Thorsten Ball 分享了 2026 年 10 月他与 AI Agent 协作的工作方法：使用最新最强的模型，不必担心代码库积累 slop；提示时描述 What 而非 How；让 agent 贯通整个软件开发生命周期（运行、部署、看日志、处理 bug 报告），并为其提供定制工具；通过盲测实验评估 agent 对代码库知识的利用；不要手动管理上下文，让 compaction 工作；请求不可反驳的证明（端到端演示、前后对比数据）；拥抱异步工作流，给 agent 更大任务；利用定时唤醒等自动化功能；只审查高影响范围的代码。这些实践展示了 agent 驱动开发的新范式。
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。
作者将 Grok Bot 团队 72 小时直播内容提炼为一篇可操作的配置指南。文章涵盖：一条消息即可完成的安装方法、七条团队总结的提示词习惯、如何用 AGENTS.md 和自定义规则让机器人遵守持久规则、如何让机器人验证自己的工作（构建 verify 工具与检查清单）、自主权分级（investigate → draft → autopilot → full-autopilot）、五套日程例程与连接器规则，以及从市场机器人组装的五个现成团队配置。核心原则包括：写原则而非事故记录、可复现验证、明确真相来源、按爆炸半径设定自主权等。
本文是面向零基础用户的 Codex 入门教程，从下载桌面端、建立练习项目开始，通过制作一个本地待办小工具，讲解如何给 AI 下达明确任务、确认方案、验收结果和定点修改。文章进一步介绍如何将常用规则写入 AGENTS.md、把稳定流程封装为 Skill、按需接入插件，以及将重复工作设置为定时任务，帮助读者建立一套可复用的 AI 编程工作流程。
本文深入解读 Pi School 这门免费开源的 15 节课程，教授如何使用 Pi——一个模型无关的极简终端编程智能体。课程采用'用 X 学 X'的设计，学员把提示词粘给 Pi，由 Pi 自己授课并同步进度。内容分四个阶段：环境搭建与配置契约（含 AGENTS.md）、理解模型边界（上下文压缩、会话分支）、以及四层扩展体系（Skills、MCP、Code mode、Extensions）。文章特别分析了 Pi 的 Trust 信任模型——以项目级一次性授权替代逐动作确认，并点评了课程的优势（认知阶梯清晰、诚实度高、押注开放标准）与局限（深度偏入门、生态绑定 Cloudflare 等）。
Anthropic 发布 Claude Opus 5.5 后提供了官方 Prompting Guide。作者读完指南并总结出 17 个值得调整的用法：API 默认从 medium effort 开始，用真实任务测试最佳档位；5.5 切换 effort 不再清空 cache；长任务要一次性说清目标和完成标准，让模型维护文件中的 checklist；通过 system prompt 明确何时暂停询问；给多 Agent 工作流设置时间预算；用 subagents 处理重型任务但需核实其报告；删除'请仔细思考'等旧习惯提示词；要理由摘要而非完整推理；设计需求用删除法点名不喜欢的元素；区分用户指令与粘贴内容；Claude Code 现已支持 AGENTS.md。核心是讲清任务目标与流程，而非堆砌提示词。
本文介绍了一套将 Figma 设计稿高保真还原到既有前端工程的 Agent 自动化流程。作者总结了五类高频还原问题：设计语义丢失、多页面样式不统一、标注与真实界面混淆、素材导出策略模糊、旧页面局部改造被全量覆写。解决方案包括：通过项目级规范、知识索引和错误情况补充构建实现约束层；采用双层组件映射（语义判断 + 真实 API 确认）提升组件复用率至接近 100%；推行标注前缀协议与三类素材标签；引入时间戳版本快照机制避免循环中重复拉取设计数据以降低成本；并建立统一视口、状态流转、固定数据等五重比对前提，形成六步视觉闭环流程，最终差异率低于 0.15 阈值，还原度超过 90%。
文章探讨了开发者对 AGENTS.md 和 CLAUDE.md 等 AI 编程工具说明文件的普遍误解。作者指出，很多团队把所有希望 AI 做到的事都写进一个不断膨胀的文件，导致维护规则本身成了负担，本末倒置。正确的做法是让 AGENTS.md 保持精简（作者根文件不到 50 行），只写每次开工都需要知道的少数核心事项，再指向不同任务对应的规则文件，让 Agent 按需读取。作者引用西蒙'存储信息'与'需要时获取信息'的区分，并提醒只有在流程确实需要反复执行时才值得做成 Skill，不必急于按需调用。
作者宣布启动一个小项目，并分享了正式进入开发阶段前与团队/Agent 沟通完毕的项目文档目录结构。该目录包含 AGENTS.md（协作与代码规范）、README、DESIGN、CHANGELOG、TODO，以及 docs 目录下的项目规格、架构、组件规范、页面结构、开发流程、组件注册分发和 Cloudflare 部署等文档。作者建议读者可以参考这套模板，或直接将其提供给 Agent 梳理使用，为 AI 辅助开发项目提供标准化的文档组织方式。
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。
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。
