本文介绍了一个名为 eng-shape 的技能，旨在帮助产品团队在开发前确定产品的形态（如机器人、仪表盘、扩展等）。作者指出，需求并不能决定产品形态，而大多数 AI 代理对此缺乏创意。该技能通过七步流程，包括定义核心三元组（谁触发、谁使用、在哪里运行）、进行 GitHub 调研、归类原型、评分选择等，最终生成一份约 120 字的构建简报。文章还讨论了在规模化场景下该技能的局限性，并推广了包含此技能的 AI PM OS 产品套件。
本文介绍了EARS（Easy Approach to Requirements Syntax）需求语法，用于防止AI在编码时脑补未明确的需求细节。文章指出，AI追问只能解决“说不清”，无法覆盖“没意识到要交代”的漏洞。EARS通过五种模式（Ubiquitous、When、While、Where、If-Then）将需求写成清晰、可测试的句子，并强调一条需求只用一个“应”，避免模糊词汇。通过库存校验和登录校验两个案例，展示了EARS如何将模糊需求转化为可验证的规格。文章还提供了将EARS嵌入工作流的具体步骤，包括使用改写工具、审核、嵌入编码工具和复用规格，最终提升AI协作效率，减少返工。
作者分享了对北欧 3D 立体折纸风格插画的喜爱，该风格融合层叠纸雕、斯堪的纳维亚民间美学和编辑设计，具有手工感、温暖和个性。作者基于此风格设计了故事绘本的原型人物（女孩、男孩、狐狸和祖母），并认为该风格适合儿童绘本、角色设定、编辑插画等。文中还提供了一个 Claude Code 技能链接，用于生成手绘画风提示词。
本文介绍了Listen Labs如何将Karpathy的autoresearch模式应用于不同模糊级别的任务，从客观指标优化到基于偏好的判断。作者分享了在查询时间优化、情感提取、研究代理等任务中的实践经验，并讨论了每个级别遇到的挑战，如指标相关性、奖励黑客和评估标准等。文章强调了清晰指标、迭代速度和人工监督的重要性。
本文作者七言分享了自己如何用一天时间，借助AI工具（如Claude Code、Codex）在小红书上跑通一个低门槛、高AI浓度的心理测试数字产品变现项目。文章详细拆解了从发现对标账号、拆解项目（产品、流量、成交路径）、到利用AI生成原创题库、网页、笔记和详情页，最终实现3天49单、利润约200元的过程。作者强调了“干中学”的理念，并提供了保姆级实操指南和商业心法，旨在帮助新手通过实践学习AI和赚钱。
本文是MCP（Model Context Protocol）的入门教程，旨在帮助读者理解MCP的概念、安装常用MCP服务器，并动手搭建一个简单的MCP服务器。文章首先区分了Skill与MCP的不同，指出MCP是让AI具备操作外部工具能力的标准协议。然后详细介绍了MCP的核心概念（Host、Client、Server）和三种原语（Tools、Resources、Prompts），并推荐了7个实用的MCP服务器，如Sequential Thinking、Filesystem、Playwright等，附有安装命令。最后，通过一个25行的Python示例，演示了如何创建并注册一个自定义MCP服务器，并介绍了调试工具MCP Inspector的使用。
本文面向AI应用开发小白，系统讲解Harness（挽具工程）的概念与实践。文章指出，当模型能力足够强时，决定AI可靠性的不再是模型本身，而是模型外部的Harness系统。通过真实案例与数据，作者剖析了AI常见的四种翻车现象（提前交卷、环境盲区、虚标完成、失忆实习生），并提出了前置控制与后置控制相结合的解决方案。文章详细介绍了CLAUDE.md的升级方法、Hooks、验证Agent等后置控制工具，强调从愿望清单转向失败日志的核心理念，帮助读者构建一套完整的Harness闭环，让AI真正变得可靠、可控。
本文是 Orca 的保姆级使用教程。Orca 是一个专门管理多个 Coding Agent 的 AI 工作台，本身不替代 Claude Code 或 Codex，而是负责编排调度。教程详细讲解安装步骤、如何将 Claude Code 和 Codex 接入 Orca、利用 Git Worktree 隔离不同任务让多个 Agent 并行开发，以及 Diff 审查与合并的正确流程。文章还分享任务拆分技巧、多 Agent 竞争同一任务的实践、安全注意事项，并展望从会写代码到会管理 AI 团队的能力转变。
本文针对 AI 工具普遍收费的现象，从付费、马具（Harness）、创作、取舍、边界五个方面展开讨论。作者以自身使用经验为例，分析了 Kimi、DeepSeek、Claude Code、Codex、OpenClaw、YouMind 等工具的特点与适用场景，提出了根据个人需求、预算和质量门槛选择工具的方法，并强调了重器轻用的理念。同时，文章也探讨了在医疗等敏感领域使用 AI 时的数据安全边界。
