📘 课程 003：the AI Platform 101（平台入门）
官方课程名：the AI Platform 101 官方地址：
https://anthropic.skilljar.com/claude-platform-101存放路径：Claudeexams/20-课程/课程003 the AI Platform 101/归属体系：开发者平台线（面向要用 API / SDK 构建应用的开发者） 针对认证：CCAR-P（架构师 Professional） —— ⭐ 本课是七领域中「领域 3 集成（19%，最大）」与「领域 7 开发者生产力（7%）」的直接弹药库 归档日期：2026-10-14
⚠️ 本课与课程 002 的定位差异（先建立坐标）： 课程 002《AI Fluency for Builders》是素养/判断力课（4D 框架，讲「该不该交、好不好」）； 本课是平台/工程课（讲「一次请求里有什么、agent 怎么转、工具怎么接、成本卡在哪」）。 002 提供判断题的价值观，003 提供技术题的答案。 两门都不能跳过。
🎯 课程简介与导读 (About This Course)
📌 英文原版 (Original Text)
About this course There's a wide gap between chatting with the AI in a browser tab and building the AI into something you ship. A chat answers a question and the thread ends there. An application sends the AI structured requests, hands it tools, lets it act on real systems, and runs that loop for one user or a million. The the AI Platform exists to close that gap, and it's a different skill from prompting. Getting value out of it means understanding what's in a request, how an agent decides what to do, and where the costs and limits live.
This course teaches developers to build on the the AI Platform from the ground up, whether you've made a few API calls or have only used the AI through a chat window. We start from first principles: what an API request contains, what an agent loop is, how the context window bounds what the AI can see, and how tools and permissions decide what it can do. The techniques later in the course then land as understanding instead of a list of calls to copy.
You'll send your first request and read the response, then choose the right model for a job (Opus, Sonnet, or Haiku) and weigh the cost-and-latency trade-off on your own examples instead of guessing. From there you'll build the agent loop by hand to see how the AI acts, observes, and decides, then collapse that hand-written loop with the SDK's Tool Runner once you understand what it does for you. You'll give the AI reach through tool use, let it reason through hard problems with extended thinking, and keep spend predictable with workspaces, limits, and the Console Workbench.
The middle of the course extends an agent beyond your own code: the AI provider's built-in tools (web search, code execution, web fetch) that run on the AI provider's infrastructure, Skills that package a procedure once and reuse it across calls, MCP servers that connect the AI to third-party tools without writing a schema, and the context-management patterns that keep a long-running agent inside the window and affordable past turn ten.
The final section hands work off. You'll learn when to run your own loop and when to let the AI provider run a sandboxed, managed agent for you, then build one end to end, consuming the event stream as the AI provider runs the loop and reports back. A standalone lesson shows you how to build with the API using AI Code Assistant itself, which is also why the rest of the course matters: you need to know what good code looks like to review what an agent writes for you. Every lesson ends with a runnable demo, so you finish each one with working code.
Recommended prerequisites Comfort reading and writing code in at least one language, plus basic command-line familiarity. The demos use the TypeScript SDK (
@anthropic-ai/sdk) with Node and npm. You don't need to be a TypeScript expert, but you should be able to follow along and run a script. (The platform also offers a Python SDK; the course examples are in TypeScript.) You'll need an the AI provider Console account and an API key from platform.claude.com, plus a small amount of prepaid credit to run the examples. You don't need prior experience building with LLMs.Who this is for Developers who've used the AI in a chat window and want to build it into their own applications, whether you're adding AI features to an existing product or prototyping an agent from scratch. If you've sent a handful of API calls but stalled at "how do I make this act on its own" or "how do I connect it to my real systems," this course is the bridge from a single request to a production agent. You don't need prior agent experience; each lesson builds on the one before it.
