入门指南

AI 新手从这里开始：核心概念、工具安装配置与进阶实战，左侧选择一篇文档开始阅读。

概念解释 入门

什么是 LLM（大语言模型）？

用通俗语言讲清大语言模型的原理、能力与边界，建立基础认知。

什么是大语言模型

LLM（Large Language Model，大语言模型）是一类基于海量文本训练的人工智能模型。它的核心能力只有一件事：根据上文预测下一个最可能的词。但正是这个看似简单的能力，在海量数据和参数的堆叠下，涌现出了理解、推理、写作、编程等复杂能力。

可以把 LLM 想象成一个「读完了整个人类图书馆」的助手，它没真正理解世界，但学会了语言的统计规律和世界知识的关联。

它能做什么

  • 文本生成：写作、改写、翻译、摘要
  • 知识问答：回答各类事实性与概念性问题
  • 代码能力：生成、解释、调试代码
  • 推理分析：逻辑推理、数学、多步任务拆解

它的边界

LLM 并非万能，需要清楚它的局限：

  • 会「幻觉」：可能编造看似合理但实际错误的内容
  • 知识有截止日期：训练数据之后的事情它不知道
  • 无法真正「理解」：是统计关联，不是人类式思考
  • 上下文有限：一次能处理的内容长度有上限

主流模型速览

当前主流的大语言模型包括 Anthropic 的 Claude 系列、OpenAI 的 GPT 系列、深度求索的 DeepSeek 系列等。选择时可从能力、成本、上下文长度、国内可用性四个维度权衡。

新手建议先从一个模型用熟，理解提示词的写法，再横向对比，比一开始就多线折腾更高效。
概念解释 入门

什么是 MCP（模型上下文协议）？

解释 MCP 的作用、工作原理，以及它如何扩展 AI 的能力边界。

MCP 是什么

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的一个开放协议，它定义了一套标准，让 AI 模型能够以统一的方式连接外部数据源和工具。

可以把它理解为「AI 世界的 USB 接口」——只要工具遵循 MCP 协议，任何支持 MCP 的 AI 都能即插即用地调用它。

为什么需要它

没有 MCP 之前，每接一个工具都要单独写集成代码，模型和工具之间是「一对一」的硬连接。MCP 把这件事标准化了：

  • 工具开发者只需实现一次 MCP Server
  • AI 应用（如 Claude Code、Cursor）通过 MCP Client 接入
  • 新增工具不用改动 AI 应用本身

它能扩展什么能力

通过 MCP，AI 可以突破「只能聊天」的限制，调用真实能力：

  • 读写文件：操作本地文件系统
  • 查数据库：直接执行查询
  • 调 API：访问第三方服务
  • 操作浏览器：自动化网页任务

常用 MCP Server

社区已有大量现成的 MCP Server，涵盖文件系统、Git、数据库、浏览器、云服务等。在支持 MCP 的客户端里，通常通过配置文件声明即可启用。

上手路径先在客户端里启用一个官方文件系统 MCP，感受「AI 能读你的文件」这件事，再逐步扩展。
概念解释 入门

什么是 Token 与上下文窗口？

理解 Token 计费、上下文长度的概念，学会控制成本与效果。

Token 是什么

Token 是大语言模型处理文本的最小单位。它不是严格的「字」或「词」，而是模型把文本切分后的片段。粗略估算：

  • 英文：1 个 Token ≈ 0.75 个单词
  • 中文：1 个 Token ≈ 0.5~1 个汉字

模型的输入和输出都按 Token 计量，这直接关系到你调 API 时的费用。

上下文窗口

上下文窗口（Context Window）是模型一次能「看到」的 Token 总量上限，包含你的输入和它的输出。超出窗口的内容，模型就「记不住」了。

这就是为什么长对话到后面，模型会「忘记」前面说过的内容——不是它不用心，是窗口满了。

计费方式

API 调用通常按 Token 计费，且输入和输出分开计价（输出通常更贵）。公式大致是：

费用 = 输入Token数 × 输入单价 + 输出Token数 × 输出单价

如何控制成本

  • 精简提示词：去掉冗余描述，只留必要指令
  • 控制上下文：长对话适时总结、清空无关历史
  • 限制输出长度：明确要求「简短回答」
  • 选对模型：简单任务用便宜的小模型
实用技巧把重复使用的长指令沉淀为 Skill 或系统提示，能显著降低每次的输入 Token。
工具安装 入门