本文全面介绍AI公司Anthropic，从其创立背景、核心产品Claude与Claude Code、商业模式、多云战略，到近期传闻以60亿美元收购算力优化公司Decart的谈判，以及公司面临的挑战与风险。文章指出，Anthropic由前OpenAI员工创立，强调AI安全，通过个人订阅、API和企业合同三层收费实现商业化，并积极布局编程工具与基础设施。同时，文章分析了公司高估值下的四盆冷水：算力成本、投资与采购绑定、版权诉讼与运营失误、上市后的治理考验。最后，文章总结了Anthropic的成功要素，包括安全理念、产品创新、多云策略和商业执行力。
本文介绍了AI PM OS 2.6版本的更新内容，重点包括对240多个技能的重构，以适应当前模型能力的提升，并探讨了技能作为工作单元的未来。此外，新增了'好PM/坏PM'技能，通过识别用户行为模式并提供引导，帮助产品经理自我改进。作者强调技能不会消失，但其形态和组合方式正在演变。
作者分享了为Agent做知识管理的痛点：Skill无法跨项目迁移，知识库虽大但Agent无法自主利用，导致作者需要人工替Agent维护记忆。作者介绍了Alloomi产品，其通过三层架构（记得住、学得会、实践）实现Agent的自进化，并开源了OpenContext工具。作者希望未来的Agent产品能具备自进化能力，帮助用户组织底层记忆。
本文探讨了Claude Code的创建者Boris Cherny关于如何更有效使用AI代理的建议。作者发现，随着模型升级（如Opus 5），旧有的指令和技能可能反而阻碍新模型的表现。Boris建议定期删除或禁用CLAUDE.md、技能和钩子，以发现模型的新能力。作者通过对比测试发现，保留上下文但简化流程，让模型自主思考，效果更好。文章强调将上下文与程序分离，给出高层目标、护栏和退出标准，并让代理自我验证。最终，管理AI代理应像管理有能力的人一样，设定方向、审查结果，而非微观管理。
本文详细介绍了如何将Claude Code与OpenRouter结合使用，实现通过API按量付费调用Claude模型。文章从注册OpenRouter、充值、创建API Key，到安装Claude Code、写入长期配置、验证配置等步骤进行了保姆级讲解，并解释了配置原理，包括环境变量的作用、配置持久化机制以及常见问题处理。适合不方便直接使用Anthropic API或希望统一管理多个模型的用户。
本文探讨了Postgres在处理数十亿行时间序列数据时遇到的性能瓶颈，以及如何通过Tiger Cloud（基于TimescaleDB的托管服务）解决这些问题。文章以Cloudflare团队的经历为例，展示了他们花费两年时间手动构建分区管理和聚合管道，最终迁移到TimescaleDB将查询速度提升35倍。作者演示了如何使用Tiger CLI作为MCP服务器，让Claude Code直接管理数据库基础设施，并构建了一个实时地震仪表盘。通过自动时间分区、连续聚合和压缩功能，Tiger Cloud简化了数据工程工作，使开发者能专注于应用开发。
本文探讨了AI代理普及后，人类从执行者转变为监督者的现象。作者指出，当执行成本降低，监督成为新的瓶颈，并提出了一个包含委派契约和监督循环的框架。委派契约包括成果、上下文、决策权和验证四部分，监督循环则包括派遣、检查点、验证、升级和记录五步。文章引用了OpenAI和Anthropic的数据，强调了明确边界和验证的重要性，旨在帮助知识工作者有效管理AI代理，避免陷入协调困境。
本文介绍了如何在30分钟内使用Claude Code构建一个由三个专业智能体（规划者、执行者、审查者）组成的AI智能体团队。文章详细阐述了团队协作优于单一智能体的原因，并提供了从定义目标、设计角色、配置CLAUDE.md到创建和运行智能体团队的分步指南。通过并行工作和独立审查，该团队能提高任务执行的质量和效率，减少用户的来回干预。
作者分享了在Claude封号潮后，基于API的AI开发工作流优化经验。通过开源项目“搭子2.0”，实现了Claude Code和Codex两个Agent的深度协作，引入deep_reasoner、fast_worker、arbiter三种身份，支持跨模型混编、本地配置UI、一键试跑、Goal哈希校验和证据链小票等功能，有效降低了API成本并提升了开发效率。文章详细介绍了搭子2.0的核心升级、配置方法及实战效果。
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。
本文提供了一份14步路线图，指导如何将线性多代理管道重构为高效的图结构，利用Claude Code的动态工作流实现并行处理、数据契约、运行时路由和验证。通过简历筛选示例，展示了如何定义节点和边、使用parallel()扇出、扇入合并、条件路由、独立验证器、工作树隔离和循环收敛，从而构建可扩展、可靠且可维护的代理系统。
