通过 Codex 解析 Agent 工作流程
从大模型训练到 Agent 落地的全链路拆解：预训练造大脑、微调教规矩、评估考过才能上岗，再用项目隔离资源、MCP 连接外部、RAG 补充知识、Skill 组装能力、Agent 自主规划，构成 AI 应用的完整图景
基本信息
- 来源类型：网页文章
- 原文位置：raw/articles/2026-05-27-202643-tg-c01386.md
- 原文 URL：https://www.woshipm.com/ai/6403078.html
- 消化日期：2026-05-27
- 作者：Grace
核心观点
- 大模型上岗前必须过”预训练→微调→评估”三关：预训练用海量文本自学规律，微调用人工标注的问答对教模型安全和遵循指令，评估用准确率、召回率、幻觉率三把尺子量，合格才能放出去使用
- 项目级资源隔离是多项目协作的前提：全局工作台与项目工作台默认隔离（项目 A 不能调用项目 B 的资源），只有显式授权才能跨项目调用——这个设计直接决定 Skill 和知识库的共享边界
- 短期记忆 vs 长期记忆是对话产品必须解决的核心问题：单窗口有 Token 上下文限制，多窗口之间记忆完全隔离；解决方案是 MCP 接入 Basic Memory，每次聊天自动记笔记，跨窗口跨项目都能用
- RAG 的核心价值是解决三大问题：知识过时、记忆容量限制、幻觉；向量知识库通过语义匹配（而非关键词匹配）实现更聪明的检索，是 RAG 效果的分水岭
- Agent 与 Skill 的本质区别：Skill 是工具，Agent 是知道何时以及如何组合使用这些工具的”大脑”——Skill 只能执行你知道且确定的事，Agent 能在不确定中自主规划、处理未知情况
实操内容保留
Prompt 模板
请帮我在这个项目下再创建一个名为”竞品侦探”的 Agent，并在它的系统提示词里写明：“你是市场分析师。互联网产品市场分析应从市场规模、增长趋势、竞争格局、用户需求、政策与技术可行性五个维度展开；分析材料主要来自行业报告、券商研报、政府公开数据、竞品财报、用户调研、App Store 排名；产出文档为《市场分析报告》或《市场洞察报告》。分析竞品时，必须列出3个对比维度和引用出处，没钱拿数据就直说，绝对不准瞎编。“
操作步骤
在 Codex 中配置 MCP 长期记忆（Basic Memory）：
- 进入 Codex 设置 → MCP 服务器页面
- 配置 Basic Memory 工具
- 每次聊天时，它自动记笔记，新内容随时加进去
- 跨窗口跨项目都可使用，无需重复描述上下文
在 Codex 中安装 Skill：
- 在对话框中输入”帮我安装 skill + skill 的地址”
- AI 会自动安装对应的 Skill
- 后续发起任务时 AI 会根据任务描述自动判断并匹配合适的 Skill，无需手动指定
创建向量知识库并放入长文档（Codex 中操作）：
- 让 AI 创建向量知识库
- 导入长文档（如几百页的 PDF）
- 提问时系统自动调用知识库内容作答
- 注意：事实来源来自知识库文件，最终表述经过 LLM 总结
关键概念
- Codex — OpenAI 推出的 AI 工作台，本文的核心操作平台，集成了项目管理、MCP、Skill、Agent 等全套能力
- MCP 模型上下文协议 — 连接 AI 与外部工具、数据和服务的”通用接口协议”，文中演示了通过 MCP 接入 Basic Memory 实现跨对话记忆
- RAG 知识库 — 检索增强生成技术，解决知识过时、记忆容量限制、幻觉三大问题；文中对比了普通知识库（关键词匹配）与向量知识库（语义匹配）
- AI Agent 智能体 — 与 Skill 的本质区别：Agent 是知道何时以及如何组合 Skill 的”大脑”，能在不确定中自主规划
- Skill — AI 的”能力工具箱”，每个 Skill 是预定义的工作流程和参数模板，Agent 根据任务自动匹配调用
- Embedding 嵌入 — 将文本转成”数字指纹”（向量），实现语义匹配检索，是向量知识库的底层技术
与其他素材的关联
- 与 2026-05-27-woshipm-codex-product-dev-lessons 的关系：同日发布的两篇 Codex 文章视角互补——前一篇聚焦”用 Codex 做产品开发”的实战经验，本文聚焦”理解 Codex 背后的 Agent 工作原理”，两篇结合可以形成从底层原理到实战应用的完整认知
- 与 2026-04-29-yupi-ai-guide-core-concepts 的关系：鱼皮 AI 指南从概念科普角度覆盖了 MCP、RAG、Agent 等概念，本文则从 Codex 平台实战操作角度给出了具体演示，是”概念→实操”的递进
原文精彩摘录
直接调用 Skill（无 Agent）：“用”翻译 Skill”把这段英文翻成中文。“模型直接执行，逻辑是：你下令 → 模型照做。这是一个固定流程，没有意外。通过 Agent 调用 Skill：这就像你雇了个管家。你说：“我下午要见个法国客户，帮我准备一下。“Agent（管家）会自主决策：先调用”日程 Skill”查客户背景 → 发现客户不懂英文 → 主动调用”翻译 Skill”准备法文材料 → 查完发现客户对茶感兴趣 → 又调用”知识库”查法国茶文化。整个逻辑是：你给目标 → Agent 自主拆解、决策，调用什么 Skill，何时调用，以及如何处理意外。
整条链子串起来看：预训练生出大脑，微调教其更聪明，评估考过才能上岗；项目搭台分配资源，Agent 持规矩上岗；每次提问都在 Prompt、记忆、RAG、Skill、MCP 有选择性地使用并推理跑完一趟精密流水线；背后还有成本和安全拉着缰绳。这就是现在 AI 落地应用的完整图景。