第 22 卷

周报汇总每周五读取本周任务、日历和交付确认进度和风险表述后再发送文件

销售日报每天汇总 CRM 或表格中的新增客核对金额、客户状态和负责人户与跟进记录

问题

误日志竞品价格监控定时读取公开页面或授权 API页面结构变化时暂停并修复解析规

则学习计划复盘每天提醒，周末汇总完成情况根据真实精力调整下周计划

课外阅读：一章看懂 AI 工作系统

先看全景：一次 AI 任务里发生了什么

flowchart LR U[用户目标与资料] ‑‑> A[Agent 规划]

A ‑‑> L[LLM 理解与生成] A ‑‑> S[Skill 方法与脚本]

A ‑‑> T[Tool / Connector] T ‑‑> M[MCP / API]

M ‑‑> X[文件、知识库与业务系统] L ‑‑> R[中间结果]

S ‑‑> R X ‑‑> R

R ‑‑> C[检查点与验收] C ‑‑> O[最终产物]

这张图可以用一句话解释：模型负责理解和生成，Agent 负责围绕目标组织行动，Skill 提供专业方法，工具与 MCP/API 让行动触达真实世界，人负责边界与验收。

把一次真实任务拆开看，信息大致这样流动：

你提出一个目标 → Agent 把它拆成几步 → 遇到专业子任务就加载对应的 Skill，遇到要碰外部系统就调用工具

• 工具通过 MCP 或 API 真正读写数据库、发消息、改文件 → 结果回到模型，模型判断下一步 → 你做边界把

控和最终验收。

五类角色里，模型是大脑，Agent 是调度员，Skill 是专家手册，工具与接口是手脚，人是裁判。后面每一节就是把其中一个角色讲清楚，顺便标出它能和不能的边界。

LLM：会根据上下文预测内容的基础模型

LLM 是 Large Language Model，大语言模型。它从大量数据中学习语言和知识模式，根据当前输入生成最可能的后续内容。

它本质上是个「预测下一个内容」的引擎，不是数据库，也不是会替你负责的人。

它擅长什么

・ 理解、归纳和改写文本；

・ 从材料中提取结构；

・ 生成草稿、方案和代码；

・ 根据示例模仿格式和风格；

・ 在工具返回结果后继续分析。

・ 不知道企业最新内部状态，除非提供资料或连接系统；

・ 不会因为语言自信就拥有真实证据；

・ 不自动拥有文件、账号、数据库和网络权限；

・ 不承担业务和法律责任。

为什么会「幻觉」

模型的目标是生成连贯内容，不是内置事实数据库。当资料缺失、问题含糊或要求它给出确定答案时，它可能用合理但不真实的内容填补空白。

这不是 bug，是「按概率补全」这件事的副作用。理解了这点，你就不会再追问「它明明说得很肯定，为什么是错的」⸺肯定和正确是两件事。

降低幻觉的办法

・ 提供可靠资料；

・ 要求引用位置（说清楚结论来自哪段材料）；

・ 允许回答「无法确认」；

・ 把事实提取与建议生成分开；

・ 对高影响结论人工复核。

Token 与上下文窗口：模型眼前能看到多少

Token 是模型处理文本的基本单位，不完全等于字数。中文里一个字可能对应一个或几个 Token，代码和标点也单独计费。上下文窗口是一次推理中模型能够处理的输入、历史对话和输出总量。

把 Token 想成模型的短期记忆容量：装得下才看得见，装不下就得丢或压缩。

上下文变长不一定更好

把所有文件和几个月对话都塞进一个任务，可能导致：

・ 旧要求与新要求冲突；

・ 关键资料被大量无关内容淹没；

・ 成本和等待时间增加；

・ 模型引用了过期版本。

窗口越大，越容易「水漫金山」⸺重要的反而被冲淡。

更稳妥的做法

按项目整理「当前规则、已确认事实、决策记录和本次输入」，长项目使用文件和项目记忆，而不是依赖无限对话。

简单说：别把所有聊天记录当数据库用，该落盘的落盘，该分项目的分开。

Prompt：任务说明，不是神秘咒语

Prompt 是给模型或 Agent 的输入，包括目标、背景、资料、约束、示例和输出要求。好的 Prompt 不以长度