从零搭建真正有用的 AI Agent 完整课程

引言

“I think AI is confusing. There, I said it. I think there’s a lot of terms — skills, MCPs, agent harnesses — that are difficult concepts to understand.”

Greg Isenberg 以一句大实话开场：AI 领域的术语太多了，让人一头雾水。所以他请来了好友 Remy Gasill，用最通俗易懂的方式，从零讲解如何搭建真正能跑起来的 AI Agent。

这不是一个只停留在概念层面的讨论。Remy 现场演示了在 Claude Code、Codex、Antigravity 三个平台同时搭建网站的过程，展示了如何用文件夹 + Markdown 文件来管理一个”AI 员工团队”——从行政助理到营销主管，每个角色都有自己的上下文、记忆和技能。

“The founders and employees that are utilizing agents are like, no word of a lie, 10 to 20 times more productive in their day.”

本教程将完整拆解这期近一小时的实战课程，帮你理解 AI Agent 的每一个关键组件，并学会从今天就开始搭建属于自己的 AI 员工。

第一阶段：从 Chat 到 Agent——理解范式转变

1.1 核心区别：问答 vs 目标达成

Remy 给出了一个极其清晰的定义框架：

“A chat model is question to answer, but then an agent is goal to result.”

Greg 用了一个非常形象的比喻来辅助理解：

“Chat is kind of like ping-pong, back and forth. And agent is — you’re giving it a goal.”

这个转变意味着：你不再需要坐在那里一步步地”babysitting”（看护）AI，而是可以把一个完整目标交给它，让它自己去拆解、执行、交付。

1.2 为什么现在必须转型

Remy 指出，AI 领域正在进入”第二阶段”：

“The AI landscape is moving into stage two — from chat to agents. And most people are getting left behind right now just using the chat models.”

如果你把 10-20 倍的日常效率提升叠加到数周、数月、数年的维度上：

“You stack that up over days, weeks, years, you’re going to just be miles ahead of the competition.”

第二阶段：Agent 的运行机制——理解 Agent Loop

2.1 Agent Loop 的三个步骤

每一个 AI Agent 在执行任务时，都在不断循环三个步骤：

┌──────────────────────────────────┐
│         用户给出任务/目标          │
└──────────┬───────────────────────┘
           ▼
    ┌──────────────┐
    │   Observe    │ ← 观察：检查现有文件、上下文、工具输出
    │   (观察)      │
    └──────┬───────┘
           ▼
    ┌──────────────┐
    │    Think     │ ← 思考：分析当前状态，决定下一步行动
    │   (思考)      │
    └──────┬───────┘
           ▼
    ┌──────────────┐
    │     Act      │ ← 行动：执行具体操作（写代码、搜索、调用工具）
    │   (行动)      │
    └──────┬───────┘
           │
           ▼
    任务完成？──否──→ 回到 Observe
           │
           是
           ▼
    ┌──────────────┐
    │   输出结果     │
    └──────────────┘

2.2 实例拆解：搭建作品网站

以”Build me a minimalist portfolio site for Greg Eisenberg”为例，Agent Loop 是这样运转的：

1. 第一轮循环：收到任务 → 发现不了解 Greg Eisenberg 是谁 → 决定先做调研 → 通过 Perplexity 搜索 Greg 的信息
2. 第二轮循环：拿到调研结果 → 结合任务需求 → 制定网站搭建计划
3. 第三轮循环：有了计划 → 开始编写 HTML/CSS 代码 → 输出代码文件
4. 第四轮循环：代码写完 → 启动本地预览服务器 → 截屏并检查效果
5. 最终确认：对比任务要求，确认网站已完成 → 输出结果给用户

“The last iteration of the loop is to check that it’s actually done and can conclude the task is complete. It’s opening it up and screenshotting the website and then reviewing the screenshots to check that the website is complete.”

