作者分享了一个开源项目 M3E Canvas：可在浏览器中拖拽 Material 3 Expressive UI 组件，设计多个页面和交互流程，然后一键生成 Prompt，交给 Claude Code、Codex、Gemini CLI 或 Cursor 直接生成 App 代码。它支持 Android / Web 平台、多页面跳转、主题、动画和组件编排，实现了从“画 UI”到“AI 写代码”的高效衔接。针对“低代码编排”的质疑，作者认为借助 AI 能力，这一方式比以往更强大。
本文介绍了从零制作 AI 短片的完整流程，分为四个步骤：人物与场景定妆、分镜与脚本编写、视频/语音/BGM 生成、剪辑与字幕。作者推荐三件套工具：Claude Code、LibTV 和 ChatCut，通过 Agent 实现口喷式创作。文章详细讲解了人物三视图、参考图对保持一致性的重要性，如何用 AI 辅助分镜创作，减少抽卡成本的技巧，以及剪辑时如何将素材变成艺术品。作者分享了首部短片《白夜之后》的创作心得。
本文面向零编程基础的初学者，系统介绍 AI Coding 的完整学习路线。作者指出 AI Coding 的核心不是让 AI 写完所有代码，而是人负责目标设定、判断与验证，AI 辅助开发各环节。文章将学习路线分为五个阶段：学会控制 AI、做出第一个网页、读懂 AI 生成的代码、把网页变成带登录和数据的小产品、处理上线后的问题，并给出 30/60/90 天实践计划、四个新手练习项目、可直接复用的提示词模板、上线前检查清单以及按阶段整理的学习资源（MDN、freeCodeCamp、CS50、Claude Code 等），帮助新手从生成代码走向做出可维护、可发布的产品。
文章介绍了用AI推进真实项目时面临的两大痛点：材料多且杂导致AI抓错文件，以及新开对话后进度全丢失。作者提出「项目分身」方法：一是将项目文件夹规范为四区（01原始材料只读、02过程草稿、03内容底稿、04交付成果）；二是在根目录建立两份核心文件——CODEBUDDY.md写长期规则、00_项目总览.md记录动态进度，实现规则与进度物理分离。文章还讲解了用户提示词与系统提示词的区别、AGENTS.md跨生态通用标准及全局与项目规则分层，附上开箱即用的初始化提示词，并以「换对话不换文件夹，AI 10秒无缝接手」作为硬验收标准。
作者根据自身多次被封号及与网友交流的经验，系统总结了 Claude 账号安全要点：1）使用稳定干净的住宅 IP，保持 DNS 不被污染，多设备使用同一 VPN 节点；2）可用 DNSLeakTest 检测 DNS 泄漏与污染；3）VPN 断线时应让 Claude 停止联网，避免自动直连导致 IP 不稳定；4）设备时区无需修改；5）被封后需清理 .claude 隐藏文件夹、Keychain 及应用支持目录中的历史文件，避免新账号被标记；6）避免高密度满负荷使用和 sub2api 等行为；7）不要反复诱导模型执行违规操作。最后指出大规模封禁罕见，注意细节即可正常使用。
本文是 Nick Spisak 的 13 节课教程指南，讲解如何为企业搭建'第二大脑'（second brain）知识库，并结合 AI Agent 使用。作者以自己的公司 Capstone Brands 为例，完整展示了从选择业务问题、创建 GitHub 组织与仓库、用 GitHub Desktop 克隆本地副本、在 Codex 中使用知识库模板发起构建请求，到按销售、营销、情报、财务、运营五大业务职能组织知识的全过程。最终目标是让 Slack 中的 Agent 能阅读公司知识库、回答真实业务问题并引用来源文件。教程还涵盖版本历史管理、访问权限控制、标准操作流程转化为 Agent Skill 等实践要点。
作者花叔开源了huashu-mac-use skill，让Claude Code、Codex、Cursor等agent在Mac上操控无API的原生app。文章展示了用Claude Code操控Blender生成10万吨邮轮参数化模型和巧克力甜甜圈渲染动画的案例。核心原则是：能走脚本接口就不看图、能不点鼠标就不点鼠标，读操作不抢用户焦点，写操作前过四道闸，每步操作需回读验证留下可复现证据。skill按app内核（原生/Chromium/辅助功能树）自动选择操控通道。作者还介绍了以『教训变工具行为』为核心的进化机制，通过评审、重构把踩坑日记压缩成高效接口。
作者基于 Karpathy 提出的 LLM wiki 理论，结合 WorkBuddy/Codex 与 Obsidian，搭建了一套能够自生长的个人知识库系统。文章解释了 LLM wiki 与 RAG 类方案的区别：知识不是每次临时拼装，而是通过 Raw（原始资料）、Wiki（结构化知识）、Schema（规则规范）三层架构持续增量沉淀。Obsidian 以本地化 Markdown、双链和插件生态承担存储底座与人机界面，Agent 负责理解新资料、建页、建链、维护索引与变更日志。文中给出了完整目录模板、详细提示词，介绍了直接搭建、claude-obsidian 插件等多种搭建方法，并分享了模型选型与实战建议。
