文章指出大多数人在错误的层面修复 AI Agent 问题：模型失败时反复改提示词、换模型、加工具，却忽略了真正的问题是模型周围的环境——Harness。Harness Engineering 是构建围绕模型的系统，决定模型能看到什么、能做什么、记住什么、如何判定成功与失败。作者提出六大实践：将请求转化为带完成条件的任务契约；用渐进式披露提供项目地图而非塞满上下文；在模型与工具之间设置网关校验与策略授权；将记忆（事实、决策、状态、经验）移出对话外部存储；以可观测证据作为任务完成的门槛，优先用确定性检查。好的 Harness 能提升每一次运行的质量。
本文介绍了三种提升编码代理（Agentic）生产力的 Markdown 架构模式：AGENTS.md、DESIGN.md 和 SKILL.md。AGENTS.md 为代理提供项目全局指导，基准研究显示可减少 26% diff 大小、27% 耗时和 25% token 消耗，建议保持约 12 行简洁内容。DESIGN.md 由 Google 于 2026 年推出，通过描述性文字和 YAML 设计 token 固化设计系统，保证 UI 一致性。SKILL.md 提供可复用的任务流程指令，按需渐进加载以节省 token，且可复用于非编码业务场景。作者建议将规范纳入版本控制，像对待源码一样严格管理 Markdown，并警惕第三方 skill 的安全风险，从而规模化提升团队的智能体工作流效率。
文章介绍如何将 Claude Opus 5.5 变成一个完整的动画制作团队，通过设立导演、艺术总监、动画师、渲染工程师和评审五个“部门”，让一个 agent 依次完成故事策划、视觉设计、动画编码、渲染和质检的全流程。作者强调关键不在模型本身，而是围绕模型构建的生产系统：使用 Claude Code 作为 agent、Remotion 作为视频框架、FFmpeg 处理媒体。模型不直接生成像素，而是编写产生帧的代码，使首个视频成为后续的基础。真正的“一次成型”背后往往是详尽的提示词、参考资料和生产环境，工作室化流程才是可复现视频创作的核心。
本期早报聚焦三大主题：一是Anthropic内部研究揭示AI如何重塑用工方式，初级技术岗占比从27%降至9%，员工角色从执行转向定义任务、分流输出与验证结果，判断力成为核心能力；二是LangChain创始人Harrison Chase谈智能体系统中模型、运行框架与上下文三层拆分，强调路由价值来自对任务结构的理解，并分享记忆与持续学习的实践经验；三是DeepSeek V4.1 Flash新版本发布，强化从零构建完整项目能力，开放Search/Fetch接口并单独计费。速览部分涵盖AI成本优化、智能体评估实操、美光存储产业史与AI安全等七篇内容。
本文提出了2026年LLM工程路线图，指出与LLM工作不只是提示词，生产级系统需要对LLM的工程化、部署和优化有深入理解。文章总结八大支柱：提示工程（将prompt当作代码管理）、RAG系统（嵌入、检索、重排）、上下文工程（管理上下文窗口中各类信息的取舍）、微调（LoRA/QLoRA等技术）、Agent（工具调用循环与编排、状态管理、重试逻辑），并为每个领域提供了大量免费开源学习资源，如Anthropic、OpenAI官方指南及多个GitHub教程仓库。
文章提出'研究工程'（Research Engineering）的实践方法，指出常见AI搜索工具只是'带浏览器的流畅回答'，其核心缺陷在于缺少支撑证据的系统。作者提出一个与模型无关的六阶段研究工作流架构：定义研究简报、拆解查询计划、搜索与抓取、记录证据账本、验证声明冲突、生成带来源报告。文章强调要给agent明确的研究契约（含范围、时间点、比较维度、停止条件），将问题拆成目的不同的并行搜索通道，而非让多个agent读同样的资料制造虚假共识。还介绍了多源检索策略（开放网络、X、私人文档库、数据库/API），核心目标是让AI返回更少的不受支持的声明，并持续追踪'它如何知道自己所说的是真的'。