2.3 Agent 的四大组成部分

一个 AI Agent 由以下四个核心组件构成：

第三阶段：Agent Harness——你的 AI 驾驶座

3.1 什么是 Agent Harness

承载上述四大组件、让 Agent Loop 得以运行的平台，就叫做 Agent Harness（Agent 运行容器）。

“A platform that facilitates this process and basically facilitates this loop to happen is known as an agent harness.”

市面上你听过的所有 AI Agent 平台，本质上都只是不同的 Agent Harness：

• Claude Code（Anthropic）
• Codex（OpenAI）
• Antigravity（Google/Gemini）
• Co-work
• Manis
• OpenClaw（开源，更高级）
• Perplexity Computer

3.2 “学开车”的类比

Remy 用了一个绝妙的类比来解释为什么不需要纠结选哪个平台：

“What we’re going to learn today is we’re going to learn to drive. Once you know how to drive, you can kind of jump in any car, whether it’s an old Toyota, a Range Rover… You can think of the agent harnesses like different cars. Some of them will have better features like seat warmers and cruise control, but once you know how to drive, you can pretty much jump in any of them and use them.”

核心概念是通用的——上下文文件、记忆系统、MCP 工具连接、技能文件——一旦你理解了这些概念，换到任何一个 Harness 都能快速上手。

3.3 现场对比演示

Remy 在三个 Harness 中同时运行同一个任务”Build me a minimalist portfolio site for Greg Eisenberg”，结果：

• Antigravity（Gemini）：最先完成，生成了一个简洁的作品集网站
• Codex：紧随其后，风格类似
• Claude Code：最慢但最透明——你能清楚看到每一步 Loop 的思考过程

“I think Claude Code does the best job of actually displaying that loop and allowing you to see what it’s thought about.”

Greg 看完三个结果后甚至说：

“I would totally launch something like this.”

3.4 安全性考量

关于把工具权限交给 Agent 的安全问题，Remy 的建议很实际：

“It just comes down to scoping what they have access to… you can control what tool permissions it has access to so that if it was compromised for whatever reason the worst case isn’t that bad.”

具体做法： - 对重要平台只给只读权限（read-only access） - 控制 Agent 可以访问的工具范围 - 从低风险任务开始，逐步放开权限 - 像 Meta Ads 这种涉及预算的工具，需要格外谨慎

第四阶段：上下文工程——从 Prompt Engineering 到 Context Engineering

4.1 为什么上下文比提示词更重要

这是本期课程中最关键的思维转变之一：

“Prompt engineering used to be the big thing… And now it’s all about context engineering. It’s about how well can you load up your agent with all the information about your business so that your prompts can be stupidly simple like ‘write me a cold email’ and you’re still going to get an amazing result.”

换句话说：与其花时间打磨一条完美的提示词，不如把精力放在给 Agent 提供充分的业务上下文上。

4.2 agents.md 文件——Agent 的”入职培训手册”

Remy 把搭建 Agent 比作”onboarding a real employee”（给新员工做入职培训）：

“If you took on a real executive assistant, you couldn’t expect just for them to come into the office and you to give them a task without explaining your business first, your clients, what you do, the tools.”

不同 Harness 中的命名约定：

虽然名称不同，但本质完全一样——都是告诉 Agent “你是谁、我是谁、你该怎么工作”的 Markdown 文件。

4.3 上下文文件应该包含什么

Remy 展示了他为 Executive Assistant 准备的 agents.md 文件，包含以下内容：

• 角色定义：你是我的行政助理
• 个人/公司信息：我做什么业务、我的客户是谁
• 工作偏好：使用的工具及用途（Notion 管项目、Stripe 收款……）
• 沟通风格：语气、格式偏好
• 工具清单：Gmail、Google Calendar、Granola、Stripe、Notion

4.4 如何快速创建上下文文件

如果你不知道从哪里开始写这个文件，Remy 的建议是：

“You can ask it to help you build out this agents.md file and to just ask you interview-style questions to extract all the context from you and then build the file.”

