Outcomes
学完这一阶段，你应该能做到什么
不要求一次到位，但你至少应该把这几个判断和动作练熟。
- 弄清 token、上下文窗口、采样、工具调用和成本之间的关系。
- 知道模型最常见的失败模式，并学会把验证写进流程。
- 建立“模型擅长生成，开发者负责判断”的基本心智。
Lessons
核心课时
每节课都为一个工程动作服务，而不是只堆定义。
45 分钟
Token、上下文与成本
理解模型为什么不是“知道一切”，以及长上下文为什么仍然需要你做结构化输入。
50 分钟
提示词不是咒语
把目标、边界、输入、输出格式、验收标准写清楚，比追求玄学 prompt 更重要。
55 分钟
工具、RAG 与 Agent 的区别
知道什么时候该让模型调用外部系统，什么时候只做文本生成。
45 分钟
幻觉、偏差与风险控制
建立最小可信流程：引用来源、要求测试、人工复核关键决策。
Deep Dive
这一阶段真正要建立的工程习惯
读完下面这些部分，再去做练习和复盘，学习效率会高很多。
模型为什么会看起来聪明
生成式模型本质上是在已有上下文里预测下一个最可能出现的 token。它能表现出推理、总结、编写代码等能力，但这不代表它总能保持事实正确或逻辑完整。
当你理解模型靠上下文工作，就会自然接受一个重要事实：给模型更清晰的任务边界、示例和输出格式，通常比空泛地要求“帮我写得更好”更有效。
为什么 AI 辅助编程会失败
失败往往不是因为模型不会写代码，而是因为开发者没有给出验收标准。没有测试目标、没有文件范围、没有兼容性要求，模型就只能在模糊任务里猜。
真正成熟的 AI 编程流程，一定包含人类负责的部分：需求澄清、上下文筛选、结果审查、回归验证和发布判断。
进入下一阶段前要有的习惯
你需要开始把每个任务写成结构化问题：目标是什么、边界是什么、输出应该落到哪里、如何判定完成。
这是后面使用 Codex CLI 时最重要的能力，因为好的命令输入，本质上就是好的任务定义。
Mission
写出第一份可验证的 AI 任务说明
选择一个你熟悉的小功能，比如“待办列表的搜索栏”，用三段话写清楚目标、约束和验证方式。
- 先用一句话描述用户价值，而不是直接说要写什么代码。
- 补充文件范围、技术栈、不能破坏的行为和必须保留的接口。
- 再写出验收标准，例如要通过哪些测试、页面上应该出现什么结果。