01开始学习
核心模式Agent 与提示链
尚未开始15 分钟
A Learning Environment for Human Expertise Development
Build the expertise that matters in the AI era.
让专业知识、训练环境与实时指导触手可及。
在仿真中实践，在反馈中提升。
OUR LEARNING COMMUNITY
与来自这些高校和企业的学员一起学习
来自以下高校的学生与企业的从业者，都曾在这里学习。
标识仅表示学员的学习或工作背景，不代表机构合作或背书。
AI 让人能做的事，
更进一步。
关于 AI 的讨论，常常围绕它会替代哪些工作。我们相信，AI 也在扩展人能够完成的工作：让更多人有能力解决复杂问题，从事更有意义、更高价值的工作。
新的可能，仍有旧的学习门槛。
以机器人系统、企业级智能系统、计算机安全和超大规模数据处理为例：过去，进入这些专业领域往往需要难以获得的训练环境，以及长期积累的行业专有知识（specific knowledge）。从业人群相对少而分散，也让高质量的训练与指导难以普及。
我们要打破的，正是这些学习门槛。
Agentist 提供可反复练习的仿真 Enterprise Lab，让模拟用户提出需求、检验结果，并由连接特定领域专有知识的 Mentor Agent 提供实时指导。通过实践、反馈和反复验证，帮助学习者逐步掌握更高价值的职业能力。
让 AI 打开的新可能，成为人能够掌握的新能力。
探索训练场Exlen Virtual Lab真实任务 · 模拟用户 · Mentor Agent
选择要掌握的能力，进入对应训练环境。AI 合成场景 · 非实际设施
Thesis · 为什么是「虚拟训练场」
解决复杂问题，
交付实际成果。
在贴近行业的任务中，练习理解问题、做出判断、设计方案并验证结果。我们提供预置的训练环境、领域知识与模拟用户，帮助你把知识转化为解决复杂问题的职业能力。
已经在跑的系统
数据、接口、状态机、外部依赖的 mock 都预先搭好，且用真机流量录制并经契约测试验收。你不重造轮子，只解决分配给你的任务。
懂项目背景的人
知道数据的脾气、项目的坑位、接口的暗规则。这就是 /lab-assistant：接了专有知识的 QA agent，按需唤起，用完即走。
会真用你东西的用户
一群 swarm agents 扮演用户，在仿真环境里真的跑你的 agent；每个场景采样多次，出「场景通过矩阵」。这就是 /lab-evaluate。
Configuration · Step 01
三十秒，告诉系统你是谁、有多少时间、要去哪
像进公司先做的岗位匹配。每改一项，下面的公司匹配结果实时重算。
PDF
导入简历并匹配
进入简历与目标匹配，支持本地解析 PDF 或文本。
进入简历与目标匹配，支持本地解析 PDF 或文本。
Configuration · Step 02 · 匹配结果
为你匹配的公司，按匹配度排序，你来选
不只推荐一家。每家都给出匹配度和推荐理由，以及按你的背景推荐的岗位。点「查看档案」看这家公司的数据、架构、问题和用户；点「选择这家」进入项目选择。
Configuration · Step 03 · 选择项目
在这家公司里选一个项目
同一家公司有不同岗位，每个岗位对应一段任务阶梯和一份交付标准。带「推荐」标记的是按你的背景最顺手的那个，但你可以选任何一个。
Dossiers · 四家公司档案
四家「公司」，四套已就绪的基础设施
每家都是一套仿真企业或实验室：有数据、有接口、有 mock 掉的外部系统、有岗位和任务阶梯。第一家已经在真机流量上建好了 mock 层，其余三家是概念设计。点「展开档案」看七个标签页。
Step 03 · 两个命令，接进你自己的 code agent
在熟悉的工具里构建。
用评测和反馈持续改进。
继续使用你的 coding agent。完成任务后提交评测，遇到问题时获取项目上下文与指导，让每一轮迭代都有明确方向。
/lab-evaluate提交 → 云端仿真回放 → 场景通过矩阵断言写在不变量上
- 终态：mock 状态机走到目标态、产物真落盘
- 必要调用：如「先枚举再创建」
- 不逐步匹配轨迹，允许不同解法
报告即教学材料
- 每场景 k 次采样，显示通过率
- 轨迹摘要 + 与期望的偏离点
- 偏离点映射到 lab 知识点
查看评测报告示例
❯ /lab-evaluate t3
