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。
本文介绍了如何利用 Agnes 平台的免费 API 和 Hermes Agent，零成本构建支持文本、图像和视频生成的全模态 AI 工作流。文章详细讲解了从部署环境、配置模型到自定义生图 Skill 的全过程，并展示了批量生成绘本等实际应用场景，验证了免费模型在高质量任务中的可用性。
文章指出，尽管循环工程备受关注，但决定代理上限的核心是其下层的“基座工程”。作者提出了从单代理到自我进化系统的 14 步路线图，涵盖基座定义、核心配置（记忆、权限、子代理）、技能封装、钩子强制执行、循环自动化、动态工作流编排，以及通过状态文件实现系统自我进化的方法。
文章介绍了作者构建的“Karpathy风格”知识栈，该系统将Obsidian（本地笔记图谱）、Hermes Agent（自改进智能体）和MiniMax M3（长上下文推理模型）结合成一个闭环。作者解释了为何选择M3而非其他模型（如GPT-4），强调M3在处理大量跨文件引用和长循环任务时的稳定性。文章还详细描述了各层的安装配置与架构交互。
本文介绍了 Hermes Agent 社区开发的五个核心项目：Morph Labs 的性能强化版、阿里云的云端集体记忆、Felo 官方效率技能包、社区资源导航站及 WebUI 移动端指挥台。文章强调 Hermes 已超越单一工具范畴，成为生态化的深度 Hack 平台，建议开发者放弃原版，拥抱社区的高阶玩法以提升效率。
本文介绍了如何通过“自我改进循环”提升 Agent 的技能质量。作者以 Issue 分类为例，展示了如何构建双层循环架构：内层循环负责执行具体的分类任务，外层循环则根据人工反馈自动调整技能代码。利用 GitHub Actions 和云代理平台，系统能持续从历史交互中学习并优化自身。
文章介绍了由网红PewDiePie开发的并在GitHub迅速爆火的自托管AI工作台Odysseus。作者通过亲身实测，详细记录了该项目的安装部署过程，并逐一体验了其核心功能，包括多模型对比、模型菜谱、深度研究及任务自动化等。文章指出，Odysseus不仅整合了模型、数据和工具，更致力于构建一个私有的、个人掌控的AI工作环境。最后，作者也针对该工具的高权限风险提出了安全建议。
本文介绍了如何利用 Helio 平台将文章创作流程拆解为 5 个独立的 AI 同事（调研、大纲、标题、去AI味、封面）。作者通过自定义指令和协作机制，让 AI 团队自动完成接力，实现了从选题到全案初稿的自动化生产，创作者仅需最终拍板，极大提升了效率。
作者分享了 Hermes Analyst Agent 近期的重大更新体验。重点介绍了 Hermes Desktop 端的发布解决了 WSL2 下的文件访问痛点，提供了类似 ChatGPT 的可视化和配置管理界面。文章深入解析了“嵌套编排器（Nested Orchestrator）”功能，通过编排层和子代理的并行协作，显著提升了复杂研究任务的输出质量和深度。此外，还提及了 Stripe 集成和 Telegram 富文本支持等新特性。
本文探讨了“循环工程”（Loop Engineering）的概念，即从编写提示词转向设计运行 Agent 的系统。文章指出，尽管生成器很重要，但循环架构中的核心瓶颈其实是验证器。通过 Bun 移植 Rust 的案例，作者强调了无论内外循环，严格的质量验证和测试才是决定项目成败的关键。
本文介绍了如何利用 Codex 搭建自动化信息收集系统，以替代繁琐的手动搜索和整理工作。通过配置 AGENTS.md 设置上下文，利用 MCP 协议连接外部数据源，并结合 Skill 技能封装与 Automation 自动化功能，作者实现了对客户动态、政策更新和美股新闻的自动监控与整理。文中详细分享了从基础配置到多代理协作的实战经验，旨在将重复劳动转化为高效的工作流。
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。
文章探讨了软件工程的下一个阶段：软件工厂。该系统通过整合 AI 智能体，实现从需求到部署的端到端自动化闭环。文章强调了模型独立性、主权智能和持续学习的重要性，并指出工程师的角色将从单纯的代码编写者转变为构建自动化系统的架构师。
本文是一篇 GitHub 的保姆级教程，旨在帮助 AI 编程爱好者掌握 GitHub 的核心功能。文章详细讲解了 Git 与 GitHub 的区别、账号注册与双重认证设置、仓库的创建与搜索技巧、Issue 工单系统的使用，以及如何利用 Agent 辅助进行本地 Git 操作和项目部署。此外，还介绍了 Fork、Pull Request 等开源协作机制，并列举了通义千问、飞书等知名开源项目作为学习范例。