作者基于 Matt Pocock 的《A Complete Guide To AGENTS.md》撰写读后复盘。文章指出 AGENTS.md 是定制 AI 编程 Agent 行为的配置层，常见问题是规则不断累加形成难以维护的泥球，并消耗模型上下文与注意力。原文提出指令预算和渐进披露等治理方法。作者提炼出四条认识：AGENTS.md 是配置不是百科、稀缺的是上下文、好规则需有证据与作用域与长期价值、按需加载有成本。面对原文反对自动生成与其自身开发生成器 AgentsMD-GEN 的表面矛盾，作者主张用纪律约束自动化，介绍了该 Skill 的指令放置、克制、只读检查器和验证等机制，把认真维护配置从自觉变成可执行流程。
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。
文章提出三个核心判断：装了 skill 不等于会被调用（Vercel 测试显示默认配置下 56% 的用例中 skill 未被触发，需显式指令）；Codex 兼容性不能靠猜，官方插件市场、npx skills CLI、git clone 三条安装路径可靠性递减；装多了会互相冲突。随后详细推荐 10 个通用 skill：superpowers、mattpocock/skills、addyosmani/agent-skills、ok-skills、graphify、archify、last30days、taste-skill、Anthropic-Cybersecurity-Skills 和用于环境校验的 agnix，并给出安装路径取舍建议与避坑清单，强调效率提升在于正确的工具链配置而非盲目堆砌插件。
文章提出一套基于蜂群OS（SwarmOS）的Codex多Agent工程方法论，超越传统提示词教程。核心理念是'人类控制目标，系统控制流程，模型负责执行，证据决定完成'。作者将Codex、Claude、Kimi等多家CLI视为可替换的工程员工，通过AGENTS.md定义身份权限、行为边界、工程规范和记忆沉淀四层治理架构，把合同、素材等原始输入'编译'为任务图、验收Oracle和可恢复的交付链，并通过角色资格、身份健康、可信额度、幂等保护四道调度门实现多模型动态派单与并行开发。
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。
吴恩达撰文阐述AI工程师的核心技能之一——使用编码智能体。文章总结了与顶级AI工程师访谈得出的工作流程：规划（头脑风暴、撰写规格）、执行（构建、测试、验证）以及部署与监控（CI/CD门控、日志监控）。作者指出，有效使用编码智能体需要五大关键技能：掌控工作流程、赋予智能体自主性、审查工作成果、定制智能体及其环境，以及理解编码智能体的底层原理。文章强调，随着Claude Code、Codex、OpenCode等工具快速演进，这项技能也需要通过持续的实验、构建和学习来不断更新。
本文是使用 Codex 从零搭建多 Agent 数字员工团队的教程。作者提出按工作职责划分 Agent 的方案：为内容创作、项目管理、财务等长期职责分别建立岗位 Agent，每个 Agent 拥有独立的文件夹，保存职责、规则、Skill 和工作流程。文章详细区分了项目与 Agent 的概念，介绍了以 Main Agent 作为数字总经理进行任务路由的使用方式，并给出判断是否需要新建 Agent 的标准。随后通过完整的目录结构示例，逐步讲解根目录规则、Main Agent、内容创作 Agent 的 AGENTS.md 配置方法，以及如何挂载长文写作 Skill，帮助读者构建可持续运转的个人数字员工体系。
文章分析了 John Wang 对 OpenAI Codex 开源仓库的研究。Codex 从 2025 年 5 月的 98 个月提交、单一主作者，增长到 2026 年的 900+ 月提交、35 位常规贡献者，归因于大量使用 coding agent、团队扩招和对护栏规则的重投资。核心经验包括：AGENTS.md 把 review 踩过的坑编码成规则；规则按 Review → AGENTS.md → Lint/CI 三级演进；测试代码占 40%，分层执行保证速度；迁移通过 feature flag 推进并用 lint 锁定成果。结论是工程实现变便宜后，测试、边界、自动化和招人等经典工程要素反而更重要。
作者以截图美化工具 RicoScreenshot 为案例，完整拆解了 Vibe Coding 的六步工作流：读懂项目、建立视觉规范、规划功能、开发实现、视觉交互调整、测试上线。文章强调每个环节做正确的事：先用 AGENTS.md 让 AI 理解项目架构，用 DESIGN.md 统一视觉规则，用 TODO.md 管理需求和进度；开发阶段一次只做一个功能，并重视亲自使用后的体验判断。该流程基于开源项目 image-beautifier 二次开发，纯前端实现，适合作为新手的第一次完整项目练习。
文章讨论 AI 编码代理的指令文件碎片化问题：Shopify CEO Tobi Lütke 因 Claude Code 只读 CLAUDE.md 而威胁在公司禁用该工具，认为多工具团队需在多个厂商文件间同步规则，导致分裂问题。Anthropic 回应称模型家族并非可互换，指令文件需按模型偏好编写，但同时承认维护负担并承诺支持 AGENTS.md。作者提出解决方案：先在项目根目录建立自有 AGENTS.md 手册，包含规则、命令、工作流、记忆四部分，再让各厂商文件成为薄适配器，通过引用导入。这样规则归项目所有，切换工具时无需重写整个指令层。