🇨🇳 架构师级精译中文版 (Professional Translation)
关于本课程 在浏览器标签页里和 AI 聊天，与把 AI 构建进你要交付的产品之间，隔着一条很宽的沟。一次聊天回答一个问题，线程到此为止；而一个应用会向 AI 发送结构化请求、把工具交给它、让它作用于真实系统，并且为一个用户或一百万用户持续运转这个循环。the AI Platform（平台）就是为填补这条沟而存在的 —— 而用好它，是一种与提示词工程不同的技能。要从平台里拿到价值，你得理解：一次请求里有什么、一个智能体如何决定下一步做什么、以及成本与限制藏在哪里。
本课程从零开始教开发者在平台上构建 —— 无论你已经发过几次 API 调用，还是只在聊天窗口里用过 AI。我们从第一性原理出发：一次 API 请求包含什么、什么是智能体循环、上下文窗口如何框定 AI 能看见的范围、工具与权限如何决定它能做什么。后面课程里的技法，就会作为理解落地，而不是一张可以照抄的调用清单。
你会先发出第一个请求并读懂响应，然后为一项工作选对模型（Opus、Sonnet 或 Haiku），并在你自己的样例上权衡成本与延迟的取舍 —— 而不是靠猜。之后你会手写一遍智能体循环，看清 AI 如何行动、观察、决策，然后在理解 SDK 的 Tool Runner 替你做了什么之后，用它把这层手写循环折叠掉。你会通过工具调用给 AI 伸出触手，用扩展思考让它推理难题，并用工作区、限额与 Console Workbench 让开销可预测。
课程中段把智能体延伸到你自己的代码之外：平台内置工具（网页搜索、代码执行、网页抓取）运行在平台自己的基础设施上；Skills 把一段流程打包一次、跨调用复用；MCP 服务器把 AI 连到第三方工具而不必自己写 schema；以及上下文管理模式 —— 让一个长时间运行的智能体留在窗口内，并且在第十轮之后依然便宜。
最后一段把工作交出去。你会学到什么时候该自己跑循环、什么时候让平台替你跑一个沙箱化的托管智能体，然后端到端地构建一个，在平台跑循环并回报时消费事件流。另有一节独立课程展示如何用 AI Code Assistant 本身来基于 API 构建 —— 这也正是其余课程为何重要的原因：你得知道好代码长什么样，才能审查智能体替你写的代码。每节课都以一个可运行的 demo 收尾，所以你学完每一节都带着能跑的代码离开。
建议先修 能读写至少一种语言的代码，并具备基础命令行能力。示例使用 TypeScript SDK（
@anthropic-ai/sdk）配 Node 与 npm。你不必是 TypeScript 专家，但要能跟得上并跑起脚本。（平台也提供 Python SDK；本课程的示例是 TypeScript。）你需要一个平台 Console 账号与来自 platform.claude.com 的 API key，外加少量预付费额度来跑示例。不需要有 LLM 构建经验。这门课给谁 在聊天窗口里用过 AI、并想把它构建进自己的应用的开发者 —— 无论是给现有产品加 AI 功能，还是从零原型一个智能体。如果你发过一些 API 调用，却卡在「怎么让它自己行动」或「怎么把它接到我的真实系统」上，这门课就是从单次请求通往生产级智能体的那座桥。不需要智能体经验；每节课都建立在前一节之上。
🧩 核心知识点与架构映射拆解 (Knowledge Breakdown)
一、全课的一条主线：从「一次聊天」到「一个生产级智能体」
官方用一句话立了靶子：「聊天回答完问题，线程就结束了；应用发结构化请求、交工具、作用于真实系统，并为百万用户跑这个循环。」
这条主线可以拆成四级台阶，正好对应 CCAR-P 领域 1 的「端到端架构（输入 → 处理 → 输出 → 反馈回路）」：
| 台阶 | 问题 | 对应课时 |
|---|---|---|
| ① 一次请求 | 请求里到底有什么？ | 第 1–2 课 |
| ② 选模型 | 用哪个模型？成本与延迟怎么权衡？ | 第 3 课 |
| ③ 自己跑循环 | 智能体如何行动—观察—决策？ | 第 4–6 课 |
| ④ 把循环交出去 | 何时自建循环、何时用托管智能体？ | 第 11–12 课 |
二、⭐ 官方明确说的「另一种技能」
"it's a different skill from prompting" —— 用平台 ≠ 会写提示词。
这是出题人最爱的一句话：它把「提示工程」从「平台能力」里剥了出来。落到考纲上就是：
- 领域 2（13%）只考提示与上下文工程；
- 领域 3（19%，最大）考集成：工具、权限、MCP、协议选型；
- 会写提示词不等于会做集成 —— 题干若把「提示词写得更好」当作「工具乱接 / 权限过大」的解法，那就是陷阱。
呼应课程 002 第 5 课的 Prompt engineering is only one link（提示工程只是描述链的一环）—— 两门课在这里互相印证。
三、四个「第一性原理」问题（官方点名的骨架）
官方列出了理解平台的四个基本问题，这四问就是本课的目录，也是领域 1 + 领域 3 的知识骨架：
| # | 官方原句 | 中文 | 命中考纲 |
|---|---|---|---|
| 1 | what an API request contains | 一次 API 请求里有什么 | 领域 2 / 3 |
| 2 | what an agent loop is | 什么是智能体循环 | 领域 1（架构模式） |
| 3 | how the context window bounds what the AI can see | 上下文窗口如何框定 AI 的视野 | 领域 2（上下文与 token） |
