文章介绍了中文网站 font-family 的最佳实践：遵循“先西后中、兼顾主流操作系统、最后以通用无衬线字体兜底”的原则。作者给出了 --font-sans 和 --font-mono 两个 CSS 变量配置示例，解释了 Apple 生态、Windows、Android 等系统字体入口的作用，并总结了三条避坑指南：西文字体须写在中文字体之前、中文字体尽量使用英文名称避免编码问题、带空格的字体名必须用双引号包裹。此外还提醒不声明字体时浏览器渲染的是默认字体而非系统字体。
作者基于 Anthropic 工程师删除 Claude Code 80% 系统提示词却无性能损失的事实，反思提示词与 Agent Skill 的实践方法。提出提示词不是八股文，应聚焦任务三要素（目标、规则、完成标准），减少角色铺垫和冗余规则，多给思考方向而非僵硬示例，并设定明确验收标准。关于 Skill 沉淀，强调只有高频且流程稳定的任务才值得做成 Skill，要写入独特经验而非通识废话，严格控制单一职责与边界，主文件精简并渐进式加载，且必须内置自检环节形成质检闭环。
作者将 Grok Bot 团队 72 小时直播内容提炼为一篇可操作的配置指南。文章涵盖：一条消息即可完成的安装方法、七条团队总结的提示词习惯、如何用 AGENTS.md 和自定义规则让机器人遵守持久规则、如何让机器人验证自己的工作（构建 verify 工具与检查清单）、自主权分级（investigate → draft → autopilot → full-autopilot）、五套日程例程与连接器规则，以及从市场机器人组装的五个现成团队配置。核心原则包括：写原则而非事故记录、可复现验证、明确真相来源、按爆炸半径设定自主权等。
作者总结了 AI 开发中四个关键的二元选择：一是优先使用现成的开源能力（skill）而非从零开发，通过 GitHub star 数判断成熟度；二是 OpenClaw（龙虾）适合已搭好管道的日常自动化（BAU），而搭建复杂系统应使用 Claude Code、Codex、Jules 等开发工具；三是多 agent 并非越多越好，应先单 agent，确实不够用再逐个增加，复杂度是敌人；四是确定性逻辑用脚本执行，大模型只用于需要判断的环节，高风险决策需人工审批，最终形成脚本+大模型+human approval gate 的结构。正确选择可节省大量时间。
作者征集了大家用 Coding Agent 做视频剪辑的实践经验。共识是：直接让模型自由发挥剪出的成片像幻灯片，因为视频的审美和节奏极其主观，难以用泛泛提示词量化。跑通的分工是：把规则明确、易验收的机械工作（粗剪、切停顿、生成字幕、多平台切版）交给 Agent，而选片取舍与关键卡点由人把关。技术路线上，让 Agent 生成和修改时间线工程文件，视频合成交给专业剪辑引擎。实用技巧包括样片测试法（先截取样本调参再批量应用）和优先在口播类标准化内容中落地。
文章转述了一篇关于使用 Grok Bot 和 AI Agent 的高信息密度实战指南。核心观点是：使用 AI Agent 不是写提示词，而是雇用一个数字员工，必须像管理新员工一样管理它。作者提炼出六步驭工法则：1）为 Bot 设定岗位职责而非临时任务；2）从无聊但可撤回的任务开始，要求先写计划再执行；3）按可撤回性划分权限，发送、删除、付款等危险操作必须审批；4）严格跑满三轮试用期；5）自主权是运行时特权，凭硬指标升降级；6）每周复盘，敢于删除低效自动化任务。最后强调零成本黄金规则：拿不准就停下来问。
本文系统讲解如何像招聘员工一样引入和管理 Grok Bot 等 AI Agent。作者指出常见错误是创建机器人后立刻连接所有工具并交给模糊任务。正确做法包括：定义岗位而非任务，用一句话职责加五个字段（职责、输入、可自主执行、需请示、完成标准）写成岗位说明书；首个任务应选择高频且可逆的简单工作；正式执行前先让机器人以文本形式说明计划；完成标准必须可检验而非模糊的质量词汇；权限遵循最小化原则，以可逆性划界。整体框架包括试用、考察期、基于证据的晋升和每周复盘。