Codex 安装与配置指南

从零安装 Codex，配置终端环境与模型接入的完整步骤。

环境准备

在开始之前，请确认你的环境满足：

  • 操作系统：macOS / Linux / Windows（WSL）
  • 已安装 Node.js（建议 18 及以上版本）
  • 一个可用的模型 API Key

安装步骤

通过 npm 全局安装 Codex 命令行工具：

npm install -g @openai/codex

安装完成后，运行以下命令验证：

codex --version

配置模型

Codex 支持接入官方或第三方模型。编辑配置文件，写入你的 API Key 和模型地址：

model = "gpt-5"
api_key = "你的 API Key"

验证安装

进入一个项目目录，运行一条简单指令测试：

codex "帮我看看这个目录的结构"

如果能正常返回结果，说明安装配置成功。

网络问题如果出现连接超时，多半是终端代理未配置，参考「Claude Code 配置与终端代理」一篇的排查方法。
工具安装 入门

Claude Code 配置与终端代理

正确配置终端环境变量与网络代理，避开常见的连接超时坑。

安装 Claude Code

通过 npm 安装 Claude Code：

npm install -g @anthropic-ai/claude-code

终端代理配置

很多人卡在第一步「API Connection Refused」或超时，原因通常是终端没有走代理。在终端配置环境变量：

export https_proxy=http://127.0.0.1:7890
export http_proxy=http://127.0.0.1:7890
export all_proxy=socks5://127.0.0.1:7890

端口号替换为你本地代理工具的实际端口。

永久生效

把上面的 export 命令写入 shell 配置文件（如 ~/.zshrc 或 ~/.bashrc），然后执行 source ~/.zshrc 让其永久生效。

常见问题排查

  • 连接超时：先确认代理工具已开启，且端口正确
  • 403 报错：通常是 IP 被识别为高风险，切换干净节点
  • 配置不生效：检查是否新开终端、是否 source 了配置文件
排查顺序按「连接 → 代理 → 环境变量 → 权限」的顺序逐项排查，比反复重装省时。
进阶 进阶

自定义 Skill 开发教程

从设计到落地，教你如何编写一个可复用的 AI Skill。

什么是 Skill

Skill 是一套结构化、可复用的提示词与指令集合，它把「完成某类任务的方法」固化下来，让 AI 在特定场景稳定地产出高质量结果。写 Skill 的本质，是把你的经验「教」给 AI。

Skill 的基本结构

一个典型的 Skill 包含这些部分：

  • 名称与描述：让 AI 知道什么时候该用它
  • 角色设定：定义 AI 在此任务中的身份
  • 执行步骤：清晰的处理流程
  • 输出格式：规定结果的结构
  • 边界与约束：明确不能做什么

编写你的第一个 Skill

遵循「明确、具体、可验证」的原则。以「周报整理」为例：

# 角色
你是善于向上沟通的项目经理助理。

# 任务
把工作记录整理为决策型周报。

# 输出格式
1. 本周一句话结论
2. 核心进展
3. 风险与所需支持
4. 下周优先事项

调试与优化

好 Skill 是迭代出来的：

  • 用真实案例测试，观察输出偏差
  • 偏差处补充约束或示例
  • 删除不起作用的冗余描述
  • 记录每次改动的原因，形成版本
关键认知模糊的形容词（如「写得好一点」）几乎无效，真实的示例和最硬的约束才是质量的来源。