本文是作者于 2026-10-25 在 Muse 中真实跑通后整理的实战教程，介绍如何用提示词把 Muse 组建成「主管 + 专员」的 AI 团队。文章讲解主管（主聊）与专员（子代理或旁聊）的区别与协作方式，提供主管提示词、派活模板、编码/审查/文档等专员提示词，并给出 5 分钟上手的 4 个步骤。作者通过「今日待办」实测发现专员自检不可靠，强调重要交付需加审查专员复核，并总结了路径写法、上下文记忆、安全红线等 6 个常见误区，最后给出日常使用流程和常见问题解答。
作者在 Claude Code 中构建了一个'Roast Room'，用基于 Jeff Bezos、Warren Buffett、Alex Hormozi 等知名企业家公开资料塑造的 AI 顾问委员会来辅助商业决策。每位顾问拥有独立的 agent 文件和'大脑'资料库（包含决策规则、框架、立场和故事），各有不同的审视视角。用户给出决策、备选方案和背景，顾问们相互辩论并输出可下载的结论 PDF。作者还开发了 New Roaster 技能来快速添加新顾问（如 Elon Musk），会话记录保留在本地文件中便于事后审查。最终决策仍由作者本人做出。
文章系统讲解了构建生产级 AI Agent 的五个层次：上下文工程、循环工程、Jev 工程、Harness 工程和评估工程，并以新员工类比逐一解释。核心内容包括：上下文窗口管理（稳定内容前置、利用 prompt caching、工具过多时改用搜索、用子代理减少主上下文占用）；循环与工作流的区别（能否预先写清步骤），强调循环需要明确目标、外部检查器等四要素。每个层次都配有构建方法与面向初学者的捷径方案（通过 Viktor 这类 AI 员工工具实现）。目标是让小团队用可靠的 Agent 承担重复性工作，实现不增人力的规模扩张。
文章介绍如何利用开源 MCP 服务器 REA（Reverse Engineer Anything）和 Claude Code 的子代理机制，搭建一个四角色的逆向工程团队。作者指出单一会话在处理大量反编译函数时会积累错误推断并自我审查失效，因此设计了四个分工明确的代理：Analyst 负责 REA 分析并标注证据、Spec Writer 只输出行为规格、Rebuilder 在隔离的 clean 容器中仅凭规格重建代码且无 REA 工具权限、Verifier 对比原始与重建版本的匹配率。文章提供了从安装 REA、环境隔离、到各代理配置文件的完整 7 步搭建指南。
文章介绍如何通过配置优化 Codex 的额度消耗：主线使用贵的 GPT-6.1 Sol 负责思考决策，把读文件、搜代码、跑测试等杂活派给单价仅为二十分之一的 GPT-6 Luna 子代理。作者给出 6 段配置：让 Codex 自动配置、设置默认子代理模型、创建只读侦察兵 scout 和执行修理工 fixer 两个子代理、在 AGENTS.md 写入自动派活规则、日常派活提示词，以及在 ChatGPT 普通聊天中先聊透需求生成任务单。还提醒避免 Fast 模式、滥用子代理等白烧额度的坑，附具体配置文件与提示词模板。
文章介绍 Pace 公司如何在其保险文档提取 Agent 中实现自我改进。系统通过三个核心机制优化：1) 子代理委派——基于历史运行构建字段关系图，优化 fanout 分组，减少重复工作，降低 19% 成本和 16% 延迟；2) 模型路由——利用历史 trace 学习各子代理任务难度，将子任务路由到合适模型，部分场景成本降低 68% 且无精度损失；3) 上下文优化——通过 Review Agent 诊断错误根因、Proposer Agent 提出经验证的上下文或 Harness 修复，使每流程提取错误减少 75%。核心论点是随任务积累，系统可持续逼近最优的委派、模型与上下文组合。
Google 一年前推出的 A2A 协议已发展到 1.0 版本，获得 150 多个组织支持并进入 Agentic AI 基金会。但同期 MCP 能力日益强大、Agent 运行时的编排能力提升、长时任务转向持久化工作流、共享状态协调等方式，都在减少 agent 之间需要独立寻址通信的场景。文章分析了四种架构趋势：agent 藏身于 MCP 能力之后、子代理成为运行时内部原语、单一协调代理面向多个 agent、软件工厂按工作任务组织 agent、以及传统工作流编排器从顶层协调 agent，认为显式 agent-to-agent 协议的需求可能并不常见。