| 4 | how tools and permissions decide what it can do | 工具与权限如何决定它能做什么 | ⭐ 领域 3（能力膨胀 / 授权缺口） |
⭐ 第 4 问是全课的政治正确：权限决定能力边界，这正是领域 3 的
capability bloat（能力膨胀）与least privilege（最小特权）—— 与课程 002 的 Delegation（委派）是同一件事的两个层级：002 讲该不该交，003 讲交出去之后配了什么权限。
四、成本与限制是一等公民，不是附录
官方两处强调开销：weigh the cost-and-latency trade-off on your own examples（在自己的样例上权衡，而不是猜）、keep spend predictable with workspaces, limits, and the Console Workbench。
⭐ 考点：领域 4 明确要求「权衡准确率与延迟并论证配置决策」。本课给的官方三件套是
workspaces/limits/Console Workbench—— 这三个词大概率会出现在选项里。
五、托管智能体：何时交出循环
when to run your own loop and when to let the AI provider run a sandboxed, managed agent for you
这就是领域 1 的 workflow（自己编排）vs agentic（交给它自主） 的平台层落地版，再加一个 sandboxed（沙箱化） 的安全维度。第 12 课的 event stream（事件流）是可观测性考点（领域 3 的 observability）。
📚 Curriculum 全景（官方六段式，含 13 个文本课时 + 1 个 Quiz）
官方详情页地址：
https://anthropic.skilljar.com/claude-platform-101/<lesson-id>⚠️ 课时 ID 不连续（486253 / 486257 / 486262 / 486265 / 486267 在官方页中不存在），不要据此推断还有隐藏课时。
| 序 | 章节 Section | 课时 Lesson | ID | 定位 / 考点预判 |
|---|---|---|---|---|
| 1 | What is the the AI Platform? | What is the the AI Platform? | 486250 |
立靶：聊天 vs 应用；平台是什么 |
| 2 | Your first API call | 486251 |
⭐ 请求/响应结构（第一性原理 ①） | |
| 3 | Choosing the right model | 486252 |
⭐⭐ Opus / Sonnet / Haiku 选型 + 成本-延迟权衡 | |
| 4 | Teaching your Agent | The agent loop explained | 486254 |
⭐⭐ 行动—观察—决策；手写循环（④ 课 Tool Runner 折叠） |
| 5 | What is tool use? | 486255 |
⭐⭐ 工具调用 + 权限（领域 3 核心） | |
| 6 | What is thinking? | 486256 |
⭐ 扩展思考（extended thinking）与成本 | |
| 7 | Extending your Agent | Built-in tools | 486258 |
⭐ 网页搜索 / 代码执行 / 网页抓取（跑在平台基础设施上） |
| 8 | Skills | 486259 |
⭐⭐ 打包一次、跨调用复用（领域 2 提示复用） | |
| 9 | MCP | 486260 |
⭐⭐⭐ 免写 schema 接第三方（领域 3 协议选型） | |
| 10 | Context management | 486261 |
⭐⭐ 长循环留在窗口内、第十轮后仍便宜 | |
| 11 | Managed Agents | What are managed agents? | 486263 |
⭐ 自建循环 vs 托管沙箱（领域 1 架构模式） |
| 12 | Building your first managed agent | 486264 |
⭐ 端到端 + 消费事件流（领域 3 可观测性） | |
| 13 | Building with AI Code Assistant | Building with AI Code Assistant | 486266 |
⭐ 用 AI Code Assistant 构建；要能审查智能体写的代码（呼应 002 的 Discernment） |
| 14 | Quiz | the AI Platform 101 Quiz | 486268 |
结课测验 |
⭐ 第 13 课与课程 002 的接口：官方原话 "you need to know what good code looks like to review what an agent writes for you" —— 这几乎就是 002 的
Discernment（判断力）在代码侧的官方定义。两门课在这里扣上了。
🔤 本课程高频考试生词与术语提炼 (Vocabulary Links)
完整词条待建
30-单词表/03-考试核心生词与术语表.md；此处先立骨架。
平台与请求层
* platform：平台（此处专指 the AI Platform，与「聊天产品」相对）。