具体步骤： 1. 打开任何一个 Chat 工具（Claude、ChatGPT 等） 2. 告诉它：“帮我创建一个 agents.md 文件，用采访的方式向我提问，提取我的业务信息” 3. 回答它的问题 4. 让它生成最终的 Markdown 文件 5. 保存到你的 Agent 工作文件夹中

4.5 更丰富的上下文：Context 文件夹

当你的信息量很大时，可以把上下文拆分成多个文件：

executive-assistant/
├── claude.md              ← 主指令文件
├── context/
│   ├── about-me.md        ← 个人信息
│   ├── brand-voice.md     ← 品牌调性
│   ├── ideal-customer.md  ← 理想客户画像
│   └── tools-stack.md     ← 工具栈说明
└── memory.md              ← 记忆文件

在主 claude.md 文件中加一句指令即可串联：

“Before answering any questions or before doing any tasks, read my context folder to understand about myself and my business.”

Remy 还提到了一个高级用法——把 Obsidian 笔记库作为 Agent 的”第二大脑”：

“A lot of people have done that with Obsidian — they’ll have in their claude.md file, they’ll tell it to go check their Obsidian vault for their second brain to go and find context.”

第五阶段：记忆系统——让 Agent 越用越聪明

5.1 Chat 记忆 vs Agent 记忆的根本区别

这是很多从 Chat 转向 Agent 的用户最容易踩的坑：

“With these chat models they have memory built in automatically… And with agents, you have to set up memory and control exactly what you give it. And I think that’s actually a benefit, not a limitation.”

为什么手动控制记忆反而是优势？因为 Chat 的自动记忆会把你在不同场景下的对话混在一起：

“If you’re using ChatGPT and it’s got the auto memory, you’re having conversations about three different companies, maybe you’re asking for relationship advice, and then all of a sudden, when you ask it to write a landing page copy, it’s pulling in context from all these other places that you don’t really want in there.”

5.2 memory.md 的工作原理

Remy 展示了一个简单但强大的记忆系统搭建方法：

第一步：在 claude.md 顶部添加记忆指令：

Read all files in context.
Read memory.md — this is what you've learned over time.
When I correct you or you learn something new, update the relevant section in memory.md.
Keep memory.md current. When something changes, update it in place and replace outdated info.

第二步：创建一个空的 memory.md 文件，包含基本分类：

## 偏好
（空，待填充）

## 修正
（空，待填充）

## 重要信息
（空，待填充）

5.3 记忆系统的实际效果

Remy 现场演示了记忆系统前后的对比：

没有记忆系统时： 1. 告诉 Agent：“My favorite color is lavender” 2. Agent 回复：“Got it, noted.” 3. 开新会话问：“What is my fave color?” 4. Agent 回复：“I have no idea what your favorite color is.”

有了记忆系统后： 1. 告诉 Agent：“My favorite color is lavender” 2. Agent 回复：“Good, I’ll remember that. Let me save it to memory.” 3. 自动更新 memory.md 文件 4. 以后任何新会话都能记住这个偏好

“A good employee remembers preferences and learns over time, and that compounds.”

5.4 实际工作中的记忆应用

不同 Agent 角色会积累不同类型的记忆：

5.5 记忆文件会不会太大？

Greg 问了一个很好的问题：记忆文件会不会膨胀到失效？

“I personally haven’t hit that threshold yet. But a best practice for those claude.md files is to keep it around no more than 200 lines.”

Remy 的建议： - 如果发现 Agent 在保存一些琐碎的小修正，可以在 claude.md 中添加限制：“只保存实质性的修正” - 定期人工审查，清理过时或冗余的记忆 - 目前在实际使用中还没有遇到记忆文件过大导致问题的情况

第六阶段：MCP——让 Agent 连接一切工具

6.1 MCP 是什么

MCP 的全称是 Model Context Protocol（模型上下文协议），由 Anthropic 创建。Remy 引用了 Ross Mike 在 Greg 节目中的解释：

“Before MCPs, your agent or your LLM, in order to speak to tools, it had to kind of learn their language… Anthropic built MCP to basically sit as this translator in between your tools so that Claude can still just speak English and your tools can just speak their languages and this MCP speaks every language.”