文章系统讲解了 Claude Opus 5.5 的提示词工程方法。作者指出 Opus 5.5 是首个官方提示指南以“删减”为主的前沿模型：模型会自主决定思考深度，手动思考预算已失效，强制工具调用不再支持。核心心智模型是把 Claude 当作毫无上下文的天才新同事，需明确目标、提供充分背景、给出示例、用 XML 标签结构化输入、指定输出格式。新模型的关键变化是 effort（低/中/高/超高/最大）成为控制智能、延迟与成本的首要杠杆，默认为 medium；应停止使用“仔细思考”“一步步推理”等旧式提示，而用 effort 控制思考量。文中还包含 API 调用示例与新旧提示写法的对比。
文章介绍了如何将决策模型Jev嵌入现有Agent工作流：将任务拆分为四部分——开放式生成交给LLM，决策判断交给Jev，确定性规则用代码处理，有后果的授权交由人工。作者讲解了Jev的三种问题类型（Choice、Score、Noul）及适用场景，并以晨间简报为例演示如何构建一个保存交接任务的路由器，从Demo逐步演进为可长期运行的完整工作流，还总结了模型路由、工具调用审查、上下文筛选等11类决策层可接入的位置。
文章探讨了开发者对 AGENTS.md 和 CLAUDE.md 等 AI 编程工具说明文件的普遍误解。作者指出，很多团队把所有希望 AI 做到的事都写进一个不断膨胀的文件，导致维护规则本身成了负担，本末倒置。正确的做法是让 AGENTS.md 保持精简（作者根文件不到 50 行），只写每次开工都需要知道的少数核心事项，再指向不同任务对应的规则文件，让 Agent 按需读取。作者引用西蒙'存储信息'与'需要时获取信息'的区分，并提醒只有在流程确实需要反复执行时才值得做成 Skill，不必急于按需调用。
作者提出九条原则，帮助判断 Agent Skill 是否真正有效，覆盖 Skill 生命周期三个阶段：被选中、可靠执行、经受现实检验。核心观点包括：元数据描述是触发与否的关键入口；上下文是共享预算，需渐进式加载；流程与检查点优于长篇散文；规则应解释原因以应对边缘情况；预先记录并反驳模型常见的跳过理由；确定性逻辑写成脚本代码而非依赖推理；严格限定修改范围；Skill 会随库更新和约定变化而腐化，需版本化管理；上线前必须用真实用例运行验证，从观察到的行为而非想象中调试。
OpenAI初创团队Applied AI负责人Wulfie Bain指出，即使是顶级AI创业公司，其提示词也普遍存在矛盾与歧义。核心原因在于提示词的演进是增量式的：只加不删，无人端到端审查，导致“意面式”提示词；而工程师依赖隐式知识解读提示词，忽略了模型缺乏这些背景。作者主张将提示词视为产品决策和代码来对待——结构化、模块化、可维护（MECE原则）。通过重构提示词，多家创业公司实现了提速50%、留存提升40%、成本降低30%的效果。
本文整理了 SpaceXAI 官方发布的非工程师使用 Grok Bot 的最佳实践案例。作者发现官方数据显示非技术岗位是 Grok Bot 最重的使用群体，因此调研了招聘、销售、市场、财务、设计五大职能的具体用法：招聘用 Talent Scout Bot 自动搜寻和评估候选人；销售团队以幕僚长 Bot 总控，一人带一队 Bot 覆盖会议准备、拓客、客户跟进全流程；市场用 Bot 自动把研讨会线索分发给对应销售；财务的 Haggle Bot 通过席位审计和供应商比价一周省下超十万美元；设计师用四个协作 Bot 高效完成 Figma 设计和动效原型。文章强调 AI 可自动化流程，但关键决策和审批权应保留在人类手中。
文章提出 Skill 本质是一个微型 Harness，一个完整 AI 工作系统包含六层：信息边界、执行编排、记忆与状态、工具系统、约束恢复、评估观测。作者给出六步写作法：先写 description 作为触发开关，再按任务脆弱程度定正文松紧，超过 500 行的资料拆成参考文件，重复操作固化为脚本，写明失败时的默认行为，最后用真实任务验证迭代。文章强调 description 是主要触发机制、模型天生欠触发、上下文窗口是公共资源、卡的下限由失败处理决定等实战经验，并提供最小可用卡模板和发布前检查清单。