文章介绍如何围绕 Claude Opus 5.5 构建程序化视频生产系统。作者 rari 指出，大多数用 Opus 5.5 制作的demo千篇一律，差异不在提示词，而在模型周围的系统工程。核心思路是让模型编写帧函数，渲染器跨时间轴生成视频，从而实现可控、可修订的视频制作。文章提出工作室五层架构：导演（明确目标）、参考（视觉规范）、时间轴（叙事节拍）、渲染器（Canvas/SVG、Remotion、HyperFrames）和评审循环，强调把决策显式化，避免模型用默认视觉方案填充空白，最终产出可复用的视频生产流程。
本文系统讲解如何像招聘员工一样引入和管理 Grok Bot 等 AI Agent。作者指出常见错误是创建机器人后立刻连接所有工具并交给模糊任务。正确做法包括：定义岗位而非任务，用一句话职责加五个字段（职责、输入、可自主执行、需请示、完成标准）写成岗位说明书；首个任务应选择高频且可逆的简单工作；正式执行前先让机器人以文本形式说明计划；完成标准必须可检验而非模糊的质量词汇；权限遵循最小化原则，以可逆性划界。整体框架包括试用、考察期、基于证据的晋升和每周复盘。
文章介绍了 AI PM OS——一套面向产品经理的 Agent Skill 体系。作者强调：与其信任模型凭提示词自由发挥，不如为 Agent 配备结构化技能，确保输出质量稳定。核心方法论是'监督比你更聪明的人'：通过间接提示让 Agent 自己复述问题、避免被先入为主的假设带偏，并用 /first-principles、/mckinsey-issue-tree、/causal-tree、/jtbd-forces 等技能栈按'定义问题、选择赌注、理解用户、定义成功、塑造构建、写作、推动组织'分阶段组织工作。同时利用记忆和历史会话，让 Agent 继承过往决策背景，提升产品判断力。
本文深入探讨了 Claude 模型中 effort（努力程度）参数的作用与使用策略。作者通过实验和 Terminal Bench 3.0 基准测试分析发现：effort 本质上是控制模型在任务上投入的算力与自主判断程度。高 effort 在验证和边界测试重要的场景（如硬件、代码审查、安全）表现更佳；低/中 effort 则适合快速迭代、保持人类在环。作者还比较了不同规格化程度任务在各级 effort 下的输出差异，并总结出一套高效工作流：先让模型访谈自己补全规格，用低 effort 实现，人工审查后，再用高 effort 做验证和测试。
文章借用维特根斯坦的语言澄清思想，探讨在顶级模型时代提示词的意义。作者认为提示词的核心不是魔法措辞，而是澄清需求：语言可以把模糊的愿望包装成看似完整的指令，如'更好''漂亮''最佳'都缺少参照和取舍。作者指出说不尽的美学偏好可以通过示例和参照来沟通，澄清需求可以是对话的成果而非前提。好的提示词是：能说清楚的说明白，难以说尽的给参照，存在冲突的讲取舍，最后检验结果。
本文探讨软件工程师如何转型为AI工程师。作者指出AI工程师日常工作中约80%仍是传统软件工程，核心是将现有AI模型（如GPT、Claude）集成到真实产品中。软件工程师已具备编程、API、数据库、系统设计等基础，只需补齐六大AI专项技能：理解LLM工作原理、调用LLM API、保证输出可靠性（提示工程与结构化输出）、掌握RAG与向量数据库、学习编排与Agent、以及LLMOps生产化运维。作者建议通过构建作品集、在团队中主动承担AI功能、使用AI工具提升效率来加速转型，强调转型并非抛弃既有技能，而是在其上叠加AI层。
本文是 pstack 指南的第二部分，探讨如何利用 pstack 进行调研、规划、原型设计和架构。作者强调验证是基础，但之后需明确构建目标。文章介绍了间接提示、/teach、/how、/why、/recall 等技巧，帮助代理理解意图和上下文，并指出历史记录是丰富上下文的金矿。最后讨论如何指定解决方案，避免过度指定实现细节。
GPT-6 Astra于2026年9月3日发布，带来了计算机使用范式的重大转变，在ARC-AGI-3等基准测试中表现优异。然而，用户面临会话限制快速耗尽、访问权限受限以及回归问题等实际挑战。本文详细介绍了Astra的改进与问题，并提供了针对会话限制、受限访问和计算机使用范式的具体提示调整策略，帮助用户在生产环境中有效使用该模型。
