基于现场速记整理。工具名、网址按笔记原样保留;推断与补充已在文中标注。

这场讲座真正的主线

整场讲座的核心不是「怎么用某个 AI 工具」,而是一条更底层的路径:

拿到 API → 用长期提示词约束行为 → 把重复动作脚本化 → 形成自己的自动化工作流。

讲师熊瑞的思路很清晰:不要只在网页里跟 AI 聊天,要把它接进自己的程序。只有接成接口,AI 才能脱离「单次对话」的形态,变成一个可复用、可编排、可无人值守的能力模块。

一、为什么要用 API,而不是网页

网页端的 AI 有两个问题:操作是人点出来的,没法批量;上下文是临时的,换次对话就清零。API 解决这两件事——你可以用脚本批量调用,可以把对话历史和规则持久化。

笔记中反复出现的平台是 Agnes(agnes-ai.cn),它的价值在于:

  • 提供 API Key,让你能用脚本调用。
  • 有视频生成能力(agnes-30-flash 模型),笔记标注「做视频不用钱」——这是它相对于纯文本模型的差异化。
  • 配合 TeleAI 的智能体平台(teleai.com.cn),可以把模型包装成可编排的智能体。

另一个值得注意的细节:笔记提到「用 DeepSeek 来操作 wubuuy 和 telegram」。这说明讲师在用通用大模型当「大脑」,去驱动外部平台(购物、社媒)的操作——这正是 Agent 的典型形态:模型负责决策,接口负责执行。

二、长期提示词:让 AI 有「出厂设置」

这是全场最实用的部分。讲师把它叫「铁律」,并标注为全局最高优先级。

为什么需要这个?因为每次开新对话,AI 都会从零开始。如果你不把行为规则固化,它每次都可能「自由发挥」——改错文件、越权操作、给假答案。长期提示词就是把这些风险前置锁死。

笔记记录的四条规则:

  1. 改文件前必须备份:建 .backup 目录,按模块/功能/时间打 .bak。这一条看起来笨,但它是所有自动化的安全网——AI 改错了,你还有的回滚。
  2. 版本号递增:正式项目每次对话升 0.0.01,有数据库写库、没数据库写 JSON。目的是留痕,出问题能回溯。
  3. 服务启停交给用户:智能体只提示,不直接重启服务,确需操作时等待不超过 3 分钟。这是防止无人值守时误操作导致长时间不可用。
  4. 有依赖的调用串行:并行仅限完全独立的操作,单批不超过 2 个。这是工程经验——依赖关系乱套会导致脏状态。

最后还有一条「回答原则」:不确定就直说,凭经验判断必须标注,每次回答末尾说明哪些确定、哪些待验证。

这套规则的本质是:把 AI 的不确定性显式化。不是让 AI 变得绝对正确,而是让它的错误可见、可回滚、可追溯。

三、一个可复用的 Web 应用提示词

笔记里有一段现场写的需求描述:

1
2
3
4
5
6
按文档帮我创建一个 Web 应用。
密钥放在后台管理,方便以后自行添加。
功能:
1. 调用大模型对话
2. 后续增加模型,创建图形
3. 后续增加模型,创建视频

这段提示词的结构值得拆解:

  • 先给文档(Agnes 的 API 文档)——让 AI 有真实依据。
  • 再定配置方式(密钥后台管理)——把不可写死的东西抽出来。
  • 最后列功能并标优先级(对话→图形→视频)。

这其实就是合格的需求文档的写法。反过来想:如果你提需求时跳过前两步,直接说「帮我做个 AI 应用」,AI 只能给你一个模糊的脚手架。

四、附:怎么提出一个好问题

笔记后半段粘贴了一大段「好问题方法论」,这其实是对上面一切的元总结——AI 给不出好答案,往往是因为问题没问好。

四个要素:

  • 差距明确:知道自己不知道什么。
  • 带语境:目的、已知、试过什么。
  • 答案可判定:说清什么样算答对。
  • 有后果:答案会改变你的行动。

再加一条隐藏前提:预设要为真。「为什么大家都不喜欢我」——「大家」和「都」本身就是假预设。

这套方法论不只是给 AI 用的。对人提问、对自己提问,逻辑都一样。

这场讲座给我的实际改变

  1. 注册 Agnes,跑通一次 API 调用,不再只用网页版。
  2. 把「长期提示词铁律」抄进自己所有 AI 项目的系统提示里。
  3. 建立 .backup 目录的习惯——这是成本最低、收益最高的一条。
  4. 写需求时先给文档、再给约束、最后列功能,而不是一句「帮我做个 XXX」。

笔记完整度说明:现场演示的具体代码、参数、TeleAI 平台的操作步骤未记录;「wubuuy」「telegent」等名称存在速记误差,需对照录音或官网核实。