文章探讨了随着大模型能力提升，上下文工程的策略已从补充信息转向尽量精简信息。PostHog 分享了维护 AGENTS.md/CLAUDE.md 的三种实践方法：1) 使用 Claude Code 的 /doctor 命令进行健康检查并人工审阅，删除无法说出其防止失败的冗余指令；2) 像对待代码一样测试上下文，将 agent 犯过的错误记录为 evals，通过 wizard-ci 和 pr-evaluator 自动化验证；3) 直接让 agent 在使用上下文的过程中反馈改进建议。文章强调过时或冗余的上下文会拖累 agent 表现，需要定期清理与迭代。
作者分享了将主力 Coding Agent 从 Claude Code 切换到 Pi 并自建 Harness 三周后的体验。Pi 核心精简、缓存命中率高，且让用户能完全掌控 Agent 工作方式。作者将 Harness 分为三层：AGENTS.md 管纪律（全局与项目级规则）、Skills 管能力（tdd、code-review 等按需加载）、Packages 管控制面（重点介绍 pi-subagents 并行调度、pi-skillful 技能管理、pi-ask 歧义处理等 10 个常用包）。工作流遵循先问清、再侦察、后修改的原则，强调同一目录只留一个 writer、reviewer 可并行。作者还分享了避免堆砌 Skill 和 Package 的教训，提醒 Pi 默认最高权限无沙箱，需提防危险指令。
文章介绍了终端 Coding Agent Pi——一款上线约一年、GitHub 接近 10 万 Star 的开源工具。与 Claude Code、Codex 提供完整成品不同，Pi 走极简路线，仅保留读/写文件、精确修改和 Bash 四个核心工具，其余功能按需通过 Skill、Extension 和 Package 扩展。Databricks 测试显示相同模型下 Pi 的单任务成本可低至其他 Agent 的一半。文章从安装登录讲起，详细演示了多行输入、@ 引用文件、粘贴截图、!/!! 命令等日常操作，重点讲解了 Steer（任务中转向）与 Follow-up 追加任务的交互机制、Session 树状会话管理及 /compact 压缩策略，并介绍了 AGENTS.md 项目指令文件的写法与扩展体系，帮助用户低成本上手并掌控工作流。
文章对比了 Codex、Claude Code 和 UiPath 三家的 Agent Memory 机制，指出项目中最容易混淆的是长期规则、自动积累的经验回忆和项目事实三层信息。作者提出用仓库中的 4 个 Markdown 文件（current-state.md、decisions.md、failures.md、memory-inbox.md）管理项目记忆，并让 CLAUDE.md 引用 AGENTS.md 实现两工具共用规则。同时强调自动记忆要有边界和退出机制，避免过期结论被误当作确认事实。
本文系统讲解如何编写和维护 Claude Code 的 CLAUDE.md 与 Codex 的 AGENTS.md 等长期指令文件。核心观点是：规则越多 Agent 反而越容易跑偏，指令文件应只保存 Agent 无法从代码推断的隐性知识。作者提出先做减法（三问：能否从项目找到、是否多数任务都用、是否长期成立），再做加法（五个问题提取业务规则、固定入口、联动关系、完成标准和权威资料），并给出内容分流表、最小模板、双工具共用一份文件的方案、加载验证方法、修剪维护节奏，以及一段可直接使用的审计提示词。
这是一篇面向新手的 Codex 全面教程，系统讲解了 OpenAI Codex 这一可实际操作的 Agent 工具。文章从界面布局、项目与任务管理讲起，详细介绍了 Local、Worktree、Cloud 三种工作区模式的选择，Plan 计划模式的适用场景，权限与沙盒的配置方法。还覆盖了集成终端、内置浏览器、Computer Use、Memory 等基础工具，CLI 常用命令与快捷键，AGENTS.md 项目规则文件的写法，并厘清了 Skills、Plugins、MCP 三者的区别与用法，帮助读者独立上手 Codex 完成实际任务。
本文探讨了智能体（Agent）从开发到生产环境所面临的挑战，指出托管式智能体服务将成为下一个重要方向。文章回顾了智能体发展的三个阶段，分析了生产环境中的稳定性、安全、身份验证等问题，并介绍了LangChain推出的Managed Deep Agents如何通过提供运行壳和生产设施来解决这些问题。文章还讨论了AGENTS.md、MCP和Skills等标准的重要性，并给出了适用场景和建议。
本文探讨了AI代理在不确定情况下容易猜测并继续执行任务的问题，提出了一条简单规则：当信息不足时，代理应暂停并寻求帮助。文章详细说明了何时应触发该规则、如何将其集成到AI工作流中，以及如何测试代理的决策行为。通过设置检查点，代理可以在处理常规任务时自主行动，但在关键决策上寻求用户输入，从而提高可靠性和可信任度。
文章探讨了知识如何从分散的文档转移到代码库中，成为编码代理可发现的元代码层。介绍了AGENTS.md、SKILL.md等新兴Markdown格式，它们将人类意图和判断转化为代理可理解的形式，从而辅助代码生成。