本文介绍 LangChain Deep Agents 中的多智能体上下文管理机制。大多数 harness 支持子代理功能，监督者代理委派任务给子代理以实现并行推理和上下文隔离，但隔离的子代理可能重复收集监督者已有的上下文。为此 Deep Agents 引入上下文模式（context modes）：isolated（隔离模式）子代理以全新上下文启动，仅接收任务描述；fork（分叉模式）子代理继承监督者的完整对话历史，借助 prompt caching 更快更省。文章给出选择原则：worker 类代理（延续监督者已完成诊断的工作）适合 fork 模式，verifier 类代理（独立评审代码）适合 isolated 模式以避免锚定偏差，researcher 类代理处理独立问题时用 isolated 更利于并行。上下文模式与工具、中间件一样，是特化子代理的重要手段。
OpenAI 在 GPT-6 Astra 发布时提供了 11 段官方提示词，帮助用户减少模型中途停顿、跑偏和套话问题。作者将其按场景整理为中文版并附英文原文，涵盖五大类：主动性与持续推进（让模型自主完成任务、先准备成果再请求批准）、指令遵循（用户指令优先于 Skill、冲突时说明规则）、表达与写作风格（先讲重点、按读者调整细节、删除套话与模板表达）、子代理任务分派（并行委派、消息可读性）以及测试与验证（测试范围与改动相称）。涉及文件修改、部署等条目需在 Codex、API 或 Agent 环境中使用。
文章介绍了 OpenAI 发布的 GPT-6 Astra 的新特性与官方 Prompt 最佳实践。新特性包括：异步工具调用（模型层面支持执行工具时继续其他任务）、中途引导（可通过 Responses API 插话修改生成方向）、按任务难度切换推理强度并保留缓存、偏离检测（后台异步审查模型意图与行为）以及推理档位限制。Prompt 实践方面涵盖主动性执行、指令遵循（用户指令优先于 Skill）、写作风格去 AI 味、子代理委托和测试验证等场景，并给出了具体可复用的提示词示例。作者重点分析了去 AI Slop 的写作配方，认为官方 Prompt 在个性化和写作方面优化明显。
作者 Nick 分享了他如何用 Astra（在 Codex 中）制作 ChatGPT 官方 Instagram 内容。他把素材拖入 Codex，通过自制的 UGC Video 插件描述故事和节奏，Astra 通过转录和帧分析自主选择镜头、剪辑、加字幕并用 FFmpeg 合成，还会用子代理循环审查输出，比如让模糊遮罩跟随滚动文本。长视频可以自动剪出短视频片段，动效设计则通过提供代码库上下文、先定静帧再动画化完成。整个流程只需约 30 分钟拍摄加零散 10 分钟审查即可当天产出成品视频。
本文是 Hermes Agent 的常见问题解答合集。作者在首次发布后收集了社区 100 多条回复中最常出现的问题，结合 Reddit、X 和 Discord 上的高频提问，整理成一篇 FAQ。内容涵盖核心概念（session、project、profile、bot）、四大配置文件（SOUL.md、AGENTS.md、MEMORY.md、USER.md）、模型选择与切换、首次使用建议、远程服务器连接、成本优化、记忆机制、本地部署的硬件要求与常见问题（工具调用失效、首条消息慢、上下文窗口过小导致遗忘）以及子代理使用不同模型等高级用法。所有答案均经过官方文档核对，适合新老用户快速上手和排障。
文章探讨了构建软件工厂时最困难的问题之一：如何将人类语言描述的大型目标拆解为代理可执行的具体工作。作者梳理了五种逐步演进的方法：直接委派子代理（如 Claude Code、Codex）、可追踪任务系统（如 Gemini CLI、OpenAI Symphony）、工厂形态的工作结构（如 Warp）、结果关联的工作（如 Factory 的 Missions），以及动态工作图。作者指出，随着代理日益自主，系统本身需要围绕模型构建自己的智能来塑形、追踪和修正工作，这是软件工厂区别于普通代理框架的关键，也是当今 AI 领域最有趣创新的方向。
