作者设计 15 道两轮陷阱题，第一轮故意说出错误前提，第二轮装作没听见继续提问，用三个 AI 裁判评测了 5 个模型的'回头纠错'能力。150 次对话结果显示，融合模型 FUMO 旗下的 Fusion Code 以 90% 的纠错比例遥遥领先，GPT-6 Astra、Claude Fable 5.1、Claude Opus 5 和 GPT-5.6 均在 70% 左右。文章对比了模型路由与多模型协作的差异，指出榜单分数高不等于会在用户走偏时拦截，并介绍了 FUMO Fusion Max 2.0 在办公文档分析上的新能力。
作者受 Anthropic 工程经理 Felix Rieseberg「Do not ask the model to judge itself」的启发，将外部验证规则写进 CLAUDE.md：交稿前派一个不带上下文的子 Agent，在空目录里照着成稿做一遍，报告卡住的步骤。作者用一篇错题本教程实测三次：第一次因抓取丢失代码块被判「不能」；第二次判「部分能」，挑出三处真实缺漏（回填提示词、完整模板、日期示例）；补齐后第三次仍挑出更深层的隐含前提问题。对照测试表明配置规则后 Agent 会主动派裁判。文末附完整规则全文及验证方法、踩坑提示，强调写稿与验收必须分离，教程质量需由「没见过这篇的人」验证。
作者耗时5天对 REA 增强版 Codex 与原生 Codex 进行了108次对照实验，其中35对可同条件比较。文章详细记录了三个阶段：首先是六次小型探索，测试笔记导出、桌面应用复制、.NET 计价函数复现三组任务，两边均通过全部用例但 REA 组耗时略长；随后扩展至六档难度、两种模型共72次正式运行。文章分析了 REA 作为调查工具为模型提供的模块关系、函数位置等线索，以及原生 Codex 借助普通工具自行调查的能力，指出在小规模任务中两者能力差距不明显，差异更多体现在调查入口和验证路径上，并对实验边界与结论适用范围做了严谨说明。
作者对蚂蚁百灵发布的金融模型 Ling-3.0-flash-Fin 与其通用基座 Ling-3.0-flash 进行了 441 轮对比实测，使用微软 FY26 Q4 财报和宁德时代 2025 年报等一手公开材料，设计八类任务。结果显示两个模型都能以分析师水准完成建模、口径辨析、抗幻觉等任务，准确率上金融版没有体现出明显优势；唯一显著差距在长篇输出场景，金融版更易'想太多'后返回空白（研报撰写失败率 18.6% vs 0%）。文章还给出反直觉发现：长上下文直投比 RAG 检索更准、更快、更便宜，并坦诚记录了测评过程中的多次自我纠错。
作者用 Apodex 1.1 对 modelcontextprotocol/servers 的三个参考实现做安全审计实测，并以 Apodex 提出的六条标准（理解目标、真实环境动手、长链条任务状态、处理新反馈、失败自修复、结果可核查）逐一验证。测试中多 subagent 并行推进、可中途切换威胁模型并仲裁内部结论分歧、三次撞墙均自行修复。最终交付30条清单，作者抽验10条行号全部准确，关键在于交稿前的 Statement Review 自查机制抓出并修正了多处错误。结论：五条通过、一条有条件通过，工具的可验证性和自我纠错能力表现出色。
作者在一台单通道 16GB 内存、无独显的 Ryzen 5 5600G 台式机上，使用 llama.cpp 官方版部署 Ling-3.0-tiny（Q4KM 量化），实测生成速度 21.70 tok/s，比配置更强的 64GB+3090 机器快近 4 倍。经排查，差异源于推理引擎版本而非硬件。文章还分析了该模型线性注意力架构带来的超低上下文内存开销（约 6.79 KiB/token），总结了思考模式、Windows 编码、线程设置三个实践坑，并给出三步部署教程，证明普通电脑即可流畅本地运行该模型。
本文介绍了一条15秒、16:9横屏的纸艺定格动画科普短视频的完整创意方案，主题为光合作用。视频以真实手工纸雕剧场风格呈现，通过多层卡纸、微距摄影和2.5D视差营造质感，分四个阶段展示阳光、水和二氧化碳如何被叶片小工厂转化为糖分和氧气，并配有轻柔教育感音乐和纸张音效。方案详细描述了每个时间段的画面、元素运动和核心公式的呈现，旨在以直观有趣的方式向观众科普光合作用的基本原理。
本文阐述了在更换电脑时，如何完整恢复 Codex 工作区。作者指出工作区包含项目仓库、全局规则和本机授权三层，不能混在一起备份。文章建议使用 GitHub 私有仓库恢复项目资产，单独备份 CodexHome 以保留跨项目技能和习惯，并强调不应迁移 Token 和 Session 等敏感凭据。最后提供了一份包含环境安装、代码克隆、重新授权和功能验证的完整恢复清单。
本文解决了提示词库沦为“收藏夹”而无法被 AI 有效调用的问题。作者通过建立文件目录分类 Prompt，并在 RULES.md 中编写“任务路由”规则，成功让 Codex 能够根据任务自动读取对应的 Prompt 文件。文章强调了 Prompt 库接入工作流的三层要素：分类存储、路由规则、验证读取。