作者几个月前搭建了一套名为「刚柔」的元 Skill，用图 IR、契约闸和检查机制防止模型偷懒、打折扣执行任务。随着 GPT-6 Astra 发布，模型遵循指令和多步执行能力大幅提升，OpenAI 官方建议检查 AGENTS.md 和 Skills 中可能影响模型行为的指令。作者由此意识到，许多为弥补旧模型短板而设的约束如今反而妨碍任务完成，于是委托 Codex + GPT-6 在秘书 Grok Bot 协调下彻底拆除该元技能。文章详细记录了清理的难度、推理档位选择、具体执行过程（如取消从零重跑、自动三路候选）及打包脚本隐私问题的修复，最终指出：该留的是把工作可靠完成的目标，而不是特定的脚手架，技术条件变了就该果断调整。
本文介绍面向零 Linux 基础用户的 Omarchy（基于 Arch + Hyprland 的预配置 Linux 桌面系统）及其中文发行版 OmarchyCN。作者提出'邪修'路线：不系统学习 Linux，先装好系统，再配置 Codex、Claude Code 等 Agent 工具，遇到缩放、输入法、软件安装、系统优化等问题直接用自然语言交给 Agent 处理。文章详解了平铺式桌面的快捷键操作（Super+K 查看快捷键总表、Super+Space 打开菜单等）、U 盘制作与安装步骤、中文向导配置方法，以及用'描述现状—期望目标—先解释—后检查'的万能句式与 Agent 协作的实用技巧。
作者分享通过UU远程的最新升级，让本地运行的开源大模型（如Qwen 27B）拥有了手机端入口。相比Codex远程控制只支持自家模型、Claude Code远程有封号风险，本地模型不花钱、不封号且速度快。UU远程基于tmux实现，支持完整TUI渲染、多终端会话、跨端接管和语音输入，且免费。作者还开源了uu-term-bridge工具，让iTerm2中的所有会话自动出现在手机列表，实现桌面与手机双向无缝切换，补齐了与Codex远程体验的差距。
文章探讨递归自我改进（RSI）的瓶颈：当前 AI 智能体虽能迭代优化结果，却很少重新审视改进背后的策略。基于清华大学等机构的实证研究，分析显示智能体在 5,111 次训练运行中能显著提升模型性能，但仅有约 2% 的情况会切换训练策略，多停留在执行层面的微调。增加经验、人工指导或推理算力均无法根本解决该问题。研究指出，迭代不等于重新思考，Metaⁿ 和 Recuris 等新方法尝试通过递归分层改进策略、演化记忆机制来弥补这一缺失。
吴恩达撰文阐述AI工程师的核心技能之一——使用编码智能体。文章总结了与顶级AI工程师访谈得出的工作流程：规划（头脑风暴、撰写规格）、执行（构建、测试、验证）以及部署与监控（CI/CD门控、日志监控）。作者指出，有效使用编码智能体需要五大关键技能：掌控工作流程、赋予智能体自主性、审查工作成果、定制智能体及其环境，以及理解编码智能体的底层原理。文章强调，随着Claude Code、Codex、OpenCode等工具快速演进，这项技能也需要通过持续的实验、构建和学习来不断更新。
作者受前苹果设计师 Anshu Chimala 启发，指出 AI 设计产出平庸的根源在于 LLM 作为下一个词元预测器、经 RLHF 对齐后天然倾向安全解。文章借鉴设计双钻模型，提出三阶段工作流：探索、确立、交付。核心技法包括：注入随机种子字符串打破思维定势、用大胆具象的提示词激发创意、三步发散法生成设计概念、引入'设计挑刺官'子智能体构建独立评审反馈闭环，以及调用图像生成工具提升视觉质感。通过多智能体协同与成本控制，可在极短轮次内产出超越常规 AI 模板的高水准设计。
文章总结了 Fable 5.1 的使用经验：由于 Fable 额度上限为周总额度的 50%，需通过 /usage 监控两条进度，让 Fable 负责需求判断、任务编排和结果验收，将检索、编码、测试等执行类工作交给 Opus/Sonnet 子代理，实现额度均衡利用。作者分析了子代理的适用场景与成本、High/Medium/Max 推理强度的选择策略、1M 上下文的陷阱与压缩时机、提示词轻量化趋势，并提出团队落地建议：通过 CLAUDE.md、Skill、Subagent、Hook、MCP 等形式沉淀团队经验，先用 explorer、implementer、verifier 三类 Agent 在真实任务中验证，再逐步扩展工程化体系。
