本文是一篇完整教程，讲解如何为 Obsidian 笔记库编写 CLAUDE.md 文件，让 Claude Code 在管理个人知识库时表现稳定可控。作者指出用户直接让 Claude 整理笔记常导致文件被重命名、日志被改写等问题，根源在于 Claude 不了解用户的组织方式。教程逐模块介绍了 CLAUDE.md 的 7 个必备部分：个人身份与库的用途、文件夹结构说明、笔记写作规范、安全规则（禁止删除、批量操作需确认、重命名时更新链接）、回答偏好及当前工作重点，并提供了完整模板，适用于写作者、创业者、学生和研究者。
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。
本文分享 NotebookLM Video Overview 功能的系统提示词，展示如何通过多步协同创建工作流将原始素材转化为电影级视频。提示词详细定义了上下文收集（利用笔记本摘要、对话历史和隐含偏好预填充字段）、用户意图解析与消歧（区分已有产物与新建创作、处理重新开始与卡片废弃）、翻译与本地化规范（界面字符串翻译为用户语言但保留结构标识符），以及问卷卡片和审核卡片等多步骤协作流程。
本文分享了视频反推提示词的通用流程，作者 Eli Ha 提供了可直接复制的拆解指令，帮助用户通过 AI 工具从现有视频中反向提取生成该视频所需的提示词。该方法适用于视频生成场景，通过结构化的拆解步骤分析视频内容，从而获得可复用的提示词模板，提升视频生成的效率和还原度。
作者面试一家 AI+Web3 公司失败后，获得面试官分享的《Agent工程师入门指南》，并结合自己的学习心得整理成一条完整的 Agent 工程师学习路线。内容涵盖 LLM 基础（Transformer、Token、上下文窗口、采样参数、API 协议、流式输出、结构化输出、工具调用、Embedding）、Prompt Engineering（Zero-shot/Few-shot、CoT、ReAct、Reflexion）以及 RAG（文档解析、分块、检索与重排）等核心知识。每个知识点都附有学习文档链接、项目要求和验收标准，帮助学习者系统掌握 AI 应用开发技能并检验学习成果。
作者分享入职大厂两个月从事 Agent 开发与后端维护的 AI 编程工作流。介绍了常用 Skill（grill、implement、ponytail、handoff 等）与简短 Prompt（第一性原理、对抗性审查、消融实验、奥卡姆剃刀、高内聚低耦合），指出随着模型能力增强，过重的 Workflow 反而成为噪声，应使用方法论式思维快捷键。同时分享了日常开发流程：grill 需求对齐、沉淀 Spec、任务拆分并行开发、交叉审查；重点讲解如何构建 Agent 友好的端到端测试环境（CLI、MCP、浏览器自动化），以及 Review AI 代码的实践。最后总结当前瓶颈在 Review 速度，Harness 需随模型迭代做减法。
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。
文章从训练角度剖析 system prompt 为何能影响模型行为。作者以 nanobot 的 SOUL.md 为切入点，梳理了 OpenAI Instruction Hierarchy（训练模型处理指令冲突，拒绝率提升至92.6%）、Llama 2 的 Ghost Attention（多轮指令保持）、Anthropic 的 character training 与《Teaching Claude Why》（角色与原则内化）、Deliberative Alignment（规则通过训练学习）、The Assistant Axis（角色行为的内部激活证据）等研究，说明 prompt 中一句指令的效果取决于上下文与模型已学到的能力。最后建议：先用少量指令说清目标，根据失败案例迭代，随模型演进精简 prompt，把通用能力交给模型本身。
作者以个人技术视角回顾了 2022 年底 ChatGPT 上线至 2026 年约四年的 AI 发展历程。从最初围绕聊天框的 Prompt Engineering，到 2023-2024 年 RAG、工具调用与工作流编排（LangChain、n8n、Dify、MCP）；2025 年 Codex CLI、Claude Code 等编程 Agent 兴起，本地部署与浏览器 Agent 出现，长任务催生上下文工程与 Harness 机制；2026 年 Skills 生态、OpenClaw 个人助手、多 Agent 协作与电脑操作能力成熟。文章梳理了从聊天框到完整任务执行系统的演进脉络，展示了 Agent 工具、技能与协作形态的迭代过程。
