一文读懂引发Fable模型禁令的大模型越狱技术
文章深入探讨了引发 Fable 模型限制的大模型越狱技术。作者通过多个案例（如 Crescendo 多轮对话、角色扮演、隐写术及间接注入等）展示了如何绕过安全限制，并针对 LLM 和 Agent 开发者提出了包括权限隔离、数据不可信处理及人工复核在内的安全防御建议。
全部文档 / 标签: LLM
1042 篇
构建优秀的垂直领域 Agent：以 Shortcut 为例
本文探讨了如何构建一个在实际应用中表现卓越的垂直领域 Agent。作者结合开发 Shortcut 电子表格 Agent 的经验，提出核心原则是“对任务分布的忠实压缩”。文章详细介绍了“分层缓存”架构，将上下文分为 L1（常驻核心）、L2（按需规格）和 L3（兜底参考），以平衡效率与准确性。同时强调了“单工具优于多工具”的策略，主张通过代码执行来统一能力，降低模型决策复杂度，从而在长尾任务中实现高准确率。
万字长文：做了些爆款 Skills 以后，我对 Skills 的看法
本文通过作者制作多个爆款 Skill（如 PPT、社交媒体卡片、Logo 生成等）的实战经验，深入探讨了 Skill 在 AI 时代的本质与价值。作者指出，Skill 不仅是提示词，更是封装专家经验、工作流和审美判断的“能力商品”，能有效弥合 Agent 使用中的认知差距。文章详细阐述了 Skill 的设计哲学（中心短、辐射厚）、像代码一样的维护流程，以及如何通过“把品味变成约束”来保证高质量输出。
使用 Fable 5 构建自我改进 Agent 系统的 14 步指南
本文介绍如何利用 Claude Fable 5 模型构建具有复合能力的自我改进 Agent 系统。文章首先澄清了 Fable 5 作为 Mythos 级模型的定位，强调了其支持“长周期自主会话”和“自验证”的核心能力。作者指出，真正的自我改进并非模型权重的更新，而是通过 loops、dynamic workflows 和 routines 这三种原语，构建起包含记忆层和评估反馈层的环境架构。文章还详细阐述了如何根据任务复杂度在 Fable 5、Opus 和 Sonnet 之间进行成本最优的路由配置。
AI Agents详解：从概念到零代码构建Telegram机器人
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。
设计 Agent 提示循环的完整指南
文章深入探讨了为何单一提示词不足以完成复杂的 AI 任务，并详细介绍了如何设计一个能够自主运行直到任务完成的“循环”。作者提出了构建循环的五个核心步骤：定义“完成”标准、构建上下文而非指令、让 Agent 行动并捕获结果、利用反馈闭合循环、以及设置停止条件。文章强调了从手动编写提示词转向构建自动化规则系统的重要性。
今年高考，我让12个顶级AI一起考了语文和数学
文章记录了一次关于12个顶级AI模型的高考模拟测评。测试选取了Claude、GPT-5.5、DeepSeek等国内外主流模型，针对高考语文和数学试卷进行考核，并邀请真人老师进行盲审阅卷。结果显示，头部模型之间的分差极小，部分模型存在“偏科”现象（如DeepSeek数学强但作文弱）。文章详细回顾了测试的公平性设计、评分过程及最终排名，并回顾了过去几年AI模型在考试能力上的巨大进步。
开发者在写代码前必须理解的 10 个 AI 核心概念
本文阐述了 AI 开发者在编写代码前必须掌握的 10 个核心概念，而非急于动手写代码。文章解释了 Tokens（计费基础）、Embeddings（语义理解）、Attention（上下文机制）以及 Transformers（模型引擎）等原理，深入剖析了 LLM 的本质、幻觉产生的原因、Temperature 对输出的控制作用以及上下文窗口的重要性。理解这些心智模型，能帮助开发者避免盲目调试，构建出更稳定、高效的 AI 应用。
Skill 工程化指南：解决不稳定与高 Token 消耗
文章指出 AI Skill 在应用中常因大模型的不确定性导致运行不稳定和 Token 消耗过高。作者提出应将确定性流程（如固定代码、参数）沉淀为脚本，仅让大模型负责逻辑判断与调度。通过视频字幕处理案例，详细演示了四步工程化法，并提供了可直接复制的工程化提示词，帮助用户实现流程稳定化与成本优化。
我所知道的所有 Agentic Engineering 技巧
作者 Matt Van Horn 分享了他在“代理工程”（Agentic Engineering）领域的实战经验，这是一种利用 LLM 和自动化流程（如 Claude Code + Compound Engineering）来完成软件开发的新模式。核心技巧包括：立即生成计划、不要细读计划、将计划流程应用于非工程类深度工作、利用语音输入提升效率，以及通过多标签页并行处理任务。文章强调将工作重心从编码转移到规划，利用智能代理自动化执行。