本文基于Anthropic对40万次真实编码会话的研究，揭示了高效使用AI代理的关键：人类负责规划，AI负责执行。文章指出，领域专家通过单一指令能获得更完整的任务结果，而代理的复杂任务完成能力每七个月翻倍。作者详细介绍了Anthropic开源的长期运行代理框架，包括Default-FAIL验证、独立评估器和会话间状态保存等核心设计，并对比了SWE-agent与Agentless方法，强调复杂性与任务匹配的重要性。最后，文章重新定义了工程师的角色：从编写代码转向设计代理环境、分解任务和验证结果。
作者KNOX分享了一套在30天内掌握AI营销的完整路线图，核心是用Claude Code和一系列工具构建一个自动化的营销系统。该系统包括研究客户痛点、生成广告创意、自动分析广告表现和监控竞争对手的四个智能体，并强调'智能体只提议不行动'和'数据存文件而非提示词'两大原则。文章提供了具体的文件配置和操作步骤，旨在帮助营销人员通过自动化大幅提升效率。
本文介绍了如何像顶尖1%的营销人员一样进行多渠道外展。文章首先强调根据渠道特性分配任务，如邮件用于规模化、LinkedIn用于建立关系、电话用于高价值客户、面对面用于大客户。接着，文章详细说明了如何构建一个分支序列，根据潜在客户的反应（如是否接受LinkedIn邀请）来决定下一步行动。此外，文章还介绍了如何通过ColdIQ的API市场构建统一的数据层，整合公司搜索、人员查找、邮箱验证等功能，并利用信号（如新员工、职位变动）来优化目标定位。最后，文章强调了相关性与个性化的区别，并提供了四个可直接使用的开场白模板。
作者开源了一款名为 guizang-sports-skill 的运动分析工具。该 Skill 可结合 Codex 或 Claude Code 等 AI Agent，深度解析骑行、跑步等运动生成的 FIT/KML 文件。它底层通过确定性分析器精准计算轨迹、爬升等数据，交由 AI 生成通俗易懂的总结与个性化训练建议。此外，它还能将运动数据结合沿途照片，自动生成极具视觉美感的 3D 路线网页报告及分享视频，充分展现了 AI 在运动健康领域的应用潜力。
本文指出企业级 RAG 绝不仅是简单的文档切块与向量检索，而是一项复杂的知识工程。文章详细拆解了知识入库与用户提问两条流水线，强调了 PDF 结构化解析、混合搜索及权限更新的重要性。在 AI Coding 时代，底层代码可交由 Agent 完成，开发者应更关注 RAG 的架构设计。最终，企业 RAG 的核心价值在于构建一层可被 AI 调用的知识基础设施，从而支撑各类业务 Agent。
Claude Code v2.1.224 版本引入了跨会话消息功能，允许不同窗口、项目和机器间的会话通过SendMessage和ListAgents工具互相通信。官方提供改动预警、答案传递和长任务进度同步三个场景。该功能仅限信息对齐，无权批准权限或修改配置。作者提出多会话协作协议，强调当存在两个及以上相互依赖的会话时才适用，并需人为制定分工、模板与冲突协调规则。
本文作者详细拆解了利用AI工具在视频号进行健康图书带货的创业经历。通过搭建自动化流水线，单条视频制作成本降至1元且15分钟即可出片。作者分享了选择老年健康图书赛道的原因、AI全链路提效实操方案（涵盖素材采集、TTS配音、图片及视频生成），并深入总结了受众心理、流量承接闭环及提高转化率的核心心法。
作者分享了其首个macOS App“花录”（一款带有自动运镜和光标平滑功能的录屏工具）的上架过程。借助Kimi K3和Claude Code等AI工具，作者高效完成了App重构、性能优化及全套App Store审核素材的制作与提交。面对苹果拒审，AI自主修复了底层漏洞并完善了合规备注，最终助力App成功免费上架。文章展现了AI Agent接管应用开发与上架全链路的强大潜力。
作者开发了名为ModLens的工具，以“能力包”形式免费为DeepSeek等纯文本大模型增加图片识别能力。该工具接入简单，支持配置多个免费视觉引擎（如Gemini等）实现自动故障转移。实测表明，它能精准读取截图、照片及密集图表，并诚实反馈无法确认的信息。该工具仅需安装在本地AI Agents中即可大幅扩展纯文本模型的实用性。
随着AI代理编写了团队75%的合并代码，软件工程的瓶颈已从“如何快速生成代码”转变为“如何证明代码有效”。文章指出“Harness（验证系统）”才是核心产品。它通过上下文、约束、验证和反馈循环来确保自主交付的质量。团队应遵循六大原则，将重心从代码审查转向规格说明、端到端场景覆盖及架构约束，以应对代理时代带来的认知债务与安全风险。
