作者记录了在天津职业大学为职业本科教师开展两天智能体工作坊的过程，讲解如何用 WorkBuddy（Agent 类工具）将两门专科旧课合并开发出一门职业本科新课《包装材料应用和检测技术》。文章首先厘清三个底层认知：Agent 不同于 Chatbot，具备工具、状态、循环三大能力；上下文是 AI 不知道但对任务至关重要的信息，应让 Agent 自行从本地文件获取；工作空间是房子、上下文窗口是桌面，文件夹须分类清晰。实操部分演示了用 SGP 提示词让 Agent 先盘点 37 份材料、找出 27 处矛盾，再通过建立 CODEBUDDY.md 系统提示词和 00_项目总览.md 项目分身文件，实现文件夹分区管理、原始材料只读、事实区分已确认与待核实等协作规范。
本文分享 NotebookLM Video Overview 功能的系统提示词，展示如何通过多步协同创建工作流将原始素材转化为电影级视频。提示词详细定义了上下文收集（利用笔记本摘要、对话历史和隐含偏好预填充字段）、用户意图解析与消歧（区分已有产物与新建创作、处理重新开始与卡片废弃）、翻译与本地化规范（界面字符串翻译为用户语言但保留结构标识符），以及问卷卡片和审核卡片等多步骤协作流程。
斯坦福大学 Mihail Eric 教授开设的「AI 原生软件开发」课程 CS146S 首周资料公开。第一周主题是拆解 Coding Agent 内部机制：LLM 是无状态的文本到文本函数，agent 的能动性来自外部循环，即 agent = LLM + 工具 + 循环。课程用 200 行代码复现 Claude Code 骨架，讲解核心循环设计、read/write/edit/bash 四个最小完备工具集，以及 Claude Code、Cursor 等生产级 agent 系统提示词的结构分层：身份锚定、工具规则、工作流规范、安全边界和沟通风格。课程旨在 demystify：agent 没有魔法，骨架与产品的差距全是可学习的工程问题。
文章从底层原理出发，以 Claude Code 为例深入解析大模型的上下文管理。作者指出即使上下文窗口达到 1M，上下文管理依然必要，核心原因是 KV Cache 前缀缓存机制（保证前缀一致可大幅降低推理成本）和注意力稀释问题（上下文过长过杂易引发幻觉）。文章详细拆解了 Claude Code 约 25K 系统提示词的组成，将上下文分为静态指令层、弱动态层和强动态层三层结构，并介绍了 Skill 渐进式加载、工具延迟加载、Memory 硬截断等剪枝手法，以及 CLAUDE.md 规则文件的五类分级组织形式与自顶向下的装配顺序原理。
本文介绍 GPT-6 Astra 相比旧模型在行为上的变化：它会自主跑测试、检查结果、主动提问澄清，导致旧提示词和 AGENTS.md 反而拖累效果。文章提出一个 8 模块提示词框架，覆盖自主权策略、指令优先级、文风控制、验证范围、子 Agent 委派、停止条件等，并给出可直接复制的提示词和常见工作流（Bug 修复、研究、写作、多 Agent）模板。还总结了 12 个常见坑、API 迁移要点和提示词检查清单，帮助开发者针对 Astra 重构指令配置。
文章介绍了用AI推进真实项目时面临的两大痛点：材料多且杂导致AI抓错文件，以及新开对话后进度全丢失。作者提出「项目分身」方法：一是将项目文件夹规范为四区（01原始材料只读、02过程草稿、03内容底稿、04交付成果）；二是在根目录建立两份核心文件——CODEBUDDY.md写长期规则、00_项目总览.md记录动态进度，实现规则与进度物理分离。文章还讲解了用户提示词与系统提示词的区别、AGENTS.md跨生态通用标准及全局与项目规则分层，附上开箱即用的初始化提示词，并以「换对话不换文件夹，AI 10秒无缝接手」作为硬验收标准。
本文系统讲解 DeepSeek 开源的 Agent 框架 DeepSeek Harness。作者从 Agent = Model + Harness 的公式入手，解释 Harness 如何将模型的意图转化为受约束、可持续的行动，涵盖插件化架构（Everything is a Plugin）、Profile/Bundle/Patch 配置体系、Cordis 插件管理器及其时空可组合性与 Fiber 生命周期、Agent Loop 中 Turn 与 Step 的执行流程、Inbox 输入机制、事件系统以及每个 Step 重新组装 System Prompt 的设计。文章配有大量名词解释与图片，兼顾零基础读者与技术人员。