uploading starter/agent/ (14 files, 38 KB) … replaying 5 scenarios × 5 samples
握手认证 5/5
枚举设备再建源 4/5 1 次直接猜了 device id
开始/停止录制 5/5
断线自动重连 2/5 重连后未重发 Identify → kp-02
/lab-assistant接了专有知识的 QA · 按需唤起 · 梯度放行与通用 agent 的唯一区别
- connect 了 solution、知识点、任务书
- 能读你的工作区和评测历史
- 回答一律现场生成，不会腐烂
梯度放行
- 默认答疑、指坑、给方向
- 明确要答案时确认一次
- 成人教育不硬堵，但设一道摩擦
查看项目答疑示例
❯ /lab-assistant 握手连上就断，没有任何报错
reading starter/agent/obs.py · eval report #128 · solution/obs_ws.py
认证失败时 obs-websocket 不报错，直接静默关连接——这是 kp-02 的坑。
你的 Identify 帧里 auth 用的是单层 sha256；协议要求两层：
secret = b64(sha256(pw + salt)) → auth = b64(sha256(secret + challenge))
先把这两步拆成两行打印出来对一下长度，再说要不要看参考实现。
接入任何 Code Agent
Claude CodeCodex CLICursorGemini CLIOpenCodeWindsurf
──▶
MCP · parallight-lab
──▶
/lab-evaluate/lab-assistant
How it was built · 真实数据，不是概念
每一次进步，都有据可查。
从真机流量、契约测试到云端评测，Signal Studio 的工程链路可以被检查。以下数据来自 lab-2-a 仓库快照，展示训练环境的构成与验证依据。
运行日志、测试数据与评测依据
评测场景 · 断言原文
参考解在生产环境的场景通过矩阵PRODUCTION
设计原则 · 原文SPEC
两条铁律 · eval/README.md
已发布的 lab · 之前造过的各种 agent
Step 04 · 仿真用户
在用户遇到问题之前，
让仿真先发现它。
公司里检验你的是真实用户和线上流量；训练场里由 swarm agents 承担同一个角色。它们按角色脚本发指令、制造边界情况、在你的 agent 上反复采样，评测结果因此不是一次 pass/fail，而是一张概率矩阵。
Swarm · 角色脚本DESIGN
角色化：每个仿真用户带一份角色卡（主播 / 运营 / 乘客 / 租户 / 产线工程师），有目标、有耐心阈值、有说话风格，参考 τ-bench 的 user simulator。
对抗性：一部分用户专门制造边界：中途改主意、给错信息、要求超出权限的操作，检验你的 agent 会不会越界。
可复现：脚本 + 随机种子固化在 tasks.json 的 eval 字段里，看板、评测器、assistant 三方共用一份真相源。
- 并发
- 24 用户
- 采样
- 每场景 k = 5
- 本轮
- 场景 3 / 5 · 断线自动重连
仿真用户你的 agent通过失败
Status · 现在到哪了
两家已开放，两家 9 月下旬推出
已开放Signal Studio · 视频真机流量录制 → mock obs-websocket / VectCutAPI → 契约测试全绿 → 云端评测 worker 已上线（Render）。插件端 /lab-evaluate 待发布。
已开放Meridian Air · 航空 ERP参考 τ-bench airline：乘客库、政策手册、订改退接口；仿真乘客 + 终态数据库一致性断言。
9 月下旬推出Kinema Robotics · 具身智能UR5 抓取仿真（物理引擎 + 相机流 + 抓取 API），断言抓取成功率与零碰撞。对应第二期具身项目。
9 月下旬推出Substrate Inference · 模型服务多租户 token 网关、计费账本、模型路由、流量回放；仿真租户压测，断言 SLA 与账单对账。对应第二期 Week 4-5。
Ready · 四家公司 · 两家已开放
你的下一步，
从一个真实问题开始。
三十秒告诉系统你是谁、有多少时间、要去哪。系统匹配多家公司并说明理由，你自己选公司、选项目，然后拿到学习材料和任务。