当一个 AI Agent 接手了我妈的高血压管理
文章讲述了作者如何利用 AI Agent 辅助管理母亲的高血压。面对三甲医院仅 2 分钟的问诊无法处理的 8 年血压数据，作者利用 Claude 进行数据分析发现了“晨峰”规律，检查了药物相互作用，并通过自动化工具生成月报。文章强调了 AI 并非替代医生，而是填补了医疗系统中因时长限制而缺失的连续性管理和个性化分析空白。
相关文档
Huashu-Excel正式发布：也许是最好用的Excel数据处理和分析skill
花叔开源了名为huashu-excel的AI数据处理分析skill，用户丢入Excel或CSV即可用自然语言完成体检、清洗、对齐、分析、对账、交付、验图、质控八步流程，输出HTML/Excel/Word等格式报告。该skill针对大模型算错不报错的缺陷设计了合计对账、外部基准校验、独立agent复核等机制，并借鉴Anthropic角色激发研究提升分析质量。经十份真实公开数据（106万行电商明细、纽约市政预算等）压测，能独立拆解辛普森悖论、识别脏数据并给出可审计的业务结论。兼容Claude Code、Codex等多种agent，MIT协议开源。
想入门 AI 领域的极佳方式就是大量翻阅论文——Open-Science 科研工作台推荐
作者认为大量阅读 AI 论文是入门 AI 领域的极佳方式，并以朋友韭二老师爆肝 60 篇论文后入职盛大 evermind 为例。同时指出在 X 上分发论文解读是一种起号方式，该赛道仍有空白。针对论文小白，作者推荐一体化 AI 科研工作台 Open-Science：内置科研 skills 的 Agent 可检索文献、梳理方法并输出报告；支持灵活接入 Codex、Claude 等模型；研究过程可回溯审核；支持动手复现论文计算与分析。复现 5 篇以上即可深入掌握 AI 领域知识，项目已开源。
我花了5天时间，对公司进行了一场AI化改造
作者作为一家30多人AI公司的创始人，用5天时间打造了一个基于Agent的企业中台。他先让Claude生成了品牌VI、UI设计组件和PPT模板，并将其封装为Skill；随后解决了同事们Vibe Coding应用部署与分享的痛点，将中台包装成MCP，接入飞书登录与权限体系，实现应用一键部署、子域名分配、权限管控。同时搭建了应用广场、Skill分发、资料库、OKR可视化面板及千人千面的个性化首页，并让Agent自动维护多维表格数据。作者认为数据和协同关系是企业未来的核心资产，期待AI原生的组织变革。
ScienceBuddy：免费 AI 科研工作台体验
作者被一位985博士安利了ScienceBuddy后，感慨现在的年轻人恰逢其时。ScienceBuddy是PhAILabs推出的免费AI科研工作台，集成了文献检索、数据库查询、组学分析等科研工具。作者重点介绍了两大功能：一是数据分析，上传数据后它会自动规划步骤、检查数据、运行代码，生成图表和分析脚本，全过程在轨迹中可查看可追溯，作者用Apple健康数据验证了效果；二是制定计划，能将模糊的研究或学习目标拆解为详细的落地路线图。文中还提到它与Claude相似，将多个领域的真实科研代码做成供AI Agent练习的环境，目前完全免费且响应速度快。
高级 Skill 不是更长的提示词，而是一套组合技
文章探讨了高级 AI Skill 的本质：不是把更多指令塞进一份文件，而是把多个单点能力按任务关系编排组合。作者通过分析 GitHub 上多个热门 Skill 仓库，总结出五种组合模式：路由（判断调用哪个 Skill）、顺序（强制工作流程）、选择（按需分诊组合）、流水线（专业能力交接）和分层（Skill 与系统能力分工）。文章提出组合 Skill 的五个核心零件：路由、输入输出契约、顺序与并行、上下文状态、验证反馈，并建议从真实返工中逐步长出组合关系。核心观点：Prompt 让 AI 听懂一次需求，Skill 固化一类做法，而组合 Skill 才能把复杂任务交付出来。
SaaS 不会死，会隐身：Lovable 主动押注 UI 的消亡
本文基于 Latent Space 对 Lovable CTO Fabian Hedin 的专访，分析这家年化营收 5 亿美元、估值 133 亿的公司为何主动转型。Lovable 将把平台上 6000 万个应用的功能通过 MCP 服务器暴露给 ChatGPT、Claude 等 agent 直接调用，从'造应用'转向提供 capability。作者结合麦肯锡数据与 agent 框架爆发趋势指出：传统 SaaS 的界面价值将归零，商业模式需从卖界面转向卖能力。文章还给 SaaS 从业者、独立开发者和普通用户提出了三条启示：软件不会死，但会隐身。
Agents, Loops, Graphs. Everything You Need to Know in One Place.
文章介绍了 Claude 的三大核心能力：Agents（代理）、Loops（循环）和 Graphs（图）。文章详细解释了如何通过工具、记忆和循环机制构建从 Level 1 到 Level 4 的自主代理，提供了研究、数据分析和代码编写三种代理的 System Prompt 模板，并探讨了如何解决长任务中的记忆丢失问题。
AI 七宗罪全网最全审判指南：从入门到榨干
文章总结了 AI 在执行任务时的七大常见毛病：抢答、脑补、独断、加戏、话痨、失忆和报喜。针对每一宗罪，作者提供了具体的提示词和解决策略，旨在通过规范流程让 AI 问清需求、抓住重点、精准执行并凭据交付，最终提升工作效率。
我用 WorkBuddy 跑了 3 个活儿，发现它不是助手，是数字员工
文章通过三个真实任务评测了 WorkBuddy 的实际应用：视频 Skill 管理工具开发、电商数据清洗分析及竞品监控自动化流程。作者指出 WorkBuddy 不仅是聊天工具，更是集专家判断、专业 Skill 和自动化执行于一体的 AI 工作台，能有效提升处理固定流程任务的效率。
图工程究竟是什么？
文章探讨了AI工程领域的新术语“图工程”。它并非新发明，而是对多Agent协作系统的宏观视角，通过节点和边映射工作流、状态和依赖关系，解决复杂系统的架构与调试问题。
Loop Engineering: The Karpathy Method - and the workflow that just made it 5x better
文章介绍了 Andrej Karpathy 推广的“循环工程”概念，即通过 AI 自动化循环（目标设定、规划、执行、验证）替代传统的单次 Prompt 交互。文章阐述了循环的核心要素，分析了适用场景，并以 AutoResearch 为例展示了其在模型训练中的成效。此外，文章还讨论了构建循环的五大组件，并提出了“双层循环”等进阶优化方法。
AI 开发新范式：从 Prompt 到 Loop 的演变
文章指出传统单次 Prompt 效率低下，真正的生产力提升在于“循环”。作者详细解析了 AI Loop 的核心机制：发现、规划、执行、验证和迭代。文章强调验证和状态管理的重要性，并区分了适用场景。最后，介绍了在代码工程中构建 Loop 的五个关键要素：自动化、技能封装、子代理分离和连接器，旨在让 AI 独立完成闭环任务。