作者分享了用手绘风格 Skill「hand-drawn-styles」的7号「蜡笔实拍」风格制作知识卡片的方法与经验。文章介绍了该 Skill 的安装与特点：它是一套工具无关的手绘画风提示词配方，适用于 Claude Code、Cursor 等任意 AI Agent。文章还详细讲解了知识卡片制作流程：从内容诊断、分卡规划到结构化提示词生成，并提供了一个完整的万能 SOP 提示词，包含30种3:4竖版构图库、拆分规则和文字渲染规则。最后说明如何将画风与知识卡片提示词结合，生成独树一帜的视觉效果。
文章分析了 John Wang 对 OpenAI Codex 开源仓库的研究。Codex 从 2025 年 5 月的 98 个月提交、单一主作者，增长到 2026 年的 900+ 月提交、35 位常规贡献者，归因于大量使用 coding agent、团队扩招和对护栏规则的重投资。核心经验包括：AGENTS.md 把 review 踩过的坑编码成规则；规则按 Review → AGENTS.md → Lint/CI 三级演进；测试代码占 40%，分层执行保证速度；迁移通过 feature flag 推进并用 lint 锁定成果。结论是工程实现变便宜后，测试、边界、自动化和招人等经典工程要素反而更重要。
本文介绍 CLIProxyAPI 工具，可将 Claude、Codex、Grok、Kimi 等会员订阅账号封装为本地 API Key（127.0.0.1:8317），接入任何支持自定义模型地址的 AI 工具。作者以 DeepSeek Harness 为例，给出 7 步完整教程：Homebrew 安装、修改配置（host 限本机、自定义 Key、错误冷却时间设为 2 秒）、brew services 自启、OAuth 登录授权、curl 验证、接入 dsh 并配置推理档位。作者说明该工具走与 Claude Code 相同的 OAuth 流程，非破解，重度使用 2 个月账号无异常，并分享了让 AI 编写探测脚本获取模型上下文和推理档位信息的进阶技巧。
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。
作者介绍了朋友Mark通过线下AI工作坊实现高收入咨询业务的模式。Mark放弃年收入50万美元的B2B SaaS，转做AI咨询，其中最不起眼的线下工作坊成为重要获客渠道。文章提出'工作坊楔子'概念：工作坊不是产品本身，而是付费的获客工具。文章详述了四级报价阶梯：免费交付物、付费工作坊（公开场每人495美元、企业场1.5万-2.5万美元）、定制化开发（2.5万-5万美元），并分享定价规则、活动文案模板、如何无粉丝无技术背景起步，以及该模式的三种失效情形。核心案例：客户内部人员配置流程从每天7小时缩短至15分钟。
作者开源了用 Rust 和 GPUI 开发的 Skill 管理工具 Kitter，解决 AI Skill 全局安装污染上下文、多项目重复复制难维护的问题。Kitter 在本地维护统一 Skill 仓库，通过软链接将 Skill 安装到指定项目和 Agent（支持 Codex、Claude Code、Cursor、OpenCode 等），并可查看每个项目实际生效的 Skill 及 Token 占用。提供桌面客户端、CLI 和 Skill 三种使用入口，支持 macOS/Windows/Linux，采用 Apache 2.0 协议开源。
作者开源了 Agent 记忆系统 Loci，解决各家 AI Agent 记忆黑盒、不互通、拿不出来的问题。Loci 将用户偏好、决策、任务、人脉等信息蒸馏为结构化的本地 Markdown 文件，形成跨 agent 共用的“大脑”，一次告知即可在 Claude Code、Codex、WorkBuddy 等工具间生效。记忆完全私有、透明可改可删，支持分层加载避免撑爆上下文，并内置本地 Dashboard 提供任务、人脉、大脑记录等可视化管理。项目 MIT 协议开源免费，可通过让 AI 自行安装或一行命令 npx create-loci 快速部署。
作者回顾了半年间 AI Coding 实践的演进：三月通过 Harness Engineering 给模型加约束，八月换成更轻量的 Pi 减少上下文注入，如今实践进入稳定态。文章介绍了当前工具栈，包括 matt skills（需求对齐、spec 拆解、TDD 实现）、ponytail（消除 AI Slop）、subagent 加 worktree 并发开发等。作者提出完整的日常 Coding SOP，从脑暴对齐到垂直切片再到 subagent 实现和人工 Review，并指出人工 Review 已成为新的瓶颈，介绍 Ensemble Review 多模型交叉审查方案。最后强调软件工程基本功与工程直觉在 AI 时代愈发重要。