Anthropic开源了此前为商家打造的Claude购物AI助手（Commerce Agents），提供购物Agent和商家Agent两套完整可运行实现，覆盖零售、旅游、电信、票务四个行业，包含代码、技能、工具契约和安全门禁。文章总结了核心经验：用一个聪明大脑搭配一摞skills而非拆分多个小AI，系统提示词放高频逻辑、技能放长尾功能；智能体应调用企业已有引擎而非自行计算；将UI定义为工具调用输出结构化参数；优化延迟与缓存命中率；用户偏好存数据库而非模型；涉及钱的操作必须人工审批，并辅以自动化测试。
本文由Parallel Web Systems撰写，旨在指导开发者如何有效评估AI系统中的网络搜索API。文章首先区分了搜索、提取和任务三种相关功能，并强调评估应基于最终答案而非中间输出。作者建议构建可靠的金标准数据集，避免过度依赖公共基准，并设置控制变量的测试环境。同时，文章讨论了搜索模式（如fast与advanced）的选择、模型与搜索配置的匹配，以及使用LLM作为评判者的评分方法。最后，作者提供了Parallel Search API的最佳实践，包括使用objective字段和限制搜索预算等。
文章讨论 Skill 写完后的持续维护问题，指出 Skill 会随时间腐烂：重复规则、过时参数、失败补丁不断堆积。作者在 Matt Pocock 六种失效模式基础上，扩展为八项检查：过早完成、重复、沉积、蔓延、空操作、否定式引导、样本过拟合和分支串线。针对每种问题，文章给出症状、成因和修复方法，强调先给失败命名再修改，修复后做回归测试。最后提供一份十项体检清单和可直接使用的审计提示词，帮助诊断和优化正在使用的 Skill，让 AI 在正确时间稳定执行正确过程。
Claude 官方博客介绍了 Warp 团队如何基于 Claude 构建自我改进的 Agent。针对一次性提示词只能完成任务 80% 的痛点，Warp 设计了基于 Skills 的双层自我改进循环：内层 Skill 执行任务，外层 Improver Skill 定时拉取人类反馈，自动生成修改 Skill 的 PR，经人类评审合并后形成知识闭环。文章以 Issue 分诊 Agent 为实战案例，并总结六条实践经验：写原则而非规则、解释为什么、反馈零摩擦、Skill 保持小、反馈质量大于数量、重点投入 Improver Skill。同时辨析了 Skill 与 Memory 的区别，强调需假设反馈可能出错，并根据领域可验证性选择评估策略。
文章对比了 Codex、Claude Code 和 UiPath 三家的 Agent Memory 机制，指出项目中最容易混淆的是长期规则、自动积累的经验回忆和项目事实三层信息。作者提出用仓库中的 4 个 Markdown 文件（current-state.md、decisions.md、failures.md、memory-inbox.md）管理项目记忆，并让 CLAUDE.md 引用 AGENTS.md 实现两工具共用规则。同时强调自动记忆要有边界和退出机制，避免过期结论被误当作确认事实。
本文系统讲解如何编写和维护 Claude Code 的 CLAUDE.md 与 Codex 的 AGENTS.md 等长期指令文件。核心观点是：规则越多 Agent 反而越容易跑偏，指令文件应只保存 Agent 无法从代码推断的隐性知识。作者提出先做减法（三问：能否从项目找到、是否多数任务都用、是否长期成立），再做加法（五个问题提取业务规则、固定入口、联动关系、完成标准和权威资料），并给出内容分流表、最小模板、双工具共用一份文件的方案、加载验证方法、修剪维护节奏，以及一段可直接使用的审计提示词。
本文全面介绍了 Agent Skills 的概念、创建、扩展、测试及企业级应用。作者从最小 Skill 的构建开始，逐步讲解如何拆分文件、接入知识库与 MCP、管理多个 Skill 与 Agent 的协作，并讨论了大型 Skill 的潜在问题与测试方法。最后，文章强调了企业级 Skill 的安全分级、评测与治理，旨在帮助读者从零开始掌握 Skill 开发，并避免常见误区。
