构：项目概览、技术栈、编码规范、常见任务
· 个人全局 AGENTS.md / CLAUDE.md 实战模板
14.9.2 团队级配置管理
· AGENTS.md 在团队知识沉淀中的作用
· 多项目统一配置模板设计
· 配置版本管理与迭代更新策略
· 新成员 Onboarding 中的配置赋能
14.10 内容创作与知识工程扩展
14.10.1 公众号文章全流程 AI Skill
· 从需求构思到文章发布的全链路 AI 辅助流程
· Skill 设计与 Codex 用法兼容的工程实践
· 技术内容创作中的质量把控与人工审核节点
· 知识工程资产的可复用封装
第十五节：多智能体技能迁移及工作流串联
15.1 数据迁移
15.1.1 消息队列迁移方式
· 基于消息中间件实现数据传输
· 典型实现：RabbitMQ、Kafka、Redis Streams
· 适用场景：实时数据流转与事件驱动协作
15.1.3 文件中间件迁移方式
· 基于共享文件系统或对象存储实现数据交换
· 典型实现：NFS、MinIO、OSS、S3
· 适用场景：批量数据迁移、大数据量传输
15.1.4 数据迁移策略
· 增量迁移 vs 全量迁移
· 数据格式标准化：JSON/Parquet/Protobuf
· 数据版本管理与迁移监控
15.2 技能迁移
15.2.1 显式复制
· 复制 Skill 定义文件到目标 Agent
· 适用场景：技能已高度标准化，可直接复用
15.2.2 演示学习
· 通过观察源 Agent 执行任务的完整轨迹学习技能
· 记录 Thought → Action → Observation 全流程
· 适用场景：技能未显式定义，仅表现为行为模式
15.2.4 迁移协议与技能导出/导入格式
· 导出格式：YAML 描述 + 脚本文件 + 配置文件的打包规范
15.2.5 案例：OpenClaw 中 Agent 间 Skill 共享
· ClawHub 技能库：中心化技能共享平台
· 操作方式：上传→ 安装 → 使用
15.3 工作流串联
15.3.1 顺序模式
· Agent A → Agent B → Agent C 依次执行
· 适用场景：流程固定、步骤清晰的流水线任务
15.3.2 分支模式
· 根据条件判断选择不同执行路径
· 适用场景：执行路径依赖中间结果
15.3.3 并行模式
· 多个 Agent 同时执行各自任务
· 适用场景：子任务相互独立，可并发处理
15.3.4 循环模式
· 重复执行直至满足终止条件
· 适用场景：迭代优化类任务
15.3.5 混合串联模式
· 四种基础模式的组合嵌套
· 典型应用：OpenClaw 多 Agent 协作、Claude Code 分层架构
15.3.6 工作流串联设计原则
· 单一职责、松耦合、可观测、容错设计
实战：OpenClaw 、Hermes、Claude Code数据、基础技能迁移实战。
第十六节：多智能体协同技能开发：Skill系统原理与自定义技能开发实战
16.1. 技能系统架构设计
· 技能本质：固化的工作流程指令包，让AI按固定规范处理重复任务
· ClawHub技能库：60+官方技能，社区贡献生态
· 技能加载机制：渐进式披露（Progressive Disclosure）三层结构
16.2. 技能文件规范深度解析
· 文件夹结构：skill-name/ + SKILL.md + scripts/ + assets/
· SKILL.md格式：YAML前置信息（用途+触发条件）+ Markdown正文（完整指令）
· 参数注入规范：{{parameter}}占位符、类型校验、默认值
8.3. 高级技能开发场景
· 调用本地脚本：Python/Shell脚本封装
· 集成内部API：RESTful调用、认证处理
· MCP（Model Context Protocol）增强：技能对接外部数据源
16.4. 技能安装
· openclaw skills install、clawhub install的使用
16.2 Skill 开发全流程（设计 Skill 接口、实现核心逻辑、测试与调优、 打包与发布）
16.3 爆款 Skill 案例拆解
案例 A：pdf-to-podcast Skill、案例B：excel-formula-assistant Skill
16.4 Skill 开发最佳实践
· 单一职责：一个 Skill 只做一件事，但做到极致。
· 参数少而精：默认值覆盖 80% 场景，高级参数可选。
· 输出即时可见：尽量返回图片、文件或可交互链接，而非纯文本描述。
· 错误友好：当 AI 无法处理时，给出明确原因和手动操作建议。
· 示例驱动：在 Skill 描述中包含 3 个以上典型使用案例。
16.5 从 Skill 到 Skill 市场
· 内部市场：企业可以构建私有 Skill 市场，分享各部门自动化资产。
· 公共市场：OpenClaw 官方计划推出 Skill 商店，支持付费 Skill。
· 商业模式：开发者可以发布收费 Skill，按次或按订阅分成。
实战演练：（1）现场开发一个简单但实用的 Skill。（2）skill-creator和女娲skill
· 代码走读和实操。
第十七节：智能体零代码开发多款游戏（贪吃蛇、五子棋）
17.1 零代码游戏开发范式
· 传统开发：需掌握游戏引擎（Unity、Unreal）、编程语言、美术资源制作
· AI驱动开发：通过自然语言描述游戏机制、场景、角色，由AI自动生成可运行的游戏代码及资源
