写给老师的AI Agent使用指南最近我花了不少时间探索AI如何在教研教学中，实现规模化、流程化的应用。我做了一个小学数学原创题的skill，搭了一套 2016—2025 年高考英语真题的快速检索题库，还顺带做了一个网球教练skill，提供技术指导，记录并复盘每一次的训练。
这期间跟老师们交流，发现一件事：大部分老师对 AI 的理解，还停留在聊天工具这一层。搜索资料、出几道题、改改文章。AI看似无所不能，但也很难完全胜任某一项工作。
其次是大家的工具焦虑。最近 OpenClaw 特别火，不少老师都想安装，但配置过程直接劝退了大半。不仅需要自己接大模型 API，还需要搞定一系列环境问题，对新手确实不友好。
所以我想写一篇介绍AI agent的文章。我是文科生，完全不懂编程，但我想告诉大家的是，这些都不是问题。比具体的某个工具更重要的，是一些底层的思维方式，以及一些已经跑通的，能够带来确定收益的工作实践。
大模型是一种语言理解与生成系统。它读过海量文本，学会了语言中的模式、知识和表达方式，所以能解释概念、润色文章，完全可以胜任各行各业的专业顾问。"能生成非常像专业结果的内容"，不等于"真正做了产生这个结果所需要的全部动作"。举个例子。你让AI聊天工具统计近十年高考英语真题中"环保类文章"的出题规律，认真写了提示词，要求先筛选、再分类、再统计、再总结。AI 回复："好的，我将分四步完成。"但它给你的，其实是一段“看上去像是做了这四步之后产出的结果”，它并没有真的做这四步。聊天型AI最危险的问题，不是明显说错，而是你以为它真的一步步执行了，其实它只是生成了一段"像执行过了"的文本。AI 最大的问题，不是不会说，而是太会说。AI不仅会一本正经地胡说八道，更会一本正经地欺骗你。这不是 AI 不够聪明，是聊天型AI本来就不是为这类任务设计的。顺便说个题外话。聊天型AI能否记住和你的全部对话内容？答案也是否定的。AI只会选择记住和你的最近几段对话，但它会生成“看上去像全记住了，看上去像很了解你”的文字。用通俗易懂的语言解释一个抽象概念、润色一段文字、设计一个课堂活动。这些任务的本质是“一次性输入输出”，不需要批量生成，没有特别长的上下文。聊天型 AI 基本够用了。按固定格式为每个学生写评语、根据模板整理教案、按要求生成整个学期的练习题。大家发现了吗？这类任务的特点有两个，一是数量大，二是要求稳定质量。这些任务，聊天型AI就不太胜任了。批量分析真题规律、搭建题库、读取知识库出题、检查答案、做长期复用的教研流程。你把这些任务扔给聊天型AI，它也不会拒绝，但几乎不可能交付合格的结果。真正有生产价值的教学教研任务，大多属于第二或第三类。AI Agent，就是为这些任务服务的。Agent 不是某一个产品的名字，而是一种工作范式。这个词不太好翻译，直译是“代理”，其实也不太贴切。OpenClaw之所以大火，一部分原因是“龙虾”形象更容易传播，其实OpenClaw只是一个agent平台，并没有那么神奇，甚至连“大脑”（大模型API）也需要你自己装。我们这里不讨论如何翻译，直接说agent的一些要素。1. 有明确的交付目标，且能自己检查是否达成目标。若没有达成，会自行返工或迭代。能实现自闭环。2. 能自己生成规划和to do list，并真的按照这个list工作。3. 能调用工具：搜索、读文件、执行代码、检索知识库等等。4. 能在任务过程中保留上下文，不是每轮都从零开始。这几个要素，结合大模型强大的语义理解与生产能力，就能让 AI 从对话模式，进入做事模式。agent并不是更聪明的AI，而是一套经过设计，能稳定交付的系统。agent也可能产生幻觉，也可能骗你，但这是可管理可控的。新手建议从 Coze（字节出的agent平台，有网页版和手机app）或WorkBuddy（腾讯出的对标OpenClaw的软件，有电脑端和小程序） 开始。不需要自己配置大模型API，不需要买token，可以建skill，建知识库，功能够用了。OpenClaw是进阶选项，用好了能更强大，但操作难度较高。如果只是教研教学工作，不一定非要用OpenClaw。工具不是最重要的，实践是王道。soul和skill是agent工作范式中的两个重要概念。这两个单词及其对应的内容，都是自然语言，即使涉及代码，AI也会帮你写。而且正是这两个概念，让agent有了“养成”属性，这也就是大家为什么都在说“养”龙虾。