文章探讨agent harness在长时任务中的关键作用。原始模型本身是无状态的，没有持久执行循环，agent harness为模型提供执行系统，包括模型循环、MCP工具连接、技能、沙箱执行、子代理、上下文压缩、审批检查点和持久会话等能力。作者以开源项目TrueForge为例，演示构建一个网页研究agent：通过MCP接入Exa搜索，启用web-artifacts-builder技能，在沙箱中执行代码。文章还讲解渐进式披露策略，避免大量工具定义占用模型上下文窗口，强调开源harness在agent工程中的重要性。
本文深入解析了DeepSeek Harness的设计哲学，强调“事实有据，权限有度”的核心理念。文章通过多个实例展示了该框架如何将Agent状态管理、工具调用、子代理运行等关键环节转化为可验证的运行时契约，确保每个重要事实都有明确的拥有者，并通过原子比较、权限控制等机制避免状态不一致和越权操作。作者认为，DeepSeek Harness的精华在于其架构设计原则：为每种能力明确truth owner、authority gate、durable record、model projection和recovery rule，从而将隐性边界转化为可测试的契约。
本文批判了多步骤AI代理中常见的线性链式结构，指出其低效且易出错。作者提出用图结构（节点和边）来设计代理工作流，并给出了14步路线图，涵盖节点契约、数据边、并行扇出、汇聚、条件路由、验证器、错误隔离、循环收敛、模型分层、成本优化等实践。核心思想是利用Claude Code的动态工作流功能，通过JavaScript脚本编排子代理，实现高效、可扩展的代理系统。
文章介绍了图工程的概念及其相对于循环工程的优势。循环工程在复杂任务中受限于线性执行，无法并行处理。图工程通过构建节点和路径的网络结构，实现任务的并行执行和分支管理，显著提高效率。文章提供了构建图的四步法：审计现有循环、识别可并行任务、绘制图结构、使用提示词在Claude中部署图。
文章介绍了构建消耗Token减少90%的自管理Agent系统的五个步骤：将上下文移出窗口、使用子代理处理脏活、利用自管理内存、避免破坏缓存以及手动管理上下文。强调了通过优化上下文管理和缓存机制来降低成本和提升效率的重要性。
文章基于 Lilian Weng 的新作，提出未来 AI 的竞争壁垒将不仅是模型本身，更是包裹模型的 Harness 层（运行系统）。文章深入探讨了 Harness Engineering 的关键要素：文件系统作为持久记忆、子代理并行架构、上下文工程（Context Engineering）从拼接转向认知接口设计，以及优化目标从指令提示词向系统级递归改进的演进。对于构建 Coding Agent 和复杂自动化系统的开发者来说，设计运行时和工作流的能力将比单纯的模型参数更为关键。
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。
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。
文章深入探讨了在构建复杂 AI 系统时，如何在“子代理”和“代理团队”两种架构模式之间做出正确选择。作者指出，大多数系统错误的按角色（如规划员、开发员）拆分，导致上下文丢失；正确的做法应是基于上下文边界进行拆分。Sub-agents 适用于独立的、需要隔离和并行处理的任务，专注于执行；而 Agent Teams 适用于需要深度协作、上下文共享和实时协调的复杂依赖任务。文章还总结了提示链、路由、并行化等 5 种核心设计模式，并强调了从简单开始、按需增加复杂度的原则。
文章指出工程师的关注点已从 IDE 转向 AI Harness，并介绍了提升 Harness 输出质量的关键方法。核心策略包括：保持配置文件（如 .md）精简，采用渐进式披露原则以节省上下文；利用 R.P.I 框架（Research, Plan, Implement）像资深工程师一样分解问题；以及通过子代理清理主上下文窗口。文章强调，Harness 的核心在于工程判断力。
