Agent Skills：从通用智能到可执行能力的跨越
文章探讨了如何通过 Anthropic 提出的 Agent Skills 概念来解决大语言模型在实际应用中“执行”能力的缺失。作者指出，AI 不仅仅需要指令和提示词，更需要通过结构化的技能包来封装上下文、指导和执行逻辑。文章详细分析了技能的内部结构（如 SKILL.md 和可执行代码）以及“渐进式披露”在上下文管理中的作用，强调了从单纯的 Prompt 工程向系统设计与安全构建转变的重要性。
相关文档
Harness Engineering：构建决定AI Agent可靠性的七层架构
文章指出，AI Agent的可靠性不取决于模型权重，而取决于周围的脚手架（Harness）。Harness分为七层：执行环境、工具接口、上下文管理、编排与生命周期、可观测性、验证和权限边界。这七层都是需要编写和版本控制的代码，而非模型属性。此外，Harness还分为由模型构建者提供的内部Harness和开发者自行组装的外部Harness。
炸裂，Anthropic 给 Opus 5 删掉了 80% 的系统提示词
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。
3 markdown architecture patterns that boost agentic productivity
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。
构建 agent 时什么时候将子 agent 合并到主 agent 循环中
本文是 Claude 官方文章的译文，探讨在构建 agent 系统时何时应将子 agent 折叠进主 agent 循环。文章指出，配备 skill 的单一 agent 在质量、成本和延迟方面常常优于多 agent 设计。作者分析了大型组织构建 agent 的常见失败模式（上下文管理、子 agent 泛滥、Frankenprompt、延迟等），介绍通过渐进式披露 skill 和 MCP 工具的 agent 循环设计，并给出将子 agent 迁移为单循环的分阶段方法：构建任务完成评估、合并领域 agent、将子 agent 转为工具调用、用 skill 和工具替代子 agent，以及多团队协作的治理模式。
很多提示词和 Skill，其实都已经过时了
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。
从零开始理解提示缓存（Prompt Caching In Agents）【译】
本文翻译自 Earendil Engineering 的《Prompt Caching In Agents》，系统讲解编程 Agent 中提示缓存的原理与实践。文章介绍了 KV 缓存的工作机制（prefill 与 decode 阶段）、缓存的两种存放方式（会话亲和性与分布式缓存）、前缀匹配对缓存命中的决定性作用，以及显式缓存与自动缓存的区别。还解释了为何修改工具定义会破坏缓存、TTL 过期导致短请求昂贵、缓存未命中的计费代价，以及 Pi 为何保持旧记录稳定而不激进剪枝，帮助读者在上下文、缓存复用、延迟与成本之间取得平衡。
从零掌握 Claude Opus 5.5 提示词工程
文章系统讲解了 Claude Opus 5.5 的提示词工程方法。作者指出 Opus 5.5 是首个官方提示指南以“删减”为主的前沿模型：模型会自主决定思考深度，手动思考预算已失效，强制工具调用不再支持。核心心智模型是把 Claude 当作毫无上下文的天才新同事，需明确目标、提供充分背景、给出示例、用 XML 标签结构化输入、指定输出格式。新模型的关键变化是 effort（低/中/高/超高/最大）成为控制智能、延迟与成本的首要杠杆，默认为 medium；应停止使用“仔细思考”“一步步推理”等旧式提示，而用 effort 控制思考量。文中还包含 API 调用示例与新旧提示写法的对比。
我对system prompt的理解（nanobot）
文章从训练角度剖析 system prompt 为何能影响模型行为。作者以 nanobot 的 SOUL.md 为切入点，梳理了 OpenAI Instruction Hierarchy（训练模型处理指令冲突，拒绝率提升至92.6%）、Llama 2 的 Ghost Attention（多轮指令保持）、Anthropic 的 character training 与《Teaching Claude Why》（角色与原则内化）、Deliberative Alignment（规则通过训练学习）、The Assistant Axis（角色行为的内部激活证据）等研究，说明 prompt 中一句指令的效果取决于上下文与模型已学到的能力。最后建议：先用少量指令说清目标，根据失败案例迭代，随模型演进精简 prompt，把通用能力交给模型本身。
Anthropic 13页 Agent 记忆白皮书解读：5层记忆金字塔
文章推荐了一份13页的Agent记忆工程白皮书（民间整理，非Anthropic官方出品），将其拆解为5层记忆金字塔：工作记忆（上下文窗口）、情景记忆（交互日志）、语义记忆（知识图谱）、程序记忆（技能固化）和遗忘引擎（矛盾消解）。文章指出缺乏记忆分层的Agent会不断重复踩坑、成本高企，而引入该架构后Mem0的Token消耗降低90%、延迟降低91%，Snowflake准确率提升20%。核心观点是：不要迷信更大的上下文窗口，应把记忆做成可检索、可进化、可修剪的工程资产。
How To Prompt Claude 5 Models
本文介绍了如何针对 Claude 5 系列模型（Fable, Opus & Sonnet）进行高效提示。文章涵盖了通用提示原则、Fable 的自主任务处理、Opus 的日常优化以及 Sonnet 的高效应用，帮助用户最大化模型生产力。
如何构建自动纠错 AI 循环
文章介绍如何构建一个 AI 自我纠错系统，通过分离生成、判断和管理三个角色，避免人工介入验证。关键在于利用独立的标准（如测试套件）进行结构化验证，而非简单的重复提问，从而实现自动化错误捕捉与修复。
构建优秀的垂直领域 Agent：以 Shortcut 为例
本文探讨了如何构建一个在实际应用中表现卓越的垂直领域 Agent。作者结合开发 Shortcut 电子表格 Agent 的经验，提出核心原则是“对任务分布的忠实压缩”。文章详细介绍了“分层缓存”架构，将上下文分为 L1（常驻核心）、L2（按需规格）和 L3（兜底参考），以平衡效率与准确性。同时强调了“单工具优于多工具”的策略，主张通过代码执行来统一能力，降低模型决策复杂度，从而在长尾任务中实现高准确率。
