资源介绍
视频数量：6个
总时长：2小时47分
课程介绍：
把真实工作交给智能体
周一早晨，你把“调查三款同类产品并给出采购建议”交给人工智能。转身泡杯咖啡，回来时，报告已经躺在工作区里。真正让人犯愁的，往往不是它不会回答，而是怎样把一项有上下文、有标准、还带风险的工作完整交出去，让它自己查资料、调用工具、反复修改，最后交付可以直接使用的成果。这门课讨论的正是这种变化：人不再只负责聊天和补稿，而是成为任务的编排者、验收者和流程设计者。六个单元、约两小时四十七分钟，内容从认识智能体开始，最后落到日常工作与团队协作。
一、先看懂智能体，也看清自己站在哪里：
课程从人工智能使用方式的一次明显变化谈起。OpenAI创始成员安德烈·卡帕斯提到，他把一整块工作交给智能体，回来时发现任务已经完成，甚至想不起上一次亲自修正是在什么时候。过去，人工智能更像一个需要反复审稿的实习生；现在，有些任务已经可以在明确说明和合理检查之后交出去完成。这个变化并非来自某个新模型的跑分，而是人机分工开始移动。
随后，课程给出一个朴素定义：智能体是拥有工具、能够自主运行循环的人工智能。讲师还原一项真实研究任务，按照实际界面逐步展开，并在接收目标、选择工具、执行检查和整理输出等关键节点停下来，解释屏幕上的动作对应什么机制。课程还提供采用阶段诊断表，用四个阶段帮助使用者判断自己目前如何与人工智能协作：只是问答，依赖草稿，开始委派完整任务，还是已经设计多智能体流程。判断不靠感觉，而要对照真实工作。
二、写出让智能体可以执行的任务说明：
第三讲是整门课的关键。课程强调，返回结果的质量取决于任务说明的质量。这里所说的任务说明，就是一份清楚的书面指示，不神秘，也没有必须照抄的提示词格式。多数人失败，不是因为智能体能力不足，而是交代得过于含糊，例如只说“做一份市场报告”，却没有说明调查对象、时间范围、信息来源、比较维度和交付标准。
配套的目标说明模板会把任务拆成目标、背景、输入材料、约束条件、输出形式和验收标准。比如，同样是竞品研究，说明中可以写清要给管理层看，只比较价格、交付周期和售后政策，列出五家厂商，优先引用近两年的公开资料，每个结论都要附来源，最终用一页摘要和一张比较表呈现。这样的说明让智能体知道该做什么、做到什么程度，也让它遇到缺失信息时能按既定规则处理。好的委派不是把人盯在旁边，而是先把成功标准写清楚。
三、验收成果，让智能体学会自我检查：
交出任务只是开始，收到结果后仍然需要判断它是否真的可用。第四讲提供输出验收清单，把常见检查拆成几类：有没有回应全部要求，关键事实有没有依据，格式是否便于后续使用，结论是否超出证据，风险信息是否被遗漏。验收不再是从头重写，而是集中查看最容易出错的地方。
更重要的是，课程会演示如何把检查要求反馈给智能体，让它在提交前先做一轮自检。你可以要求它逐条对照验收标准，列出未解决问题，必要时重新查找资料或修改某个部分，再说明哪些地方仍有不确定性。这样便形成“执行、验收、修正、再验收”的循环。人负责设定标准和处理关键判断，智能体负责更频繁的内部检查，避免每次都靠人拿红笔逐字收尾。
四、从一个智能体变成一支协作队伍：
当任务包含研究、创作、审稿和决策时，可以让多个智能体分工完成。课程配套的角色提示模板设置了执行者、批评者和裁判三类角色：执行者负责产出方案，批评者专门寻找漏洞和反例，裁判依据事先约定的标准比较结果并确定最终版本。以产品方案为例，执行者整理功能，批评者检查成本、竞争风险和用户阻力，裁判再核对哪项建议最符合约束条件。
课程也会说明何时需要多智能体，何时一个智能体加人工验收就足够。任务简单却拆得过细，会增加沟通开销；任务复杂且质量标准多，分角色反而能减少遗漏。真正值得学习的不是堆出更多智能体，而是理解角色如何分工、输入如何传递、争议由谁裁决。
五、把委派能力带进个人工作与团队流程：
最后一讲给出从个人工位走向整个团队的三阶段路径。第一阶段，挑出一项重复、边界清楚、后果较低的任务进行试验；第二阶段，把有效做法固化为任务说明模板、验收清单和角色分工，让同事也能复用；第三阶段，再建立适合整个团队的采用路线图，决定哪些任务可以自动完成，哪些必须人工批准，敏感信息如何处理，出现偏差由谁接管。
路线图不是一份遥远的规划表，而是从下一次真实委派开始记录：任务是否按时完成，返工次数有没有下降，人工投入节省在哪里，又出现了哪些新风险。随着尝试增多，团队可以逐步形成自己的规范，例如研究任务的来源要求、发布内容的事实核验、代码修改的测试门槛，以及高风险决策必须由人确认的边界。
学完这门课，你获得的不是一套炫目的提示词，而是一套能落到日常工作的委派方法：先判断任务是否适合交给智能体，再写清可执行的任务说明，验收成果并建立反馈循环，必要时组织多个角色协作，最后把经验沉淀成个人习惯和团队流程。真正发生变化的，是人从繁碎执行者变成负责目标、标准和质量的人。