文章系统介绍 ChatGPT Pro 模型的完整用法。首先说明 Pro 是带独立沙箱的对话模型，仅 100/200 美金订阅用户可用，适合复杂规划、高风险分析、难代码题等场景。进阶技巧包括：连接 GitHub 让 Pro 分析仓库并出方案、在 Codex 客户端内带项目上下文调用 Pro 对话、通过 MCP 项目（codex-chatgpt-web）将 Pro 接入 Codex 实现本地工具调用协同，以及反向桥项目 codexpro 让 Pro 反向操作本地文件。作者推荐最实用的是 Codex 内带上下文使用 Pro，可用于调研、出方案、review 代码等，并提醒应对降智路由的方法。
本文深度解读 Claude Code 开发者 Thariq Shihipar 的 70 分钟访谈，揭示 Anthropic 内部如何用 AI 做工程。核心观点包括：工程师抽象层级必须上移，把 Claude 当思考伙伴；知识工作皆可代码化；模型越强 harness 越复杂；自主性取决于 ticket 质量；提示工程被重新定义为注入上下文的一切；品味成为稀缺资源；验证能力重要性暴涨（测试代码需多 100 倍）；写作与信任文化规范；以及 loop engineering、生成式界面等将扩散到全行业的转变。
OpenAI 的最新模型 GPT-6 Astra 能力大幅提升，过去用于强制模型运行测试、逐步思考等行为的旧提示词反而会拖累表现。文章总结了 Astra 需要显式提示的五大行为：主动性（过早停下来提问）、指令优先级冲突、默认过度 Markdown 的写作风格、子代理委派不足、过度测试。作者提出一个 8 块提示框架（目标、上下文、优先级、自主性、工具、输出、验证、停止条件），并强调按需选用。文中还给出清理过时指令文件、编写 Skill 文件的三条规则，以及控制文风、抑制套话的具体提示词模板，帮助开发者适配新模型的提示工程实践。
作者介绍了一个基于 GPT-6 Astra 与 Codex 构建的销售线索外呼机器人系统。该系统通过 profile.json 定义产品offer与理想客户画像（ICP），利用 AGENTS.md 约束 Agent 行为，自动搜索近期商业事件作为购买信号，验证公司与买家信息，并起草待人工审核的外联消息。文章详细讲解了四个实施步骤：为模型设定具体任务、将 offer 与 ICP 结合、选择能改变工作方式的信号、寻找能解释时机的信号组合。仓库包含信号目录、验证规则和示例，所有产出均附带来源链接与联系理由，代码免费开源。
文章系统讲解如何编写 AI Skill：从用一句话加 SOP 封装出第一个 60 分的 skill，到通过把目标改写为动作、补充约束、设计自由度和提高词表颗粒度来提升到 90 分。作者拆解了摄影 skill 和封面 skill 两个开源案例，指出高手的秘诀在于将模糊概念拆成可执行的词表和明确的「不要」清单。还介绍了如何让 AI 递出陌生领域的行话词表，并澄清了 skill 与提示词、智能体的区别。全文强调约束和颗粒度决定 skill 的专业程度。
本文以给家里长辈制作手机使用说明为完整案例，故事化地讲解如何使用 GPT-6 Astra。作者强调先明确读者与使用场景，分步提供截图等真实材料，先试做一页小样验证可行，再看图提问并把问题缩到一个动作；同时区分模型能力与产品功能入口，明确哪些问题需要向用户确认、哪些可自行决定。修改时只重做受影响部分，去除AI味的套话，最终交付可打印文件并逐项核对，还需让真实用户试用反馈。核心是教读者一套具体、可验证、可复用的AI协作与提示方法。
文章讨论了随着编码代理模型的快速演进，过去的提示与指令实践已不再适用。作者以 GPT-6 Astra 为例，指出项目中积累的大量臃肿指令（Skills、AGENTS.md、任务提示）需要重新审视。核心建议包括：Skill 描述应尽量简短、采用渐进式披露的文档结构、避免过度详细的流程式指导；AGENTS.md 中应移除不必要的文件阅读和测试要求，因为新模型已有更强的自主判断力；要注意决策边界的表述，明确任务完成定义以避免模型过早停止。作者建议借新模型发布之机对仓库指令做一次全面清理和审计。