相信我，只要你耐心学会了这一套思维方式，你会体会到一群AI给你打工的乐趣。soul：灵魂。顾名思义，就是agent的“人格”。看上去很玄，其实就是你电脑上的一个文本文档，AI常用的文本文档多为MarkDown格式，文件名后缀是md。文档的内容，会作为上下文的一部分给大模型，这也就是为什么agent会真的像人一样工作。给大家看一下我的agent的soul文档截图。skill：技能。可以理解为，这是agent要胜任工作，需要具备的知识、工作流程、也可以包含程序代码沉淀。每个skill都是一个电脑文件夹，其核心是一个叫skill.md的MarkDown文档。给大家看一个我最近建的“网球教练”skill。我要求这个skill有生成雷达图的能力，这涉及编程，但我自己不需要写代码，AI会帮我们实现。读到这里，你可能会担心，写一个soul文档，建一个skill，会不会很麻烦？其实这两件事情，可能比你想象中容易得多，都可以通过和agent对话来实现，甚至不需要多么复杂的提示词。soul 和 skill 的大部分内容，你都可以让 AI 帮你起草。只要告诉它你的工作场景和要求，它就能给你一个初稿，你只需要做极小的调整。真正需要你花时间的，是想清楚你的目标、需求、交付标准，其余大部分都可以让 AI 来完成。很多人学 AI，把精力放在"提示词怎么写得更高级"。这有一定价值，但如果你真的想让 AI 帮你干活，重点应该从"措辞技巧"转向"任务设计"。不要只说"帮我分析一下""帮我整理一下"。先想清楚：最后到底要交什么？是一张表？一套分类框架？20 道题？一份每条结论都附例子的真题分析报告？"请认真、分步骤、务必严谨……"这类话越多越没用。真正有用的是把关键步骤和每一步的标准说清楚。例如分析真题：先收集样本，再按统一口径分类，再统计每类频率，再找典型题型，最后总结规律，并标注哪些结论只是初步判断。老师最有优势的一点，是本来就擅长定标准。比如：必须覆盖 2020—2025 年全部样本，每个结论至少附 2 个例子，有争议的分类要单列"不确定项"，不得只给抽象结论。任务设计一定要加入自检环节。例如，输出前，检查是否漏掉年份，是否有重复分类，是否每条结论都有证据，格式是否符合要求，是否每道题都真的做了一遍且题目与答案无误。这不能保证百分之百准确，但能大大减少你的工作量，会让你省心很多。为什么用“相处”这个词呢，因为AI固然很强大，但也经常偷懒摸鱼。AI的态度永远很好，当你指出错误时，它会“真诚”地道歉，但下一秒可能会犯同样的错误，并信誓旦旦地告诉你“已经改过来了”。AI很聪明，但不主动、不拒绝、不负责。这对我们设计任务和闭环的能力，与AI斗智斗勇的能力，就提出了很高的要求。以下是一些让AI更“靠谱”的小技巧。如果你想让AI审100道题，不能只发出“审100道题”的指令，无论你如何强调“必须审每一道，不可以遗漏”，AI都有可能偷工减料，只给你一个摘要。解决方法是，你一开始就要求AI产出100道题的审题报告，每道题的报告都必须符合一定的格式，包含做题记录，质量检查结论，等等。总之，永远不要期待AI“自觉”，而要通过任务与闭环设计，让AI不得不按我们的要求工作。2. 只提目标与需求，让AI自己评估可行性，制定计划。做这件事的好处，一是省力，毕竟组织语言写一段考虑周全的提示词也挺费脑的。另一个好处是，和AI充分沟通，避免AI擅自偷工减料，遇到困难就打折扣。3. 在soul和每一项任务中，都要明确工作纪律。教研教学工作，经常需要处理长文本。有时文本长度会超出对话上下文的上限，其实这种情况是有解法的，AI可以截断文本，分批处理。但如果你不严格要求，AI大概率会选择混过去，只处理一小部分，还会骗你说全量处理了……真的很气人。虽然对AI生气没什么用，但我们可以用soul和其他工作文档，给AI打上“思想钢印”。以下是我的每个工作文档都会粘贴进去的一段话。上下文限制应对原则（铁律）：
- 必须全量执行：拆批次、建工作流、写脚本，想办法解决。
- 绝对禁止：擅自减少交付内容、改变任务范围、用统计归纳代替逐条分析。
最后我想说，不要给自己设限。现在的AI工具，尽管还有很多缺陷，还有一些学习成本，但门槛已经大大降低了。不会编程不再是问题，文科生也完全能上手，甚至可能用得更好，因为清晰准确的语言表达，也能大大提高与AI的协作效率。最近我打算写一个系列文章，关于AI在教研教学中的应用。大家有什么想了解想交流的话题，欢迎给我留言。
夜雨聆风