简单理解：MCP 是一个通用翻译器，让你的 Agent 能用同一种方式与所有外部工具通信，而不需要为每个工具单独开发集成。

6.2 如何连接 MCP 工具

在不同的 Agent Harness 中，连接方式大同小异：

• Co-work：Connectors → Browse Connectors → 选择应用 → 登录授权
• Claude Code：通过配置文件或 VS Code 插件添加 MCP Server
• Codex：Settings → Skills → 添加连接
• Manis：类似的工具连接界面
• Perplexity Computer：Connectors 面板

“They’ve got like hundreds of all the biggest apps that you probably use and you can just add them, sign in. Pretty self-explanatory.”

6.3 Remy 的工具栈

Remy 为他的 Executive Assistant 连接了以下工具：

6.4 工具串联的威力：实战演示

Remy 做了一个令人印象深刻的现场演示。他事先给自己发了一封虚构客户的邮件，并在 Granola 中记录了一次虚构会议。然后他只用了两条简短的指令：

指令一：“Summarize my inbox from today” → Agent 通过 Gmail MCP 拉取并总结了当天的收件箱

指令二：“Review my meeting notes with Maltoshi from today, then draft up the email sending the proposal and creating the Stripe payment link, and then go into Notion and set up the project.”

Agent 随即： 1. 通过 Granola MCP 读取了会议笔记 2. 通过 Stripe MCP 创建了支付链接 3. 通过 Notion MCP 建立了项目 4. 通过 Gmail MCP 起草了包含所有信息的邮件

“I don’t even enter these tools anymore. I just sit in Claude Code as one central place.”

这就是从”查看邮件→打开会议笔记→手动创建 Stripe 链接→手动建 Notion 项目→手动写邮件”这个 15-30 分钟的流程，压缩到一条自然语言指令的过程。

第七阶段：Skills——让 Agent 掌握你的 SOP

7.1 Skills 是什么

“The easiest way to think about skills is SOPs for AI — Standard Operating Procedures for AI. It means once you explain something once, you never have to explain it ever again.”

Skills 的本质：把你的一个完整工作流程（SOP）写成 Markdown 文件，让 Agent 可以反复调用，无需每次重新解释。

7.2 没有 Skills 会怎样

Remy 举了一个写客户提案的例子：

“Without skills, if you’re creating a proposal for a client… you’re probably going to go back and forth a bunch of times — change the formatting here, use this color blue for this part, put the price at the bottom instead of the top. And eventually maybe after 15 minutes, half an hour, you land on a proposal that you’re really happy with.”

问题是：下次再写提案时，如果不在同一个会话中，Agent 完全忘记了你的所有偏好，你又要从头调整一遍。

7.3 Skill vs Memory 的区别

Greg 问了一个关键问题：Skill 和 Memory 有什么区别？

“Is a skill like a memory file? Like what’s the difference?”

Remy 的回答：它们本质上类似，但用途不同。

7.4 创建 Skills 的两种方式

方式一：从现有知识/课程创建

Remy 分享了他创建”Viral Hooks”技能的过程：

“I had this course on viral hooks which I transcribed, put it into Claude, and said, ‘Based on this course on viral hooks, build me a viral hook skill.’ And it can create it like that.”

Skill Creator 会自动生成： - skill.md：技能说明文件（流程步骤） - references/：参考资料文件夹（案例、公式、模板）

方式二：从实际操作中提炼

这是更常用的方式——先手动做一遍，然后让 Agent 把过程打包成 Skill：

“Going through a process manually once with Claude and then if you know you’re going to have to do it again… you can just say, ‘Hey, create a skill for what we just did,’ and it will package up that process you went through.”