作者分享了一个名为 SKYCOURT MERIDIAN 的系统提示词，用于将用户的文本或图像改写为适用于 GPT Image Gen V2 或 Nano Banana Pro 的完整图像生成提示。该系统包含三大空间结构：Processional Meridian 构建从观者到目的地的通行路线，Dynastic Threshold 设置近景锚点与终点主体，Orbital Vault 营造云层深度与天体尺度。提示词详细规定了中式宫殿建筑元素、四级景深、光影配色、细节密度分布等约束，并区分 GPT 与 NANO 的不同输出格式。
文章探讨了在 Agent 表现不佳时，不应单纯归咎于模型或增加系统提示词，而应关注上下文和控制信息的介入时机与范围。文中列举了七种常见的上下文添加方式：用户提示词、系统提示词、作用域指令、技能、工具、引导和委托，并分析了它们在时机、范围和持久性上的差异。
本文深入解析了 Claude Code 创始人 Boris Cherny 的日常工作流与核心理念。他指出，Claude Code 的最佳使用方式已从传统的“单次提示”转变为“设计循环”，即通过多会话和子智能体构建自动化的系统。文章探讨了系统提示词的演进逻辑，并分享了如何像 Anthropic 内部团队一样高效编写 CLAUDE.md 文件：将 Claude 视为一名能力极强但患有失忆症的新员工，仅提供必要的全局指令与渐进式上下文。
Anthropic 工程师 Thariq Shihipar 分享了构建 Claude Code 的发现，团队删除了 80% 的系统提示词后性能未受损。文章介绍了“4层上下文审计”框架，指导如何清理常驻指令、记忆、知识文件等冗余信息，以适应新模型的高推理能力，避免过度指令导致的性能下降。
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。
文章探讨了如何利用 Claude 将重复性手动工作转化为自动化工作流。与传统的问答式聊天不同，工作流包含角色、工具、触发器和输出四个要素，能够按计划自动执行任务。文章详细列举了针对内容创作者、自由职业者和分析师的具体工作流案例，如趋势监控、报告生成和邮件跟进，并提供了构建工作流的具体步骤，指导读者在 30 分钟内部署第一个自动化流程。
文章指出大多数用户仅将 Claude Projects 视为带标签的文件夹，错失了其构建定制化 AI 员工的潜力。作者提出了由身份、规则、流程、输出格式和知识文件组成的六步项目蓝图，通过具体指令和约束，引导 Claude 精准理解用户语调、受众及工作流，从而输出高质量、个性化的内容。
文章指出企业主不应只依赖通用的 AI，而应构建基于特定专家思维的“AI 运营助手”。作者介绍了四种架构模式：策划而非抓取、优先使用字幕、提炼而非倾倒数据以及评估后再信任。此外，文章提供了一个包含四个部分的系统提示模板，并展示了六种针对不同业务场景（如定价、销售、运营等）的“专家模式”，旨在通过 AI 实现业务流程的自动化和优化，解决实际瓶颈。
这是一份 Claude 的设计系统提示词，旨在指导用户通过协作的方式，利用 HTML 创建经过深思熟虑、工程化良好的设计交付物。文档详细规定了工作流程、输出规范（如文件命名、代码拆分、版本控制）、技术限制（React/Babel 版本、样式对象命名）以及设计方法论（探索现有资源、提供多选项变体）。此外，还涵盖了文件跨项目访问、上下文管理、提问技巧等操作指南。
本文深入剖析了 OpenClaw 庞大的系统提示词构成，详细解读了从源码注入、工具定义、技能索引到 AGENTS.md、SOUL.md 等八大核心文件的运作机制。文章通过 Modelbox 抓取真实日志，揭示了 16k Tokens 消耗背后的“底牌”，并针对 Token 冗余、记忆加载等问题提出了优化建议。
本文详细拆解了 Hermes Agent 长达 1 万 token 的系统提示词，将其分为 9 层结构进行分析。作者发现主要的 Token 消耗集中在 AGENTS.md 项目开发指南，并提供了通过调整 `TERMINAL CWD` 路径来减少 50% Token 消耗的优化技巧。文章还涉及 Memory 管理、Skills 索引及平台适配等技术细节。