文章深入解析了 Claude Code 中 /goal、/loop 和 /workflows 三个核心命令的区别与用法。/goal 管理终点，适用于有明确验收标准的任务；/loop 管理节奏，适合定时轮询和值守；/workflows 负责监控多智能体并行工作。作者通过对比表格和实际案例，纠正了常见的混淆与错误用法，帮助用户根据任务类型选择正确的工具，实现从“一问一答”到“目标托管”的工作流升级。
文章指出许多人学习 AI Agent 时陷入了“工具焦虑”，盲目追逐 LangChain、MCP 等框架，却忽视了 Agent 的本质是一套围绕目标运行的系统。作者强调，真正的难点在于系统设计——理解工具调用、记忆、反馈修正及工程化约束，而非仅仅跑通 Demo。文章推荐 GitHub 项目 agent_learning，主张从 LLM 基础、Prompt 等底层原理开始，逐步构建从基础到工程化的完整知识体系，最终实现 Agent 在真实环境中的稳定运行。
作者开发了一款开源的 AI 插画生成 skill，并利用该工具将一篇关于阿里钉钉的长文《置身钉内》转化为 20 张生动的配图切片。文章通过这些切片，回顾了在钉钉的产品经历，深入剖析了组织管理、产品发心及旧系统技术债等问题。
文章介绍了为中小型教培机构搭建AI学情分析系统的商业模式。该模式通过“懂教育的老师”与“懂技术的伙伴”合作，提供自动批改、错题整理及学情分析服务，按年费向机构收费。文章详细阐述了合作门槛、获客步骤、常见陷阱（如落地执行难、技术合伙人响应慢、过度承诺）及成本核算，指出该项目的核心在于教育理解与技术能力的互补拼图，预估年收入可达10万以上。
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。
本文详细介绍了 Hermes Agent 的实战经验，包括从安装、部署到日常应用的全过程。作者分享了在 VPS 上搭建长期在线 Agent 的心得，探讨了如何通过模型接入（如 ChatGPT、Claude）实现 AI 资讯抓取、监控和自动化任务，并强调了 VPS 在 AI 时代作为云端工作台的重要价值。
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。
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。
本文介绍了利用 AI Agent 进行开发时，通过编写规范来提高构建成功率的方法。流程包括编写描述用户行为的产品规范、描述实现策略的技术规范，以及利用 Skills 进行编码、验证和 UX 测试。所有相关的 Skills 已在 GitHub 开源。
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。
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。
本文是一篇WorkBuddy的从0到1新手教程。文章指出WorkBuddy是国内口碑不错的通用Agent产品，相比Claude Code和Codex更对国内用户友好。内容涵盖安装登录、界面模式介绍（Ask/Plan/Craft）、专家与技能市场、腾讯生态连接及个性化配置，并演示了日常办公报告生成和网页开发两个实战案例。
本文对 GitHub 上四个热门 PPT Skill 项目进行了横向评测。通过使用同一份私域运营文档、同一模型和提示词，作者从视觉完成度、内容结构、中文适配、可编辑性等七个维度进行了严格对比。结果显示，ppt-master 以 93 分位居第一，胜在原生 PPTX 可编辑性高；guizang 视觉最强但不可编辑；html-ppt 适合网页演示。文章建议根据汇报、传播或素材库等不同场景选择工具。
本文介绍了 Anthropic 工程师利用 Claude Fable 5 模型的两个核心技巧：自校正循环和记忆机制。通过在 Parameter Golf 和 Continual Learning Bench 两个基准测试中的对比实验，作者证明了 Fable 5 在利用环境反馈进行自我迭代和跨会话记忆管理方面显著优于前代模型。
文章探讨了2026年AI工程范式的转变：从单纯的“提示词工程”转向设计自动化的“循环系统”。OpenAI与Anthropic的专家指出，工程师的角色已变为编写控制Agent的循环。文章深入解析了循环工程的定义、单体Agent与编队模式的区别，以及开放式与封闭式循环的差异。此外，文章重点讨论了循环模式带来的高昂Token成本问题，指出DeepSeek等低成本、大上下文的中国大模型是解决这一经济瓶颈的关键。
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。
