Total TypeScript 作者 Matt Pocock 开源了其个人常用的 16 个 Claude Code Skill，GitHub 星标迅速突破 38k。这套工具主张“真工程师”模式，摒弃了 BMAD 等重流程框架，采用“小、可改、可组合”的 Unix 哲学。文章详细解析了针对 Agent 失败四大根因（需求模糊、啰嗦、代码报错、屎山）的解决方案，重点介绍了 CONTEXT.md 建立项目共享语言的方法，适合具备工程基础的开发者提升 AI 编码效率。
文章分析了 Claude Code 源码泄漏事件，指出其核心价值在于揭示了 51 万行 Harness Engineering 代码背后的工程设计，而非模型本身。作者详细拆解了六个关键工程决策（如上下文压缩、多 Agent 协调等），并重点梳理了泄漏后 24 小时内涌现的开源生态，包括洁净室重写、教学项目及各类插件工具，最后总结了 Agent 开发应从“调 prompt”转向“工程化”的核心理念。
针对运营同事使用通用AI生成竞品报告出现数据失真的问题，作者开发了一款名为 'ai-product-research' 的自动化调研 Skill。该工具利用 XCrawl 的 Search 和 Scrape API，模拟人类“先搜再抓”的逻辑，自动获取产品官网、GitHub 数据及社区评价，并在 2 分钟内输出包含定价、技术指标和竞品对比的结构化报告。文章实测了 Cursor 和 AIHOT，效果精准且成本极低。
文章深入探讨了如何编写高质量的工业级 Skill（AI 技能/工作流）。文章指出 Skill 不同于简单的 Prompt，它需要具备按需加载、限制工具边界、配置适配模型、分层管理内容（SKILL.md 与 references/scripts 分离）以及建立评估测试闭环等特性。通过遵循最小权限原则、渐进式披露和迭代验证，可以将经验固化为稳定、可维护的自动化工作流。
文章介绍了作者开发的一款 Agent Skill，旨在解决长文配图繁琐的问题。该 Skill 能自动分析文章结构，在合适位置插入匹配风格的插图。作者详细阐述了 Skill 的“渐进式加载”机制、设计思路（如风格库匹配、提示词模板）及工作流程，并分享了如何将通用业务流程转化为 Agent 技能的思考。
Anthropic 工程师分享 Claude Code 的 Skills 功能实战经验。文章总结了内部常用的九类 Skills（如库参考、产品验证、业务自动化等），并提供了编写 Skills 的最佳实践，包括利用文件系统结构、明确触发条件以及通过脚本增强模型能力，旨在帮助团队系统化构建和分发 Skills 以加速开发。
作者系统整理了 369 个开源仓库清单，聚焦于能让 Claude Code、Codex 等编程 Agent 实现视频生成、自动化剪辑与代码动效渲染的工具、Skill 和提示词库。文章收录规则强调视频/动效产出、专供 Agent 调用、完整文档三大标准，并打破高星滤镜。重点介绍了四大现象级框架：lemo-opuscar（59 种风格引擎）、huashu-art-motion（艺术动画）、huashu-motion（商业发布片）、sweety-handdraw-video（手绘口播流水线），以及自动化剪辑、代码直出成片、数字人与音乐 MV 等垂直领域的硬核项目，最后给出 2026 年 AI 视频生产工具选型决策表。
文章探讨个人 AI 助手普及后团队协作面临的新问题：每人拥有 AI 不等于团队更聪明，因为各自 AI 上下文分散。作者引入 Team OS（团队操作系统）概念，将其抽象为 Context、Instructions、Skills、Connections、Governance 五类能力，并以 DoorDash 等团队实践为例，说明如何用共享 Repo、PR 审核机制建设团队助理。文章强调团队知识不再必须经由 PM 中转，AI 能力正在从个人资产转变为团队资产，建议从真实场景小范围起步，让团队助理从实际工作中生长出来。
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。
作者分享了如何用 Claude Code 配合 Opus 5.5 将整个 SEO 部门自动化运营的实践经验。通过 ChatSEO MCP 提供数据智能层（Search Console、关键词量、实时 SERP、竞品分析），Claude Code 充当 SEO 总监负责规划与执行，人工只审批涉及线上页面的改动。文章给出了 6 个可直接安装的 Skill 文件，涵盖：聚焦商业意图的关键词模式挖掘、一关键词一页面避免自相蚕食、对标 SERP 前三名构建页面等内容，并强调了防止 AI 编造数据等实操细节。
文章介绍了开源工具 REA（Reverse Engineer Anything），它作为 MCP 服务器连接 Claude Code、Codex、Cursor 等编程 Agent，整合二进制分析、字符串提取、函数定位、调用追踪等现有逆向工具，让 AI 基于「证据」而非猜测来理解应用。文章对比了让 AI 凭经验猜测与基于真实文件分析的差异，给出完整安装配置和 10 步方法论：选择单一功能、编写强制证据的提示词、区分事实与假设、先写行为规范再实现代码等，强调这是理解与重建软件的可靠路径，而非简单复制。
作者基于 Anthropic 工程师删除 Claude Code 80% 系统提示词却无性能损失的事实，反思提示词与 Agent Skill 的实践方法。提出提示词不是八股文，应聚焦任务三要素（目标、规则、完成标准），减少角色铺垫和冗余规则，多给思考方向而非僵硬示例，并设定明确验收标准。关于 Skill 沉淀，强调只有高频且流程稳定的任务才值得做成 Skill，要写入独特经验而非通识废话，严格控制单一职责与边界，主文件精简并渐进式加载，且必须内置自检环节形成质检闭环。
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。