OpenAI 在 GPT-6 Astra 发布时提供了 11 段官方提示词，帮助用户减少模型中途停顿、跑偏和套话问题。作者将其按场景整理为中文版并附英文原文，涵盖五大类：主动性与持续推进（让模型自主完成任务、先准备成果再请求批准）、指令遵循（用户指令优先于 Skill、冲突时说明规则）、表达与写作风格（先讲重点、按读者调整细节、删除套话与模板表达）、子代理任务分派（并行委派、消息可读性）以及测试与验证（测试范围与改动相称）。涉及文件修改、部署等条目需在 Codex、API 或 Agent 环境中使用。
这是 AI Agentic Engineer 系列课程的第二部分，深入讲解提示词工程与上下文安全。文章首先介绍 LLM 的指令层级（系统提示、用户消息、工具结果），强调层级只是辅助而非安全模型。随后详细分析直接提示注入与间接提示注入两类攻击：间接注入尤其危险，因为恶意指令藏在外部内容（网页、邮件、GitHub issue 等）中，用户毫不知情。核心防御是来源标记，即区分内容的可信级别，同时强调授权必须在模型之外的后端以确定性方式实现，防止智能体成为权限绕过的工具。
文章探讨了提示词工程中的一个常见误区：提示词越长，生成结果不一定越准确。当提示词同时包含过多人物属性、颜色、物体数量和空间关系时，模型可能生成看起来不错却悄悄偏离关键要求的图片。文中通过长提示词与精简提示词加分步编辑的对比实验说明，约束越多，属性串位、关系混乱和细节遗漏的概率越高。DetailMaster 研究证实，随提示词长度增加，文生图模型在人物属性、位置和实体关系上的准确率一致下降。作者建议不要把提示词写成一次性需求文档，而应先用短提示词锁定主体和构图，再通过局部编辑逐层增加细节，每轮只修改一类变量。
本文介绍了一篇由人大联合北大、清华等团队发布的关于长时程智能体（Long-Horizon Agents）的综述论文。文章指出，AI Agent 下一阶段的竞争关键在于能否持续工作数小时甚至更久，而不仅仅是模型本身的智能。作者强调，强大的 Agent 需要结合模型能力与外部 Harness（运行系统），并提出了 Agent 发展的三个阶段（Prompt Engineering、Context Engineering、Runtime Harness）以及三个能力等级（H1、H2、H3）。最后，文章列举了长时程 Agent 在软件工程、深度研究、电脑操作、多模态和通用生产力等领域的应用，认为 AI 正从单次回答向持续完成工作转变。
本文探讨了AI领域中从提示词工程向上下文工程的演进。引用Karpathy的Software 3.0理念，指出上下文窗口即新程序，通过写入、选择、压缩和隔离四大操作管理模型记忆以避免上下文腐化。结合Claude Code创建者Cherny的循环工程理念，说明通过构建包含技能、子代理和验证器的自动化循环，可实现高效上下文工程，将AI从简单工具升级为强大的操作系统。
本文介绍了如何针对 Claude 5 系列模型（Fable, Opus & Sonnet）进行高效提示。文章涵盖了通用提示原则、Fable 的自主任务处理、Opus 的日常优化以及 Sonnet 的高效应用，帮助用户最大化模型生产力。
本文基于 Daniel Miessler 的 PAI 框架，阐述了如何构建个人 AI 基础设施。核心观点包括从自我定义而非工具开始、利用 TELOS 身份系统构建画像、建立三层记忆架构、遵循代码优于 Prompt 的确定性原则，并提供了一个分阶段的实践路线图，旨在将 AI 升级为持续学习的数字助理。
Anthropic 团队将 Claude Code 的系统提示词删减了 80%，但编码评测没有损失。文章指出，许多规则是为老模型打的补丁，已过时。最佳实践转向：用锚点代替禁令，用接口设计代替举例，以及渐进披露。建议开发者清理“拐杖”型规则，保留护栏与品味，用评测集支撑删除决策。
文章介绍了斯坦福大学开发的 STORM 研究系统，该方法通过多视角提问和信息检索生成高质量文章。作者将其简化为 4 个提示词，让用户能在 5 分钟内利用 Claude 生成类似博士水平的深度研究报告，包含视角分析、矛盾映射、综合综述和自我评估。