7.5 Skills 的文件结构

.claude/skills/
├── viral-hooks/
│   ├── skill.md           ← 技能说明（流程、规则）
│   └── references/
│       └── hook-formulas.md   ← 参考资料
├── ads-analyst/
│   └── skill.md
├── sebastian-refer/
│   └── skill.md
└── daily-brief/
    └── skill.md

7.6 实战案例：Ads Analyst Skill

Remy 展示了他为营销团队创建的广告分析技能：

操作方式：只需输入 ads analyst + 粘贴 Meta Ads Library URL

Agent 会自动执行： 1. 抓取目标品牌所有在投广告（比如 220 条） 2. 截取所有着陆页截图 3. 对每条广告做视觉分析和文案分析 4. 分析每个着陆页的结构和转化策略 5. 生成一份完整的竞品广告研究报告

“That probably would have taken me like three or four hours. And then now whenever I want to do that process again, I can just invoke the skill and it knows what to do.”

7.7 Skills 的复利效应

“If you automate like three to five tiny manual processes each week with skills, you eventually end up automating your entire life with these agents.”

Remy 的核心方法论： - 每周把 3-5 个手动流程转化为 Skills - 每个 Skill 可能只节省 15 分钟 - 但如果这个流程每月重复 5-6 次，复利效应非常可观 - 几个月下来，你的 Agent 就能覆盖大部分日常工作

7.8 Skill 串联（Chaining Skills）

更强大的用法是把多个 Skills 串联起来：

“You can chain skills together. You could have a meeting prep skill that prepares you for a meeting by researching the guest… You might also create a morning brief skill. And in the morning brief skill, you can say, ‘If there’s any meetings coming up, use the podcast research skill to research the guest.’”

示例串联：

Morning Brief Skill
├── 检查今日日程
├── 如果有会议 → 调用 Meeting Prep Skill
│   └── 调用 Research Skill 调研与会者
├── 如果有播客录制 → 调用 Podcast Research Skill
│   └── 调研嘉宾背景，准备谈话要点
├── 汇总收件箱
└── 生成每日简报 → 发送邮件给你

第八阶段：定时任务与自主运行

8.1 Schedule Tasks（定时任务）

现在的 Agent Harness 越来越智能，支持定时运行任务：

“Within most of these harnesses you can schedule tasks… I could say ‘run my morning briefing skill’ and then set that to go every morning at 9:00 a.m.”

比如 Co-work 的界面中可以直接创建定时任务，设置每天早上 9 点自动运行 Morning Brief Skill。

8.2 Greg 的真实案例

Greg 分享了一个自己正在使用的场景：

“I’m buying a new car right now and it’s a particularly unique color that I want and feature set… So every 3 hours I’m scraping all the different car marketplaces and then I’m getting a notification when something comes up.”

他设置了一个每 3 小时执行一次的定时任务，自动爬取 CarMax、Cars.com、Autotrader 等汽车交易网站，一旦发现匹配的车辆就发通知。如果没有这个 Agent：

“I would be spending an hour of my day just checking religiously every single CarMax and Cars.com and Autotrader and all these websites and refreshing like an insane person.”

8.3 Cron Jobs + Skills + MCP 的组合

Remy 的 Newsletter 团队使用了这样的组合：

• Cron Job：每周四早上定时触发
• Skill：Weekly Research Skill
• 工具（MCP）：爬取 Twitter 和 Reddit
• 产出：自动生成 AI 领域最新动态的研究报告

核心概念速查表

实用技巧总结

技巧 1：像入职培训一样搭建 Agent

不要直接给 Agent 派任务。先花时间写好 agents.md，把你的业务、角色、偏好全部交代清楚——就像你不会让一个新员工第一天就独立干活一样。

技巧 2：用 Interview 模式快速生成上下文文件

如果不知道 agents.md 该写什么，直接让 AI 用”采访式提问”来帮你提取信息，然后自动生成文件。这比你从零开始写要快 10 倍。

技巧 3：把记忆指令放在 claude.md 的最顶部

“I might just add it at the top just so it’s there top of mind for my agent because I think this is really important.”