文章提出 Skill 本质是一个微型 Harness，一个完整 AI 工作系统包含六层：信息边界、执行编排、记忆与状态、工具系统、约束恢复、评估观测。作者给出六步写作法：先写 description 作为触发开关，再按任务脆弱程度定正文松紧，超过 500 行的资料拆成参考文件，重复操作固化为脚本，写明失败时的默认行为，最后用真实任务验证迭代。文章强调 description 是主要触发机制、模型天生欠触发、上下文窗口是公共资源、卡的下限由失败处理决定等实战经验，并提供最小可用卡模板和发布前检查清单。
本文介绍如何用 Claude Code 等 AI Agent 从零搭建个人财务决策系统。文章分四步：先让 AI 整理银行流水、账单等资料，看清现金、资产、负债和未来支出；再让它拆解大额支出决策，比较一次付清、分期、推迟等方案对现金流的影响；然后解释现金、资产、负债、安全线四个核心概念；最后强调安全边界——AI 只做分析，不登录网银、不转账付款。文末附上完整提示词模板，可生成财务概览、重大支出分析和每周财务摘要三个文档。
文章面向新手讲解如何为 Claude Code 和 Codex 制作个人 Skill，解决每天重复向 Agent 解释工作流程的问题。作者介绍 Skill 的本质是一个包含 SKILL.md 的目录，依赖渐进式披露机制；提出判断任务是否值得封装为 Skill 的三个信号（重复出现、依赖专有知识、错误成本高）；建议从成功协作会话中逆向工程提取 Skill，或先跑无 Skill 基线记录失败点再写规则；并详细分析三大坑：description 模糊导致不触发、把任务写成死板 SOP、SKILL.md 过长，给出 SKILL.md、references、scripts、assets 的合理拆分方式及三层验证与维护方法。
文章探讨了企业中AI智能散落在私人对话中的问题，提出构建“公司大脑”的方法：将团队对AI的每一次纠正、决策和有效工作流转化为全员共享的资产。核心做法包括发现团队AI工作中隐藏的智能、给每个Agent提供统一的公司地图、把纠正转化为共享学习，并在总部构建第一版。文章还提供了可直接使用的文件夹结构、地图文件模板和纠正循环等实操方案，强调“学一次，惠及所有人”。
作者基于在高盛商业智能部门的职业经验，总结出使用AI的五步框架VAULT：验证（Verify）输入与输出的正确性，数据质量决定AI质量；增强（Augment）而非替代，已知流程用确定性自动化，需要判断力的工作才用AI；理解（Understand）问题本质，先明确目标再选工具；人类介入（Loop）关键决策环节，监督程度应与行动后果匹配；保持系统透明（Transparent），便于审查和交接。文章强调AI不是万能药，用错数据只会更快地得出错误答案。
本文提供了一份从零到可就业的 AI 工程师分阶段学习路线图，区别于单纯的技能清单，每个阶段都附带经过验证的优质课程、文档和书籍。路线涵盖六个阶段：软件工程基础（Python、API、Git）、LLM 工作原理（Karpathy 课程、3Blue1Brown）、提示工程与 API 掌握、RAG 检索增强生成（最具就业价值的技能）、Agent 与编排（LangGraph、MCP）、以及评估与生产部署。作者建议用 8-12 个月完成学习，并强调构建真实项目组合和公开写作是获得雇佣的关键。
本文总结了最新的学术研究，揭示了提示工程中的关键原则。作者指出，随着AI模型的快速发展，旧的提示技巧已过时，并基于最新论文提出了五个核心建议：不要以“对吧？”结尾、忘记“逐步思考”、不信任模型的自信、最多三条规则、目标优于示例。文章还提供了实用的提示模板，帮助读者更有效地与AI交互。
作者分享使用 GPT 生成复杂引擎可视化图像的经验，对比了早期提示与最新提示在 GPT 5.6 Sol 评分上的差异。文章展示了一个用于生成豪华摩托车发动机工程海报的详细提示词，包括系统指令、语义求解、构图、风格 DNA、输出和负面提示，并附有生成的图像。
本文提出AI系统构建的完整五层架构：提示、上下文、工具、循环和图。作者指出，大多数AI系统问题并非模型本身，而是出在某一具体层上，且常被误诊。通过详细表格和实例，文章解释了每层的功能、失效模式及成本，并强调各层并非替代关系，而是层层包裹。核心观点是：修复错误层不仅浪费时间，还可能使问题恶化。文章提供了诊断指南和优化建议，帮助读者准确识别并解决AI系统瓶颈。