* API request / response：API 请求 / 响应（第一性原理 ①）。
* structured request：结构化请求（与聊天的自由文本相对，是「应用」的标志）。
* context window：上下文窗口（框定 AI 能看到什么 —— bounds what the AI can see）。
* turn：轮次（past turn ten 第十轮之后）。
模型与权衡层
* Opus / Sonnet / Haiku：三档模型（强 / 均衡 / 快省）—— 选型题的标准选项集。
* cost-and-latency trade-off：成本与延迟的权衡（⭐ 领域 4 原词组合）。
* extended thinking：扩展思考（让 AI 推理难题，代价是 token 与延迟）。
* prepaid credit：预付费额度（跑示例的前提）。
智能体与工具层
* agent loop：智能体循环（act / observe / decide —— 行动、观察、决策）。
* tool use：工具调用（给 AI 「伸出触手」 give the AI reach）。
* permissions：权限（决定它能做什么 —— 与 capability bloat / least privilege 同源）。
* Tool Runner：SDK 中的工具运行器（把手写循环折叠掉 collapse that hand-written loop）。
* built-in tools：内置工具（web search / code execution / web fetch）。
* Skills：技能（打包一次、跨调用复用）。
* MCP (Model Context Protocol)：模型上下文协议（免写 schema 接第三方工具）。
* schema：模式定义（MCP 的价值就是不用自己写）。
* context management：上下文管理（让长循环留在窗口内且便宜）。
交付与治理层
* workspaces / limits / Console Workbench：工作区 / 限额 / 控制台工作台 —— ⭐ 官方「让开销可预测」三件套。
* spend：开销、花费（动词兼名词，keep spend predictable）。
* managed agent：托管智能体（平台替你跑循环）。
* sandboxed：沙箱化的（安全的执行边界）。
* event stream：事件流（托管智能体回报的方式 → 可观测性）。
* runnable demo：可运行的示例（每课收尾）。
* AI Code Assistant：AI 编码助手（第 13 课 + 领域 7）。
🧠 CCAR-P 考点映射小结
| 本课知识点 | 命中考纲条目 | 领域 |
|---|---|---|
| 工具调用、权限、MCP、内置工具、协议选型 | 评估工具/智能体配置的能力膨胀；评估连接协议并选定集成机制（MCP / API-CLI / agent-to-agent）；分析认证与授权需求 | 领域 3（19%） |
| 智能体循环、自建循环 vs 托管智能体、端到端架构 | 选择架构模式（workflow / agentic / augmented LLM）；端到端架构设计 | 领域 1（17%） |
| 模型选型（Opus/Sonnet/Haiku）、成本-延迟权衡 | 基于权衡选型模型；权衡准确率与延迟并论证配置决策 | 领域 4（16%）+ 领域 1 |
| 上下文窗口、上下文管理、Skills 复用 | 优化上下文窗口与 token 消耗；提示复用策略（caching、模块化提示、Skills） | 领域 2（13%） |
| 沙箱化托管、workspaces/limits 控开销 | 识别安全缺口；治理与风险控制 | 领域 5（14%） |
| 事件流消费、可观测性 | 分析可观测性挑战并选择规模化的监控策略 | 领域 3 |
| 用 AI Code Assistant 构建、审查智能体写的代码 | 开发者生产力与运维赋能（工具配置、AI Code Assistant 工作流） | 领域 7（7%） |
⭐ 战略判断：课程 002 主要贡献判断力底座（领域 5 / 6），直接题量不大； 而本课直接命中领域 3（19%，最大）+ 领域 7（7%）+ 领域 1 的一半 —— 是性价比最高的一门，建议优先级高于 002 的二轮复习。
✅ 本课程进度
- [x] 官方页抓取与大纲归档（2026-10-14）
- [x] 建立
30-单词表/03-考试核心生词与术语表.md（已收录 64 核心精讲 + 554 条全量速查） - [x] 逐节精读与笔记：十三课正文全部完成（2026-10-14）
- [ ] 跑通每课
runnable demo（需 Console 账号 + API key + 预付费额度） - [ ] 章节测验（
the AI Platform 101 Quiz）
🔗 关联
- 上一门：课程 002《AI Fluency for Builders》（4D 框架，判断力底座）
- 考纲对照：
10-CCAR-P备考/00-CCAR-P备考蓝图 - 生词表：
30-单词表/03-考试核心生词与术语表.md（⭐⭐ 64 精讲 / 554 速查）
⚠️ 语料说明：本文件英文原文取自官方 Skilljar 课程详情页 About 区块（公开可抓取，2026-10-14），已按本校惯例对品牌名做中性化处理（原文抓取件中含
the the AI等去品牌化残留，中文版已顺句；英文版为保持原貌予以保留）。