记忆指令放在文件顶部，确保 Agent 每次启动时最先读到。

技巧 4：限制记忆的保存粒度

如果发现 memory.md 被琐碎小事填满，在 claude.md 中添加限制条件：“只保存实质性的修正和重要偏好，不要记录一次性的小调整。”

技巧 5：先在 Claude Code 中验证，再迁移到 OpenClaw

“I would have all the processes built out in Claude Code first… And then once I’m happy with how it’s all functioning, then I could look to migrate that into OpenClaw where it has that more autonomous nature to it.”

Claude Code 更直观、更安全，适合开发和调试流程。OpenClaw 更自主但更复杂，适合成熟流程的自动化运行。

技巧 6：每周固定转化 3-5 个手动流程为 Skills

不要试图一次性自动化所有工作。每周挑 3-5 个重复性最高的小任务，做一遍后立刻打包成 Skill。几个月后，你的 Agent 就能覆盖大部分日常工作。

技巧 7：用 Markdown 文件作为你的”AI 操作系统”

“The real future-proof AI stack is just having those markdown files on your computer.”

Markdown 文件是最通用、最便携的格式。无论你以后换到什么 Agent Harness，这些文件都能直接迁移。不要用 .docx 或 .pdf——LLM 最容易理解和处理的就是 Markdown。

技巧 8：区分 Global 和 Project Level 的配置

常见误区

误区 1：“Agent 就是更高级的 ChatGPT”

正确理解：Agent 和 Chat 是两种完全不同的工作模式。Chat 是一问一答的乒乓球；Agent 是你给出目标后它自主规划、执行、交付的完整流程。两者的效率差异可以达到 10-20 倍。

误区 2：“Agent 会自动记住我说过的话”

正确理解：与 ChatGPT 等 Chat 产品不同，大多数 Agent Harness 默认不会跨会话保存记忆。你需要手动设置 memory.md 和对应的指令，才能让 Agent 在不同会话间记住你的偏好。

误区 3：“用 Agent 第一步是学会写好 Prompt”

正确理解：时代已经从 Prompt Engineering 进入了 Context Engineering。与其打磨一条完美提示词，不如花时间给 Agent 提供完整的业务上下文。上下文越丰富，你的指令就可以越简单。

误区 4：“选对平台最重要”

正确理解：所有 Agent Harness 的底层逻辑是一样的——LLM + Loop + Tools + Context。就像学会开车后你可以开任何品牌的车一样，理解了核心概念后，你可以在任何平台上搭建有效的 Agent。

误区 5：“给 Agent 越多权限越好”

正确理解：安全的做法是从最小权限开始，逐步放开。对涉及财务（如 Stripe、Meta Ads）或敏感数据的工具，先只给只读权限，验证稳定后再逐步开放操作权限。

误区 6：“Skills 和 Memory 是一回事”

正确理解：Memory 存储的是关于你的偏好和修正（自动更新）；Skills 封装的是一个完整的工作流程（手动创建）。Memory 像员工的笔记本，Skills 像员工的操作手册。两者互补但不可混为一谈。

误区 7：“自动化必须一步到位”

正确理解：Remy 的方法是渐进式的——先手动在 Agent 中跑一遍流程，满意后再转化为 Skill。每周转化 3-5 个小流程，几个月后自然覆盖大部分工作。试图一开始就搭建完整的自动化体系，反而容易因为复杂度太高而失败。

误区 8：“我的业务太复杂，Agent 搞不定”

正确理解：不需要一次性让 Agent 管理整个业务。从一个 Executive Assistant 开始，先处理邮件、日程、简单的研究任务。等流程稳定后，再扩展到 Head of Marketing、Head of Sales 等更复杂的角色。

误区 9：“OpenClaw 最强，应该直接上”