一个指令，把垃圾素材做成高级 HTML 展示页吊打 PPT
本文指出直接使用 AI 根据 UI 设计稿生成 HTML 往往效果不佳，核心原因在于未能正确拆分任务。作者提出将 UI 还原分为结构、样式和资产三层，并通过 Prompt 指令将复杂的视觉资产（如插画、Logo）与代码逻辑分离。文章详细介绍了从视觉拆解、资产分离、骨架搭建、生成替换到浏览器截图对比修正的六步完整工作流，并分享了通过 Skill 自动化流程及 Codex 内置工具提升效率的技巧。
如何构建多 Agent 工作流：完全指南
本文是关于在 2026 年构建多 Agent 工作流的深度指南。文章对比了单 Agent 与多 Agent 系统的区别，详细解析了 Claude Code 的三种编排原语（子代理、团队、动态工作流）及六大核心拓扑结构（顺序流水线、协调者-工作者、并行发散、生成器-验证器、共享状态、辩论模式）。同时探讨了如何设计 Agent 间的通信、避免上下文污染以及处理系统失败模式。
停止为你的 AI 代理建造“富士康工厂”
作者通过自己编写 54 万行代码的亲身经历，反思了在 LLM 时代的开发范式。他指出，当前大多数开发者仍在沿用旧思维，编写大量代码来限制和监控智能模型，这就像是在为不需要严格监管的超智力工人建造富士康工厂。随着模型成本降低和能力提升，开发者应摒弃“保姆式代码”，转向以 Markdown 为核心的“即时软件”架构，将指令与逻辑解耦，释放 AI 的真正潜力。
32个Claude Code技巧：从入门到精通
文章介绍了Claude Code的32个高效使用技巧，分为基础、控制和精通三个层级。内容涵盖项目初始化、上下文管理、语音模式、子代理并行工作、自定义Skills编写、Hooks钩子配置及多模型切换等实战方法，旨在帮助用户在16分钟内掌握从新手到专业开发者的进阶路径。
最值得关注的开源项目按影响力和信息差排序
作者按影响力与信息差将开源项目分级。S级包括Flask作者新作Pi、Claude Code重写版Claw Code、Nous Research的Hermes Agent及Agent编排工具Bernstein；A级涵盖开源AI项链Omi、降本Agent框架Mastra、终端工具Crush及Qwen Code。
Agent 工作流构建：Skills + Interpreters 实践
本文介绍了“解释器技能”的概念，这是对 Agent 技能的扩展，允许在技能中包含 TypeScript 模块。Agent 可以在行为适用时导入并运行这些代码，就像执行工作流一样。这种机制结合了 SKILL.md 的指令逻辑和解释器的代码执行能力，使 Agent 能够处理更复杂的任务，如生成子代理、调用工具，并确保关键流程的确定性和可复用性。
Claude Code Dynamic Workflows：把编排逻辑搬进代码的新原语
Anthropic 推出的 Claude Opus 4.8 引入了 Dynamic Workflows 功能，旨在解决大型代码库迁移和复杂任务编排的难题。该功能通过将编排过程生成本地 JavaScript 脚本，利用运行时管理逻辑，突破了传统 Agent 上下文窗口的限制，实现了对海量并行任务的高效处理。文章详细解析了其与 Subagent 和 Agent Teams 的区别、核心架构、脚本编写规范以及触发机制。
Hermes Harness 架构深度解析
本文深入分析了 NousResearch 的 Hermes 开源 Agent Harness 架构。文章指出 Hermes 全面实现了包括上下文管理、子代理管理、会话持久化等在内的九大核心组件。作者详细探讨了其独特优势：统一的运行时支持多种模型提供商、复杂的三层系统提示词组装、基于 SQLite 的会话即基础设施设计，以及内置的消息网关和 Cron 系统。文章最后展望了其向一级编排能力演进的方向。
pi-dynamic-workflows：基于 JS DSL 的动态 Subagent 实现
文章介绍了 pi-dynamic-workflows 项目，这是一种利用 JavaScript 编写工作流 DSL 的 Subagent 实现方案。Agent 将业务逻辑写入专用工具，引擎解析并运行代码，提供了 agent()、parallel()、pipeline() 等原语。该方案旨在为 Agent 提供一个符合人体工程学的“代码模式”编程表面，用于内联业务逻辑。
如何构建你自己的 Agent Harness
本文探讨了构建 AI Agent 系统时的架构问题。作者指出，大多数团队直接采用 LangChain 等现成的框架，这通常会将多种功能耦合在一个单体中，导致后期难以扩展。作者介绍了基于 iii 引擎的解耦方案：将 Harness 拆分为独立的、可替换的微服务，如凭据管理、策略引擎和模型目录。这种架构通过统一的触发原语连接，使开发者能够像搭积木一样自由替换组件，从而实现真正的“自建”系统。
