The new rules of context engineering for Claude 5 models
本文探讨了针对Claude 5模型的上下文工程新规则。作者指出，随着模型能力的提升，传统的过度约束策略已不再适用。新规则包括：让Claude依赖判断而非严格规则、通过接口设计替代示例、采用渐进式披露而非一次性提供所有信息、简化工具描述避免重复指令，以及利用自动记忆和富引用功能。这些实践可显著优化Claude Code和自定义Agent的性能。
全部文档 / 标签: 最佳实践
105 篇
AI 七宗罪全网最全审判指南：从入门到榨干
文章总结了 AI 在执行任务时的七大常见毛病：抢答、脑补、独断、加戏、话痨、失忆和报喜。针对每一宗罪，作者提供了具体的提示词和解决策略，旨在通过规范流程让 AI 问清需求、抓住重点、精准执行并凭据交付，最终提升工作效率。
Lyft联合创始人使用Claude Code构建的九条规则
本文介绍了Lyft联合创始人Matt Van Horn在不读写代码的情况下，利用Claude Code和Codex构建开源项目并登顶GitHub Trending的九条规则。规则包括快速发布、编写计划、信任Agent、优化使用成本、提供CLI工具、让工具自记笔记等，展示了非程序员如何高效利用AI进行开发。
Claude Opus 5 提示工程大师课
文章详细解读了 Anthropic 发布的 Claude Opus 5 模型及其官方提示指南。核心内容包括“Effort（努力）”设置的使用、从“怎么做”转向“为什么”的提示策略、删除验证指令以降低成本、以及如何控制响应长度和 Agent 叙述行为，旨在帮助用户最大化发挥模型效能。
炸裂，Anthropic 给 Opus 5 删掉了 80% 的系统提示词
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。
Claude 5 模型上下文工程新规则
文章探讨了针对 Claude 5 模型的上下文工程新规则，指出新一代模型能力提升，允许大幅简化系统提示。主要变化包括：用模型判断替代硬性规则、用接口设计替代示例、采用渐进式披露、简化工具描述、使用自动记忆以及支持丰富引用。
用 Claude Code 重构百万行代码：官方六步迁移法深度解读
本文深度解读了 Anthropic 官方如何利用 Claude Code 完成百万行代码的大规模迁移。文章介绍了 Bun 从 Zig 迁移到 Rust 及 Python 项目转 TypeScript 的惊人案例，并提炼出包括制定规则、小范围试跑、对抗性审查等在内的“六步迁移法”，为开发者提供了高效的 AI 编程与代码重构实战指南。
Codex 子 Agent 使用技巧：怎么拆任务、怎么省钱、怎么避坑
本文分享了 Codex 中子 Agent 的使用技巧。子 Agent 可并行执行任务、节省成本并控制上下文膨胀。文章介绍了适合并行的任务类型、成本分析、自定义 Agent 的创建方法及配置继承的坑，并提供了实用的 Team Mode Skill 和提示词建议。
使用 Fable 5 构建自我改进 Agent 系统的 14 步指南
文章深入探讨了如何充分利用 Claude Fable 5 的潜能，而非仅仅将其视作上下文窗口更大的 Sonnet。作者提出了构建“自我改进系统”的 14 步路线图，区分了自我学习与自我改进，并详细阐述了基于 Loops、Dynamic Workflows 和 Routines 的三层架构。文章还提供了 Fable 5、Opus 和 Sonnet 在系统中的成本与任务分配策略。
万物皆可 Skill：如何基于 Codex 把任何内容变成可复用 AI 能力
文章提出了“万物皆可 Skill”的理念，指出高阶的 AI 使用方式应从临时性的提示词升级为可复用的 Skill（能力包）。文章详细阐述了 Skill 的本质（任务边界、流程、标准及失败处理）、与 Prompt 及 Workflow 的区别，并介绍了基于 Codex 构建 Skill 的标准结构、设计原则（如渐进披露）以及通过“元编程”视角实现 Skill 递归进化的方法。
Fable 实战指南：如何发现与处理你的盲点
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。
Karpathy 的 10 条 Claude 新军规：从交任务到交责任
文章解读了 Andrej Karpathy 团队泄露的 CLAUDE.md 文件，包含 10 条核心原则。对比社区早期提炼的 4 条，新增的 6 条（先读代码、自我验证、调试、依赖管理、沟通、失败模式）针对的是无人值守的“交责任”场景，是实现 Loop 工程化和放手 Agent 的关键。