正确理解：Remy 明确建议初学者不要从 OpenClaw 开始。它虽然最自主、最灵活，但也是最难学习和配置的。应该先用 Co-work 或 Claude Code 这样更友好的平台把流程跑通，然后再迁移到 OpenClaw。

误区 10：“上下文文件写一次就够了”

正确理解：claude.md / agents.md 是需要持续迭代的”活文档”。随着你的业务变化、团队变化、工具变化，你的上下文文件也需要同步更新。Remy 建议把 claude.md 控制在 200 行以内，保持精炼。

关键要点

1. Chat 到 Agent 的转变是当下 AI 领域最重要的范式转移——从”问答式交互”进化为”目标驱动式执行”，效率差异可达 10-20 倍。

2. Agent Loop（Observe → Think → Act）是所有 Agent 的核心运行机制——理解这个循环，你就理解了为什么 Agent 能自主完成复杂任务。

3. Agent Harness 只是”车”，核心概念是”驾驶技术”——Claude Code、Codex、Antigravity、Co-work 都是不同的载体，底层逻辑完全一致。学会概念后可以自由切换平台。

4. Context Engineering 已经取代 Prompt Engineering 成为核心能力——与其花时间打磨提示词，不如把精力放在为 Agent 构建完整、准确的业务上下文上。

5. agents.md 文件就是 Agent 的”入职培训手册”——包含角色定义、业务信息、工具清单、工作偏好。没有它，Agent 就是一个什么都不知道的”新员工”。

6. Memory 系统让 Agent 越用越聪明——通过 memory.md 文件实现跨会话的偏好记忆和纠错积累。这是自动记忆的可控替代方案，让你精确管理 Agent 知道什么、不知道什么。

7. MCP 是连接一切工具的通用协议——由 Anthropic 创建，让 Agent 通过统一接口与 Gmail、Stripe、Notion、Granola 等所有工具通信，无需单独集成。

8. Skills 是”AI 的 SOP”，让你只需解释一次——把重复性工作流程打包成 Skill 文件，以后每次只需一句话调用，结果完全一致。

9. Skills 的复利效应是最大的生产力杠杆——每周转化 3-5 个手动流程为 Skills，几个月后你的 Agent 就能覆盖 80% 以上的日常工作。

10. Schedule Tasks + Skills + MCP 是终极组合——定时触发 + 封装好的流程 + 连接好的工具 = 全自动化的 AI 工作流，真正实现”AI 操作系统”的愿景。

11. 从 Executive Assistant 开始，逐步扩展到全部门覆盖——不要试图一步到位。先搭建一个行政助理角色，跑通所有概念后，再复制到 Head of Marketing、Head of Sales 等角色。

12. 未来的”100x 员工”是人 + AI 操作系统的组合——每个人都会带着自己的 AI 操作系统（文件夹 + Markdown 文件 + Skills）进入工作，持续积累、持续进化。正如 Cody Schneider 所说，这将重新定义”员工”的含义。

结论

Remy 在这期课程中做了一件了不起的事：他把 AI Agent 这个听起来很复杂的概念，拆解成了一套任何人都能理解、任何人都能动手搭建的系统。

核心思路极其简洁：一个文件夹 + 几个 Markdown 文件 + 连接好的工具 = 一个能为你持续工作的 AI 员工。

“Everyone’s going to have an AI operating system. And everyone will just have personal agents and agents to manage each department of their company.”

从今天开始，你只需要做三件事：

1. 创建一个 executive-assistant 文件夹
2. 写一个 claude.md（或 agents.md），用采访式提问让 AI 帮你提取业务上下文
3. 每天使用时，遇到重复流程就打包成 Skill

几周之后，你就会体验到 Remy 所描述的那种”把一周的工作压缩到一天”的感觉。

“You start to fit a week in a day and then 7 weeks in a week. You stack that up over a year and you’re going to be miles ahead of everyone else.”

这不是未来——这是现在。