本周，在齐鲁软件园做了几天"导师"。
这是面向大学生的"AI 赋能就业创业夏令营"，分成 AI 硬件、AIGC、AI 智能体三个赛道，AI·Spring社群负责其中的智能体赛道，我去做了导师。
活动本身就非常强调实践，所以从一开始，我就没打算把这几天做成一门纯知识课。
最后给课程定的题目很简单：
从0到1搭建一个智能体。
整个过程也被压缩成了一条线：
认识 Agent → 设计 Agent → 创建基础智能体 → 增强智能体 → 测试和交付智能体
中间穿插了一次集中答疑，最后又增加了一次路演指导。
课程也不是提前设计完就完全照着讲。
一边讲，一边看大家的理解和实践情况，再根据学员反馈不断调整内容。
这大概也是我第一次比较完整地从"教别人做 Agent"的角度，重新走了一遍这件事。
然后发现：
搭一个智能体，好像真的已经很简单了。
现在很多平台都已经支持自然语言创建专家。
把需求想得差不多，描述给 AI，再调几轮，一个基础 Agent 可能一个小时甚至更短就能搭出来。
但问题也恰恰出现在这里。
搭建完成，距离它真的可以解决问题，好像还有很长一段路。
这几天课程下来，我自己留下了三个比较明显的感受。
第一，Agent 的起点是问题定义
这次课程真正开始动手搭建，其实已经是第三讲。
前面我们先做了一件看起来不那么"技术"的事情：
设计 Agent。
-
服务谁？
-
解决什么问题？
-
最终目标是什么？
-
用户需要提供什么？
-
最终交付什么？
-
哪些事情不要做？
这些问题看起来简单，但真正开始搭建以后，会发现后面的专家设定、输入、输出乃至测试，基本都是从这里长出来的。
现在创建 Agent 的技术门槛越来越低，也就更容易让人忽略前面这一步。
不是先想"我要做一个什么 Agent"，而是先想"我到底有哪件事情值得交给 Agent"。
问题没有定义清楚，后面就很容易变成不断改 Prompt、换模型、加功能，却始终不知道为什么不好用。
第二，拉开 Agent 效果的 Harness
基础 Agent 创建出来以后，我们继续围绕同一个案例增加能力。
给它指定资料，而不是只依赖模型已有知识；
根据任务选择不同模型；
需要特定能力时增加 Skill；
需要连接外部系统时了解 MCP；
再根据任务选择 Ask、Craft、Plan 等不同工作方式。
这个过程越往后做，越容易发现：
模型当然重要，但模型只是其中一个变量。
同一个模型，任务有没有定义清楚、上下文给得够不够、资料准不准确、工具怎么配置、权限怎么设置，最后得到的结果可能完全不同。
所以我还是很喜欢一个简单的理解：
Agent = 大模型 + Harness
模型像一个越来越聪明的人。
Harness 则是围绕它搭建起来的任务、上下文、知识、工具、规则和工作环境。
随着模型本身越来越强，真正拉开 Agent 使用效果差距的，可能越来越不只是"谁用了更强的模型"，而是谁能把后面这一整套东西组织好。
第三，Demo 之后，还有很长
这一点反而是这次课程里讲得还不够的地方。
第五讲我现场增加了"测试和交付智能体"，但受课程时间限制，并没有像前面几讲一样完整展开。
学员后面的反馈里，也有人提到类似的问题：
Agent 搭出来以后，应该怎么系统测试？
怎么判断一次好的结果到底是偶然，还是已经比较稳定？
换一个输入、换一份资料以后，还能不能保持原来的效果？
出了问题，应该改模型、改提示词、改知识，还是改工具？
这些内容其实已经开始从"怎么搭 Agent"，进入"怎么把 Agent 真正用起来"。
这次课程里我们只讲了一些比较基础的方法，比如：
单一变量、同题重测、多例验证。
但现在回头看，这部分值得在下一版课程里继续展开。
因为"创建成功"很容易让人产生一种完成感。
一个问题答对了，一次工具调用成功了，一个 Demo 跑通了，好像 Agent 就做好了。
但真正使用时，我们需要面对的是一个更实际的问题：
它能不能在更多真实情况下，持续产生可以使用的结果？
这个问题，这次没有完全回答，后续会专门再整理出来。
最后
这次去做老师，原本只是想带大家从0到1搭一个智能体。
最后反而让我自己重新认识了一遍这个过程。
搭建一个 Agent 已经越来越简单，但真正把它做好，还要经过问题定义、能力增强、测试和持续调整。
如果把这几天的感受压缩下来，大概就是三句话：
-
Agent 学习的起点不是搭建，而是问题定义。
-
真正拉开 Agent 效果差距的，正在从模型逐渐转向 Harness。
-
从"成功创建"到"稳定解决真实问题"，还有很长一段路。
希望与大家共勉！