本文通过 Python 演示了如何搭建一个具备规划、工具调用、验证和复盘能力的完整 LLM Agent。教程详细拆解了 Plan-and-Solve、ReAct、Verification、Self-Refine 和 Reflexion 五个核心模块，强调了结构化数据控制流程的重要性，并提供了工程落地的具体代码实现与原则。
文章探讨了上下文工程在外拓代理中的应用，强调通过精心设计上下文窗口（包含角色、案例、证据和规则四层），解决模型幻觉和生成内容泛化的问题。文章介绍了组装、撰写和优化三个核心技能，以提升个性化消息的质量和响应率。
文章深入剖析了开发者宝玉的 baoyu-skills 仓库，认为这不是简单的提示词合集，而是一套工程化的 AI 工作流操作系统。作者将 21 个 Skills 划分为内容生产、视觉表达、平台发布、素材输入五大模块，通过对比“提示词玩家”与“资深工程师”的思维差异，揭示了高手利用 AI 的核心逻辑：将任务拆解为代码与模型的最优组合，注重确定性、复用性与上下文效率，而非单纯依赖模型能力。
本文介绍了一套包含 25 个工作流的“Fable 循环库”，旨在教读者如何利用 Claude Code 的 /loop 和 /goal 命令实现 AI 自动化。文章详细阐述了基于目标、边界和结果的 Agent 核心逻辑，区分了循环和目标的区别，并按营销内容和产品两个维度，展示了如何利用 MCP 和 API 自动执行 SEO 监控、内容挖掘、竞品分析及用户体验优化等任务。
本文提供了消除AI写作痕迹的系统性指南，指出AI味的根源在于素材编造、思考伪装和风格默认。文章通过22种高频特征清单、5步自检流程及排版规范，详细讲解了如何保留真实判断与风格。同时评测了中英文去AI味工具，强调“声音校准”和“反代入式表达”是关键。
文章提出 AI 编程领域正在从人工编写提示转向设计循环。Loop Engineering 是指编写自动化的程序来驱动编码 Agent，通过设置目标、执行、检查和反馈的闭环，实现无人值守的代码生成与修复。文章分析了循环的五种演进形式及六个核心组件（如触发器、隔离、上下文等），并结合 Claude Code 的 /goal 命令展示了具体的工程实践。
本文深入解析了AI Agent的定义，将其视为从基础聊天到完全自主工作的连续体。文章指出Agent的核心在于自主调用的工具、持久化的记忆以及持续运行的循环结构，而非仅仅是模型本身。作者提供了包括研究、写作、代码等五种现成的System Prompt模板，并介绍了如何使用Claude Code在无需编写代码的情况下，快速构建一个连接Telegram的个人AI代理。
文章指出了大多数人使用 Codex 学习的误区：将其视为百科全书而非教练。作者分享了利用 Codex 学习 12 个工具的经验，提出了一套包含定义最小问题、画粗糙地图、跑最小例子、讲回来验证、以及留下面包屑记录的五步学习法。核心理念在于通过具体的行动和验证来寻找学习的入口，而非被动吸收信息，从而实现高效的技术入门。
文章反驳了“提示词工程已死”的观点，指出单纯的提示词思维虽已过时，但提示词仍是人机交互的核心。作者旨在将读者从仅会提问的初级用户，升级为具备系统思维的 AI 工程师。文章详细讲解了具体的技能升级路径，包括：如何进行具体且确切的提问、如何设定角色（Role）来界定行为、利用示例来固定输出模式，以及如何正确引导模型的推理过程。
作者分享了7篇关于 Claude 和 AI 的精选文章，涵盖提示词工程、语音代理构建、个人助手打造以及一人企业的 AI 商业化模式。文章旨在帮助用户从 10% 的使用率提升至 100%，并利用 AI 进行内容创作变现。
文章介绍了如何利用9个定制的Claude提示词模板，实现工作流程的自动化。通过将竞争对手扫描、邮件分类、会议准备等任务交给AI在后台执行，作者每周节省了34小时。文章详细列出了包括每日简报、竞品分析、邮件处理在内的具体模板代码，并分享了优化技巧和失败经验。
文章通俗易懂地解释了现代AI的基础原理，涵盖神经网络、Token化、Embeddings、注意力机制及Transformers架构。深入探讨了LLM的工作原理，如上下文窗口、温度控制和幻觉问题，并讲解了提示词工程技巧。
