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。
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。
文章探讨了在 Claude Code 中如何有效管理 100 万 token 的上下文窗口。作者解释了上下文污染、上下文衰减等概念，并详细介绍了通过 Rewind、Compact、Clear 和 Subagents 等策略来维持模型性能。核心观点是根据任务性质灵活选择会话管理方式，以平衡效率与智能表现。
文章详细阐述了提示缓存在构建 Claude Code 等 AI 代理中的关键作用。核心经验包括：利用前缀匹配机制规划缓存、通过消息传递更新而非修改系统提示以保持缓存、避免中途切换模型或工具、以及利用“延迟加载”和“缓存安全分叉”等技术优化上下文管理。围绕缓存设计系统架构能显著降低延迟与成本。
本文探讨了构建 Claude Code 代理框架时的经验与挑战。作者指出，设计代理最困难的部分是构建动作空间，强调要根据模型的能力赋予其合适的工具。文章重点介绍了通过“询问用户”工具改进交互效率、从待办事项列表进化到任务工具以适应模型发展，以及利用渐进式披露技术来优化搜索和上下文构建的过程。核心思想是设计工具既是科学也是艺术，需要像智能体一样思考并不断实验。
