本文深入探讨了 Claude 模型中 effort（努力程度）参数的作用与使用策略。作者通过实验和 Terminal Bench 3.0 基准测试分析发现：effort 本质上是控制模型在任务上投入的算力与自主判断程度。高 effort 在验证和边界测试重要的场景（如硬件、代码审查、安全）表现更佳；低/中 effort 则适合快速迭代、保持人类在环。作者还比较了不同规格化程度任务在各级 effort 下的输出差异，并总结出一套高效工作流：先让模型访谈自己补全规格，用低 effort 实现，人工审查后，再用高 effort 做验证和测试。
本文探讨了针对Claude 5模型的上下文工程新规则。作者指出，随着模型能力的提升，传统的过度约束策略已不再适用。新规则包括：让Claude依赖判断而非严格规则、通过接口设计替代示例、采用渐进式披露而非一次性提供所有信息、简化工具描述避免重复指令，以及利用自动记忆和富引用功能。这些实践可显著优化Claude Code和自定义Agent的性能。
文章探讨了针对 Claude 5 模型的上下文工程新规则，指出新一代模型能力提升，允许大幅简化系统提示。主要变化包括：用模型判断替代硬性规则、用接口设计替代示例、采用渐进式披露、简化工具描述、使用自动记忆以及支持丰富引用。
文章探讨了在使用 Claude Fable 5 进行 AI 辅助编程时，“地图”（提示词）与“领土”（实际代码库）之间的差异，即“未知数”。作者提出了将未知数分为已知的已知、已知的未知、未知的已知和未知的未知四个维度。为了解决这些瓶颈，文章详细介绍了在实施前通过“盲点排查”、头脑风暴与原型、访谈和引用参考四种模式来帮助 Claude 更好地理解上下文，从而提升 Agent 编码的质量。
