超越99%人的AI提示词工程：从需求结构化到迭代反馈的实战闭环
文章揭示了AI时代提示词工程的核心不仅是技巧，而是“表达需求的能力”。作者提出了一套系统化的四阶段方法论：需求结构化（COSTAR模版）、推理路径设计（CoT与Few-Shot）、结果校验（自我一致性与ReAct）以及迭代反馈（Reflexion）。通过这套闭环思维，用户可以将简单的问答转化为高质量的决策方案。
相关文档
WorkBuddy 实战教程 01｜从一个文件开始，完成第一份可检查结果
本文是 WorkBuddy 的实战教程，通过读取两份虚构资料生成一份新人速览文档，指导新手如何完成第一个可验证的 AI 任务。文章强调了在使用 Agent 时设定“任务边界”（控制读取、写入和执行范围）的重要性。通过提供一张包含目标、输入、输出和验收标准的“任务卡”，确保 AI 只读该读的文件、只写指定位置且不编造事实。最终总结了将复杂工作拆解为最小可检查闭环的方法论。
从 CoT 到 ReAct：用 Python 搭建 LLM Agent 实战指南
本文通过 Python 演示了如何搭建一个具备规划、工具调用、验证和复盘能力的完整 LLM Agent。教程详细拆解了 Plan-and-Solve、ReAct、Verification、Self-Refine 和 Reflexion 五个核心模块，强调了结构化数据控制流程的重要性，并提供了工程落地的具体代码实现与原则。
dbskill 更新：新增 /dbs-good-question 助力 Agent 自动化
本文介绍了 dbskill 的新功能 `/dbs-good-question`。作者结合《无穷的开始》中的理论，提出 Agent 自动化的起点在于“更好的问题”。该工具旨在将模糊的问题重写为包含对象、目标、冲突、约束和反馈入口的“问题说明书”，从而生成可批评、可验证的候选解释，为 Agent 自动化任务提供稳定的基础。
SkillOS 详解：自进化 Agent 的技能策展机制
文章详细解读了 Google 关于 SkillOS 的最新论文。SkillOS 是一个帮助 LLM Agent 通过管理可复用“技能”来实现自我进化的框架。该框架包含一个冻结的 Agent Executor 和一个可训练的 Skill Curator，后者利用强化学习（RL）从执行轨迹中自动提取、更新或删除技能，从而实现从经验到技能的转化。
AI 算命技术解析：从出海百亿赛道到 Claude Code 本地部署
文章分析了海外 AI 算命市场（如 FateTell、Astrotalk）的高利润率与高复购率，指出普通 AI 因缺乏专业知识导致的“废话”和排盘错误是产品失败的主因。作者展示了如何利用 Claude Code 构建基于 17 部经典古籍（如《滴天髓》）和 44MB 知识图谱的专业系统，通过“四家投票”机制和双系统验证，将准确率提升至六七成，并提供了完整的提示词和本地安装方案。
技能图谱 2.0：基于原子、分子和化合物的技能组合新思维
文章探讨了如何通过“原子、分子、化合物”的层级结构来更有效地组合技能，从而提升 AI Agent 工作的杠杆率。作者指出，直接链接技能（技能图谱）在依赖关系复杂时会导致不可靠性。新的方法论建议将技能分层：原子级技能提供确定性工作流，分子级技能解决具体问题，化合物级技能则赋予 Agent 高度自主权。通过在高层级驱动 Agent，人类可以用相同的脑力负载管理 100 倍的工作量。
普通人实现AI能力跃迁的三个框架
文章探讨了如何通过认知框架实现AI使用能力的跃迁。作者提出了三个核心框架：三层进化论（从Prompt到Project再到Skill）、交易思维vs复利思维，以及“薄Harness、厚Skills”的架构原则。通过将重复性工作固化为Skill，用户可以从线性低效的对话模式转变为指数级积累的系统化工作流。
在加州待了快两周，聊聊 AI，也聊聊生活
作者受 AWS 邀请赴加州参加活动，从北加到南加待了近两周。文章分享了对 AI 圈的观察：华人众多、双语优势明显但英文口语仍是刚需；理解 LLM agent 架构和模型能力边界的重要性；湾区活动多但需选择性参与；常刷 X 可保持信息不落后。生活方面，作者感受了湾区高昂的生活成本与房租，认为加州不能代表美国全貌，同时对美国的物价、小费文化和 Waymo 无人驾驶体验发表了看法。
Claude Opus 5.5——17 个值得调整的习惯用法
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。
怎样把你的经验教给 AI？这套方法已经间接带来七位数收入
文章由 dontbesilent 的 Codex 撰写，完整复盘了一个内容诊断 Skill（dbs-beta-content-value）的制作过程，介绍如何将个人经验沉淀为 AI 可重复执行的规则。核心流程为：定义任务 → 做出第一版 → 输入真实案例 → 定位错误位置 → 写成通用规则 → 换案例复测。文章强调使用真实案例暴露 AI 判断错误、区分任务目标/判断过程/对外表达三类错误、用理论（如信息觅食理论）稳固规则、以及用已有 Skill 协助制作新 Skill 的协作链，最后附上可直接使用的 Skill 制作清单和母提示词。
The Future of Software Development
作者展望了未来5-10年软件开发的变化：AI模型正以每半年约10倍的速度变强，未来将极其智能、快速且廉价。开发模式将从IDE自动补全，演进到终端中的AI编码代理，最终只需用自然语言或语音告诉计算机想要什么，AI代理即可自动完成构建、测试、修复和上线。文章还探讨了为AI代理设计的意图式操作系统（无需UI）、为每个用户动态生成的应用界面、面向AI代理的新协议（如MCP），以及未来5-10年最抢手的技能，强调经验与意图表达能力将比手写代码更重要。
我们说的 AI 工程化，到底是什么？今天一篇文章讲清楚
文章系统梳理了 AI 工程化领域的各种新概念（Context、Harness、Loop、Eval、Graph Engineering），指出这些 Engineering 拆到最后，核心仍然是提示词。作者认为，现代提示词已不只是聊天框里的几句话，还包括系统规则、任务资料、工具说明、历史结果、失败反馈和完成标准。Agent 的难点在于把事情真正做完：避免重复步骤、选错工具、提前结束等问题。文章分别阐述了五大 Engineering 的职责——Context 管每轮给模型看什么，Harness 管工具与环境的接入说明，Loop 管根据反馈迭代，Eval 管验证任务是否真完成，Graph 管流程节点与路由。最终结论：代码管边界（权限、轮次），提示词管边界内的判断。