构建生产级 AI 系统必须掌握的 6 个核心概念
本文由作者因遭遇 AI 智能体失控产生高昂费用的经历引出，旨在阐述构建生产级 AI 系统必须掌握的核心概念。文章提出了 AI 系统的通用公式：记忆（RAG）+ 思考（LLM + Tokens）+ 行动（Agents）+ 测量（Evals）。文中重点解析了 Tokens 与上下文窗口的成本与限制、嵌入向量与语义搜索的原理、RAG 检索增强生成的正确姿势、智能体循环中的工具使用与停止条件等关键技术细节，帮助开发者从“调参侠”进阶为真正的 AI 工程师。
小白也能用的分工方法：Claude Code / Codex 多 Agent 并行
本文针对 Claude Code、Codex 等工具支持的多 Agent 并行工作流，指出小白容易陷入的误区（如同时多 Agent 乱改文件导致冲突）。文章提出了一套安全的分工方法：利用“1 个总控 + N 个工人”的结构，坚持“先并行读，再隔离改，最后逐个合并”的原则。通过只读任务并行、Worktree 隔离文件、明确边界提示词及逐个审查合并，将并行变为效率，避免项目混乱。
The 9-Step Loop That Turns Claude Code Into a Senior Engineer
文章指出大多数开发者像使用初级工程师一样使用 Claude Code，缺乏有效的流程。作者提出了一套利用 Claude Code 内置原语（Plan Mode、Subagents、Hooks 等）构建的 9 步闭环流程，旨在模拟资深工程师的工作方式。该流程强调在编写代码前先探索代码库并制定计划，使用 CLAUDE.md 固化标准，利用 Hooks 强制执行不可协商的规则，并通过独立 Agent 进行代码审查，从而实现高质量、自动化的代码交付。
CODEX 高效工作指南：给小白用户的实用入门课
这是一份面向小用户的 Codex（OpenAI coding agent）入门指南。文章指出 Codex 不是单纯的聊天机器人，而是能读写文件、运行命令的“工作搭档”。作者通过对比 ChatGPT，明确了 Codex 的适用场景，并介绍了 App、CLI、IDE 插件等多种入口。核心内容包含四段式提示词模板、常用工作流（解释项目、修 Bug、加功能、审代码）、配置文件 AGENTS.md 的编写方法，以及 MCP、Skills 和 Automations 的区别与用法。最后强调了安全使用原则及新手从只读理解到自动化的进阶路线。
Claude Code 动态工作流解析与实战指南
文章详细介绍了 Claude Code 的动态工作流功能，通过编写编排脚本运行数十到数百个并行 subagents，解决智能体偷懒、自我偏好和目标漂移问题。内容涵盖原理、与静态工作流的区别、分类执行、对抗验证等六种实用模式，以及在迁移重构、深度研究、代码审查等九类场景的落地应用。
Codex 最佳实践：入门指南与提升效果的经验法则
本文是一份 Codex 使用指南，重点阐述如何通过提供清晰上下文、合理计划及可靠验证流程来提升 AI 编程助手的效果。文章详细介绍了 Prompt 结构化、AGENTS.md 配置、MCP 外部系统集成以及将重复工作固化为 Skill 和 Automation 的最佳实践，帮助用户将 Codex 从临时问答工具转变为长期可靠的编程队友。
写好 CLAUDE.md 的 8 条经验：让 Claude Code 更懂你的项目
本文分享了如何通过优化 CLAUDE.md 提升 Claude Code 效能的 8 条实战经验。核心观点包括：限制文件长度在 200 行以内、明确列出禁止引入的技术栈、制定可执行的编码规则、利用 CLAUDE.md 作为文档指针而非存储库、为敏感模块配置本地上下文、使用 Hook 替代记忆、建立长期记忆回路，以及配置工作风格以减少沟通成本。
写AI提示词，首先你要把自己当个导演
文章提出了一种新颖的“导演思维”来编写 AI 提示词。作者将用户比作导演，将 AI 比作演员，强调通过定角色、发剧本、搭场景和给反馈四个步骤，把模糊的指令转化为精准的指导，从而让 AI 输出专业、惊艳的内容。
普通人用Codex的第一个完整工作流
文章介绍了新手使用 Codex（AI 编程工具）时的正确姿势。作者指出新手常因将 Codex 视为“许愿池”而陷入不敢用的困境，并提出了一个完整的工作流：从看目录、定计划、执行小任务、跑验证、看 Diff 到自我 Review。文章强调不要急于求成，而应通过设定边界、交付小任务来建立信任，并提供了可直接复用的 Prompt 模板。