本文介绍了近30天内5个备受关注的开源GitHub项目：1）No AI Slop，由Peter Yang开发的去除AI写作痕迹、保留个人风格的Skill；2）TryCompAI的开源CRM，将CRM作为Agent工作空间，自动跟进线索和丰富客户信息；3）Browser Use的Video Use，让Claude Code或Codex等编程Agent实现视频编辑自动化；4）NVIDIA的SkillSpector，扫描Agent技能的提示注入、数据泄露等安全风险；5）Shawn Pana的Phone Harness，让AI Agent控制真实的iPhone或Android手机，用于移动QA和自动化。所有项目均免费开源，部分依赖付费服务。
作者分享了为旅行手账打造的两个 Skill：城市景点贴纸 Skill（city-sticker）和城市导览人物 Skill（city-guide-character）。前者把南京博物院、中山陵、鸡鸣寺等真实地标生成统一风格的贴纸，通过固定白描边、透视、阴影保证批量生成的视觉一致性；后者解决角色一致性问题，通过锁定比例、发型、服装和画风，让同一人物在不同旅行场景（拖行李、找路、拍照、吃东西）中稳定延续，为手账形成连续的故事线。两个 Skill 已开源到 GitHub，支持通过 npx skills add 安装，可用于 Codex、Claude Code 和 WorkBuddy。
文章阐述了 Grok Bot 带来的人机协作范式转变：从编写提示词到定义岗位，从回答问题到交付可验收的结果，从人工在软件间搬运信息到 Bot 在云电脑上跨工具自主执行。作者对比了 Grok Bot、Codex、Claude Code 和 Hermes Agent 的职责分工：代码仓库工作优先编码 Agent，跨网站和业务应用的持续任务适合 Grok Bot，追求自主部署可选 Hermes。文章详细讲解了 Grok Bot 的安装注册流程、账户结构（共享云电脑、多个不同岗位的 Bot、Skill 与 Routine），并强调权限边界管理——Bot 分岗不等于安全隔离，高风险动作需人工审批。最后引导读者动手创建一个 AI 情报日报 Bot，学会管理数字员工。
作者实测Claude Fable 5.1新模型，发现其在长时间Agent任务、浏览器自动化和电脑自动化方面显著提升，达到甚至超越Codex GPT 5.6的水准。缓存读取成本下降75%。作者用一句话提示语让模型完成goodcase.ai网站的UI批量优化、提示语分类系统和热度衰减算法更新。还基于杜威十进分类法、分面分类、洛克索引法、瓦尔堡好邻居法则和卢曼卡片盒笔记法等五个理论，让Fable 5.1制作了文件整理skill（carl-file-organizer）。通过3D版愤怒的小鸟游戏测试，Fable 5.1完成度高于GPT 5.6 Sol，包含4种鸟和8个关卡，物理反馈细致。但写作能力相比Opus 4.6有所退步。
作者分享UU远程新版本对远程Vibe Coding体验的史诗级强化。作者此前曾向UU团队反馈终端功能不符合Agent时代用户习惯，如今新版补齐了完整TUI交互渲染与多终端会话管理：进入Mac免输密码、终端移动端输入大幅优化（含独立输入框支持语音输入）、完美支持Claude Code、Grok Build等Coding Agent的TUI界面、支持多会话并行与手机电脑跨端接管同步。作者演示了在手机上远程使用Grok Build进行编码的完整流程，认为UU远程免费、低延迟、丝滑，已成为Agent时代远程控制Agent终端的新基建。
文章深度解读 Anthropic 发布的《AI 原生 SDLC 手册》。作者指出核心问题在于流程而非代码：AI 写代码速度大幅提升，但审批、评审、治理等环节仍按人的速度运转，效率在流程中被消耗掉。AI 原生 SDLC 的思路是保留原有控制目标、更换执行方式，包含三个机制：流程从线性变为循环、每个阶段以提交一个产物结束（intent.md、spec.md、plan.md 等）、人的注意力集中在审批门上。文章逐一梳理了计划、设计、构建、测试、部署、维护六个阶段的具体做法，包括 plan mode、CLAUDE.md、skill、hook 护栏、并行会话、eval 持续评估、PR 评审和托管设置等，最后通过监控指标驱动的闭环实现自主运行。
Ramp Labs 介绍了一套将 Agent 运行轨迹转化为语义层的流水线，用于实现 AI 支出到 ROI 的归因。系统首先将相互关联的多个 session 重建为完整的 agent run，再由抽取模型将 run 拆分为具有独立目标和结果的工作项（work item），并关联模型花费、团队、仓库等信息。基于内部编码 agent Inspect，三周内分析了约 20 万次运行、识别约 25 万个工作项，使公司能够从'AI 花了多少钱'进阶到'AI 产出了什么、回报如何'的评估。