Hermes Agent多智能体群聊协作配置教程
这是一份关于如何利用 Hermes 的 Profile 机制构建多智能体协作群聊的实操教程。文章详细介绍了配置 1 个主 Agent（Leader）和 3 个辅助 Agent（数据、技术、市场研究员）的完整流程。内容涵盖了 Profile 创建、共享 API 密钥配置、角色 Prompt 编写、Discord 机器人对接以及发言顺序控制与成本优化策略。
The Hermes Agent Memory Guidebook
这是一份关于 Hermes Agent 记忆系统的终极指南。文章深入解析了 Hermes 的三层记忆架构：开箱即用的原生层、可选的插件层以及社区扩展层。作者详细说明了本地数据库与 Markdown 文件的协同工作机制，澄清了关于记忆合并的常见误区，并强调了记忆在 Agent 从无状态聊天机器人转变为具备技能累积和个性化能力的智能体过程中的关键作用。
Hermes Agent 进阶指南：从架构原理到构建自进化的多智能体系统
本文深入介绍了 Nous Research 开源项目 Hermes Agent。文章详细解析了其独特的“学习闭环”架构，该架构结合了三层持久化内存、自进化技能系统以及 GEPA 优化引擎，解决了传统 Agent 随会话结束而遗忘的问题。文中还将 Hermes 与 OpenClaw 进行了对比，并提供了从零开始配置多个个性化 Agent（程序员、研究员、设计师）的实战教程，旨在帮助开发者打造能够 24/7 运行且持续学习的个人 AI 队伍。
Hermes Agent 完全指南：从零到自进化的 AI 员工
这是一份 Hermes Agent 的深度实操指南，涵盖了安装、模型选择、平台配置及最佳实践。文章对比了 Hermes 与 OpenClaw、Claude Code 的差异，强调了其本地化记忆、自我改进能力和多平台支持优势。核心内容涉及通过 Cron 和 /goal 命令实现全天候自主任务执行，助你打造一个能持续进化的 AI 员工。
Agent时代精力的重分配：Think与Make的新模型
本文探讨了AI Agent时代下个人时间分配模型的演变。作者提出，随着Agent接管基础执行工作，人类应将时间从传统的“70%执行+30%思考”向“50%执行+50%思考”迁移。文章重新定义了“Make”为编排式执行，“Think”为复合思维与系统设计，并提出了意图设计、工作流设计、质量判定及责任心等四项核心生存能力。
Memfold AI：重新定义个人计算界面的未来
Memfold AI 致力于引领个人计算交互的革命，提出从“人在应用中”转向“人通过代理与计算机交互”的愿景。文章详细介绍了创始团队在 IIT Madras 和 Microsoft Research 的背景，以及他们训练 Indic LLM 和构建 Agent 系统的经验。公司已获 Peak XV 等机构投资，正在寻找具有高度主观能动性的人才，共同打造并验证这一全新的计算界面。
Kimi K2.6 Agent Swarm 深度解析
文章详细介绍了 Moonshot AI 推出的 Kimi K2.6 模型及其核心功能 Agent Swarm。该技术支持每轮运行 300 个并行子代理，将单一文本指令转化为完整的项目交付物（如文献综述、数据集、代码和网页）。文章通过对比“聊天”与“群组”两种心智模型，展示了该技术在学术研究、可视化生成、LaTeX 排版、批量网页开发及大规模代码重构六大场景中的绝对优势，并提供了在单一代理与群组代理之间进行选择的决策指南。
How I Use Cursor: pstack与Agent工程化的深度实践
文章作者 lauren 分享了加入 Cursor 前后的编码体验对比，从使用 Claude Code 转向 Cursor，并深入探讨了如何通过 GUI 优于 CLI 的设计以及多模型对抗来提升效率。重点介绍了其开源的 pstack 插件，该插件通过一套严谨的技能和工作流，教导 AI Agent 像资深工程师一样进行二分法调试、代码审查和深度工作，以解决 AI 编码中常见的“平庸且快速”问题，倡导深度优于广度的 Agent 编排理念。
用 Claude Code 简化 80% 日常工作的三件事
本文介绍了如何通过构建 Claude Code 系统来大幅提升开发效率。作者分享了三个核心实践：建立行为规范（如使用 CLAUDE.md）、定义特定角色（如 Explore 和 Plan）以及利用 /goal 命令实现自动化。通过这些方法，可以将项目维护成本降至最低，实现真正的“人负责判断，系统负责执行”。
从零构建 LLM 的五个阶段：GPT 与 Claude 背后的完整技术管线
文章深入解析了构建大型语言模型的完整五个阶段，指出架构并非关键，数据、评估和系统才是核心。内容涵盖预训练、数据处理、扩展定律、后训练（SFT与RLHF）以及评估系统，揭示了从原始文本到智能助手的技术路径。