本文总结了最新的学术研究，揭示了提示工程中的关键原则。作者指出，随着AI模型的快速发展，旧的提示技巧已过时，并基于最新论文提出了五个核心建议：不要以“对吧？”结尾、忘记“逐步思考”、不信任模型的自信、最多三条规则、目标优于示例。文章还提供了实用的提示模板，帮助读者更有效地与AI交互。
本文深入探讨了Agent Harness（代理框架）的设计，指出模型性能并非关键，真正决定成败的是围绕模型的软件层。文章通过DoorDash、OpenAI和Anthropic的真实案例，展示了三种截然不同的Harness设计模式。核心部分详细阐述了六个关键决策：循环与停止规则、工具可见性、记忆管理、崩溃恢复、权限边界和完成定义。每个决策都提供了具体操作建议和成本效益分析，强调通过精心设计Harness，可以将一个需要持续监督的模型转变为可独立完成工作的可靠员工。
本文作者作为Superpowers插件早期用户，分析了该插件中14个skill在当前前沿模型（如GPT 5.6 Sol）日益强大的背景下的适用性。作者认为，虽然每个skill本身具有合理的软件工程依据，但作为强制工作流组合使用时，会导致流程复杂化、过度设计、时间和token消耗增加，反而降低开发效率。建议开发者根据实际需求提炼使用，而非全盘套用。
AI coding agents can introduce bugs and break codebases without clear constraints. This article presents ten practical rules to guide AI agents, such as reading before writing, avoiding unnecessary dependencies, matching existing style, handling loading/error/empty states, and requiring explanations for changes. These rules help channel agent capabilities safely, reducing breakage and improving reliability.
文章探讨了在生产环境中实施智能体知识图谱的实际经验。作者指出，并非所有场景都需要图谱，大部分问题可通过元数据过滤或混合搜索解决。只有当需要多跳连接（如根因分析）时才需引入图谱。建议将图谱分为领域图、词汇图和主题图三层，并从简单的单智能体流程开始构建。
文章介绍了 AI Agent 中 Skill 的概念，区别于一次性 Prompt 和全置 Config，Skill 是可复用的按需加载工作流。通过 SKILL.md 开放标准，可实现跨平台兼容。文章详细阐述了 Skill 的加载机制、类型（用户触发/模型触发），并针对“执行偏差”和“过度冗长”等常见失败模式提出了具体的修复策略，强调从解决问题而非工具出发来构建 Skill。
本文介绍了如何编写高效的 CLAUDE.md 文件，基于 Anthropic 工程团队的最佳实践。文章强调了保持文件简洁、内容通用的重要性，并提供了具体的结构和编写技巧，如使用强调标记和分层组织内容。
文章介绍了一条专为 Codex 新手设计的万能提示词，旨在解决 AI 盲目修改代码导致项目混乱的问题。该方法要求 AI 在执行任务前，必须依次完成阅读项目、复述需求、提出问题、制定计划和等待确认五个步骤。通过先理解再动手，可以有效规避技术债和逻辑冲突，确保修改准确且可控。
本文深入探讨了 Google Agent Skills 项目的构建与扩展。作者分享了如何通过标准化的存储结构、自动化 CI/CD 检查、持续的评估流程以及严格的所有权规则，来保证技能库在规模增长时的质量和可靠性。文章强调将技能视为产品而非简单代码片段，并介绍了利用 MCP 工具和 GitHub Actions 进行质量管控的实践。
