本文介绍了 AI Agent 自我优化的新趋势：通过优化 Harness 层（即 Skills）而非模型本身来提升性能。作者详细介绍了名为 evo 的开源优化工具，它利用并行探索、树搜索和门控机制，自动对 Skills 进行实验和迭代。文章展示了在 SealQA 基准测试中，evo 将准确率从 5/20 提升至 11/20 的实战案例，强调了“模型能力 x 优秀的 Harness x 紧密的验证循环”这一杠杆公式的重要性。
文章探讨如何为智能体（Agent）构建知识工作系统。作者认为需要三点：持久化的知识与工作上下文、契合个人工作方式的系统、可复用的基础。提出“知识系统”概念，整合领域对象、证据、工作方法、进行中的工作和界面。介绍其开发的本地优先框架 ars umbris：agent repo 将类型化 Markdown 知识、Agent 能力（skills、MCP 工具）和界面捆绑在一起，仓库间可像代码包一样相互依赖。核心思想是让知识库像代码库一样工作，具备类型系统、诊断、包管理等机制，让编码 Agent 将其代码能力迁移到研究和企业经营等知识工作领域。
作者几个月前搭建了一套名为「刚柔」的元 Skill，用图 IR、契约闸和检查机制防止模型偷懒、打折扣执行任务。随着 GPT-6 Astra 发布，模型遵循指令和多步执行能力大幅提升，OpenAI 官方建议检查 AGENTS.md 和 Skills 中可能影响模型行为的指令。作者由此意识到，许多为弥补旧模型短板而设的约束如今反而妨碍任务完成，于是委托 Codex + GPT-6 在秘书 Grok Bot 协调下彻底拆除该元技能。文章详细记录了清理的难度、推理档位选择、具体执行过程（如取消从零重跑、自动三路候选）及打包脚本隐私问题的修复，最终指出：该留的是把工作可靠完成的目标，而不是特定的脚手架，技术条件变了就该果断调整。
文章提出 Skill 本质是一个微型 Harness，一个完整 AI 工作系统包含六层：信息边界、执行编排、记忆与状态、工具系统、约束恢复、评估观测。作者给出六步写作法：先写 description 作为触发开关，再按任务脆弱程度定正文松紧，超过 500 行的资料拆成参考文件，重复操作固化为脚本，写明失败时的默认行为，最后用真实任务验证迭代。文章强调 description 是主要触发机制、模型天生欠触发、上下文窗口是公共资源、卡的下限由失败处理决定等实战经验，并提供最小可用卡模板和发布前检查清单。
作者分享了为Agent做知识管理的痛点：Skill无法跨项目迁移，知识库虽大但Agent无法自主利用，导致作者需要人工替Agent维护记忆。作者介绍了Alloomi产品，其通过三层架构（记得住、学得会、实践）实现Agent的自进化，并开源了OpenContext工具。作者希望未来的Agent产品能具备自进化能力，帮助用户组织底层记忆。
文章通过对比传统 Workflow 编排与 AI Agent + Skills 架构，提出大部分场景下后者可以取代前者。作者提出了五步框架（拆分、编排、存储、分摊、迭代），并结合自身写作工作流演示了如何利用 Claude Code 的 Skills 功能构建可进化的自动化系统。文章还回应了关于稳定性、成本和门槛的三大质疑，指出 Skills 在灵活性、可维护性和自我迭代方面的显著优势。
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。
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。
作者分享了在创业公司落地 AI Coding 工作流半年来的实践迭代。核心思路是给 Agent 最大执行权限同时控制爆炸半径：使用 Claude Code 作为主力 Agent 配合 matt Skill 与项目 MCP；通过 git worktree 物理隔离多个并行 Agent 的工作区；坚持计划先行，动代码前必须产出完整 Plan 并用状态文件持久化进度；测试上人机分工，AI 在 DEV 环境完成正反用例自测，人类只验收业务效果；通过 PR 规范、GPT 对抗性 Review、CI 自闭环守住质量防线；用 PostHog Feature Flag 实现秒级回退止血；并以部署看板巡检日志、三层文档体系（CLAUDE.md、rules、specs）作为长期记忆，实现生产级 AI 高速开发。
作者分享了使用 EverOS Cloud 为 AI Agent 构建记忆层的实测体验。他通过自动生成 X 引用帖配图的工作流，总结了生图提示词敏感词、图片压缩、后台任务管理等踩坑经验。EverOS Cloud 能将 Agent 的任务过程存为 Case，自动提炼出可复用的 Skill（如「生成合规图像并添加水印」SOP），支持中英文混合检索（不到100毫秒）、业务资料接入、API 轻量集成、可视化管理记忆，并提供云端与开源自托管两种部署方式。作者认为，Agent 没有记忆就像每天重新带的实习生，能把经验攒下来才能成为靠谱的老员工，对一人公司尤其有价值。