新手小白装Codex最容易被忽视的十行配置
本文介绍了针对 Codex 的新手向十行核心配置。通过修改 `~/.codex/config.toml`，用户可以设置默认强模型、提高推理深度、优化审批策略、配置沙盒模式（限制仅修改当前项目并默认断网）、使用缓存搜索、保留终端历史及关闭日志与数据记录。这些配置旨在解决 AI 权限过大、思考不足及界面干扰等问题，提升日常开发的安全性与体验。
Claude Code 工程化指南：高效组织 .claude/ 目录
本文旨在探讨如何像管理代码一样管理 Claude Code 的配置目录 .claude/。文章首先指出了混乱的目录结构会随着项目增长导致维护困难，随后提出了一套包含 CLAUDE.md、settings.json、rules/、hooks/、commands/、skills/ 和 agents/ 的标准化目录蓝图。接着，文章详细阐述了核心原则，包括顶层设计的轻重分离、规则模块化、自动化脚本与复用工作流的区别，以及团队与个人配置的边界。最后提供了从简单到复杂的渐进式成长路径，帮助开发者构建可预测、可维护且易于团队协作的 AI 辅助开发环境。
从零构建 LLM 架构：10 个实用经验教训
本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。
Shopify 工程师团队的 Claude Code 配置与实战策略
文章详细介绍了 Shopify 23,000 名工程师如何通过 Claude Code 实现 96% 的代码自动化。核心策略包括：构建统一的 LLM 代理层以控制成本，并行运行多个 Agent 处理不同模块，利用 MCP 服务器集成内部文档与 API，以及将 CLAUDE.md 纳入版本控制。工程师角色正从代码编写者转向架构审查者，通过护栏机制保障安全。
让 Codex 在你睡觉时自己写代码
文章分享了作者利用 Codex 进行夜间代码自动化的实战经验。核心观点是：不能将 Codex 视为可随意许愿的全能工程师，而应通过清晰的任务边界、明确的范围限制和严格的验收标准（如 AGENTS.md），将其转化为高效执行者。文章详细列举了适合夜间运行的任务（如安全审计、补测试、更新文档）和应避免的任务（如产品判断、大重构），并提供了具体的 Prompt 模板和验收流程。
管理 AI Agent 就像管理团队：超越 /goal 的八个意图维度
OpenAI 和 Anthropic 最近发布的 /goal 功能仅解决了意图管理中的目标和结果两部分。作者提出了一套包含八个维度的框架（策略、目标、结果、健康指标、组织上下文、约束、自主边界、停止规则），主张应像领导人类团队那样领导 AI Agent，而不仅仅是设定简单的完成条件。
Karpathy 的 CLAUDE.md：如何将 Claude Code 编码准确率提升至 94%
文章介绍了 Andrej Karpathy 验证过的 CLAUDE.md 配置方法，该项目在 GitHub 上获得 8.2 万星标。文章分析了开发者在使用 Claude Code 时常遇到的三个痛点：重复解释上下文、AI 擅自修改代码范围、以及缺乏持久记忆。通过在项目根目录创建包含 Defaults、Behavior 和 Memory/Stack 三个部分的 CLAUDE.md 文件，开发者可以将编码准确率从 65% 提升至 94%，并为团队节省大量因沟通和回滚错误造成的时间成本。
Claude Code 在大型代码库中的运作方式：最佳实践与入门指南
文章探讨了 Claude Code 在处理数百万行级单体仓库及遗留系统时的成功模式。区别于传统 RAG 工具的嵌入索引滞后问题，Claude 采用本地代理式搜索实时导航。核心论点指出，工具链生态（CLAUDE.md、钩子、技能、LSP 集成等）的重要性远超模型本身。文章详细解析了七大扩展点，并建议通过渐进式配置与插件分发来提升在大型复杂代码库中的协作效率。
Claude Code 在大型代码库中的运作方式：最佳实践与入门指南
文章深入探讨了 Claude Code 如何在大型代码库（如单体仓库、遗留系统）中高效工作。与依赖过时索引的 RAG 工具不同，Claude 采用代理式搜索遍历本地文件系统。文章指出，工具链（包括 CLAUDE.md、钩子、技能、插件、MCP 服务器和 LSP 集成）对性能的影响往往大于模型本身。通过建立正确的上下文层次和渐进式采用策略，团队可显著提升开发效率。