· OpenClaw实现路径：对话式需求描述→ 生成HTML5/JavaScript或Python Pygame代码 → 在线预览 → 迭代修改
17.2 能力值（Skill封装）
· “能力值”概念：在OpenClaw中，一个Skill可以封装某一类游戏开发的核心能力，例如：
o 碰撞检测能力值：自动处理矩形/圆形碰撞、边界反弹
o 粒子特效能力值：爆炸、拖尾、光效一键添加
o 关卡编辑器能力值：通过自然语言生成多关卡的布局JSON
· 实战：开发一款“打砖块”游戏后，将其中的碰撞检测、分数系统、音效管理封装为能力值Skill，后续开发“弹球”、“乒乓球”等游戏时可直接复用
17.3 游戏开发Skill沉淀示例
· Skill名称：2D-Arcade-Game-Boilerplate
· 输入参数：游戏类型（打砖块/飞机大战/平台跳跃）、颜色主题、初始难度
· 输出：一个完整的index.html文件，包含游戏逻辑、样式、响应式布局
· 使用方式：@OpenClaw 使用 2D-Arcade-Game-Boilerplate，类型=打砖块，主题=霓虹，难度=普通
实战：用OpenClaw、hermes或者claude code分别开发贪吃蛇、五子棋两款游戏，封装至少2个可复用的Skill，并形成游戏作品集
第十八节：开发爆款Skill技能（skill-creator、女娲skill）
18.1 skill-creator 通用技能创建器
18.1.1 skill-creator 概述
· Anthropic 官方提供的元技能（meta-skill），用于通过对话创建和改进 Skill
· 无需手动编写 SKILL.md，AI 自动引导完成整个创建过程
· 支持 Codex、Claude Code、Cursor、Windsurf、OpenClaw 等主流 Agent
18.1.2 核心功能
· 自动生成 Skill 目录结构与 SKILL.md 文件
· 支持从 OpenAPI 规范、GraphQL Schema、MCP Server 一键生成 Skill
· 内置技能改进循环：使用中自动发现可复用模式并更新 SKILL.md
· 支持技能验证、评测运行与性能基准测试
18.1.3 安装与使用
· 安装方式：npx @asnd/skill-creator command install --agent codex --scope global
· 触发方式：在 Agent 中输入 /skill-creator 并附上 API 文档链接或需求描述
· 生成内容：SKILL.md + scripts/ + references/ 完整技能包
· 支持的 Agent：codex、claude-code、cursor、opencode、gemini-cli 等
18.1.4 应用场景
· 将团队常用 API 快速封装为可复用 Skill
· 将重复性工作流固化为标准化技能包
· 从零创建自定义 Skill，无需手写规范文件
18.2 女娲.skill（nuwa-skill）
18.2.1 女娲.skill 概述
· 开源 Skill 工具，上线 3 天 GitHub 斩获 3000+ Star
· 核心能力：蒸馏任何人的思维方式——心智模型、决策启发式、表达 DNA
· 基于开放 Agent Skills 协议，可在 50+ 兼容 runtime 中运行
18.2.2 核心机制
· 输入一个名字，自动完成深度调研→ 思维框架提炼 → 生成可运行的人物 Skill
· 背后运行 6 个并行研究 Agent × 40+ 一手资料源 × 三重交叉验证
· 已蒸馏 14 位人物 + 1 个主题，每个都是独立的可安装 Skill
· 将人物著作、演讲、访谈、社交媒体等提炼为可调用的认知模块
18.2.3 安装与使用
· 一行命令安装：npx skills add alchaincyf/nuwa-skill
· 指定 runtime：加 -a codex / -a claude-code / -a openclaw 等参数
· 使用方式：在 Agent 中直接说“蒸馏 XXX”即可自动执行
· 支持 Claude Code、Codex、Cursor、OpenClaw、Hermes 等主流 Agent
18.2.4 典型应用场景
· 复刻顶尖大佬的思维模型，让乔布斯、马斯克、芒格、费曼为你提供决策参考
· 将团队资深专家的经验与决策逻辑沉淀为可复用的 Skill
· 个人知识管理：将自身思维模式与决策逻辑固化，形成专属数字分
培训费用：价格：4899元/人，包括培训费、课件资料费、发票费用。
五、主讲师资：
邹伟
计算机博士，硕士生导师，紫金山英才江北计划高层次创新创业人才。完成了50多个人工智能项目，广泛应用于能源、医疗、交通、气象、银行等多个领域，公开出版《强化学习》《Python深度学习实践》《自然语言处理》等11部专著和译著。
主讲人兼备大学老师和企业CEO双重身份，已经有11本人工智能领域的专著（京东等平台有售，数十所大学使用作为研究生教材，进入多家大学图书馆名录）。可以结合实践项目进行重点关注内容的讲解和实操。
六、学习收益
课程体系完整，案例丰富，注重工程实战！！
建立微信群，训练营期间分享嘉宾群内答疑解惑，
课程教材、相关源代码、数据、PPT、案例素材等全部免费提供。
七、培训证书：
学员培训结束考试通过，可选择办理工业和信息化部教育与考试中心颁发的人工智能应用工程师高级证书。该证书表明持有者已通过相关考核，具备相应的专业知识和专业技能，并作为聘用、任职、定级和晋升的重要参考依据。
