Codex 最佳实践：入门指南与提升效果的经验法则
本文是一份 Codex 使用指南，重点阐述如何通过提供清晰上下文、合理计划及可靠验证流程来提升 AI 编程助手的效果。文章详细介绍了 Prompt 结构化、AGENTS.md 配置、MCP 外部系统集成以及将重复工作固化为 Skill 和 Automation 的最佳实践，帮助用户将 Codex 从临时问答工具转变为长期可靠的编程队友。
相关文档
Superpowers为什么在毁掉你的工作流？
本文作者作为Superpowers插件早期用户，分析了该插件中14个skill在当前前沿模型（如GPT 5.6 Sol）日益强大的背景下的适用性。作者认为，虽然每个skill本身具有合理的软件工程依据，但作为强制工作流组合使用时，会导致流程复杂化、过度设计、时间和token消耗增加，反而降低开发效率。建议开发者根据实际需求提炼使用，而非全盘套用。
CODEX 高效工作指南：给小白用户的实用入门课
这是一份面向小用户的 Codex（OpenAI coding agent）入门指南。文章指出 Codex 不是单纯的聊天机器人，而是能读写文件、运行命令的“工作搭档”。作者通过对比 ChatGPT，明确了 Codex 的适用场景，并介绍了 App、CLI、IDE 插件等多种入口。核心内容包含四段式提示词模板、常用工作流（解释项目、修 Bug、加功能、审代码）、配置文件 AGENTS.md 的编写方法，以及 MCP、Skills 和 Automations 的区别与用法。最后强调了安全使用原则及新手从只读理解到自动化的进阶路线。
Claude Code 工程化指南：高效组织 .claude/ 目录
本文旨在探讨如何像管理代码一样管理 Claude Code 的配置目录 .claude/。文章首先指出了混乱的目录结构会随着项目增长导致维护困难，随后提出了一套包含 CLAUDE.md、settings.json、rules/、hooks/、commands/、skills/ 和 agents/ 的标准化目录蓝图。接着，文章详细阐述了核心原则，包括顶层设计的轻重分离、规则模块化、自动化脚本与复用工作流的区别，以及团队与个人配置的边界。最后提供了从简单到复杂的渐进式成长路径，帮助开发者构建可预测、可维护且易于团队协作的 AI 辅助开发环境。
Jev最佳实践：手把手教你改进现有工作流
文章介绍了如何将决策模型Jev嵌入现有Agent工作流：将任务拆分为四部分——开放式生成交给LLM，决策判断交给Jev，确定性规则用代码处理，有后果的授权交由人工。作者讲解了Jev的三种问题类型（Choice、Score、Noul）及适用场景，并以晨间简报为例演示如何构建一个保存交接任务的路由器，从Demo逐步演进为可长期运行的完整工作流，还总结了模型路由、工具调用审查、上下文筛选等11类决策层可接入的位置。
区分有效 Skill 与空谈文章的 9 条原则
作者提出九条原则，帮助判断 Agent Skill 是否真正有效，覆盖 Skill 生命周期三个阶段：被选中、可靠执行、经受现实检验。核心观点包括：元数据描述是触发与否的关键入口；上下文是共享预算，需渐进式加载；流程与检查点优于长篇散文；规则应解释原因以应对边缘情况；预先记录并反驳模型常见的跳过理由；确定性逻辑写成脚本代码而非依赖推理；严格限定修改范围；Skill 会随库更新和约定变化而腐化，需版本化管理；上线前必须用真实用例运行验证，从观察到的行为而非想象中调试。
从一篇 AGENTS.md 指南到 AgentsMD-GEN
作者基于 Matt Pocock 的《A Complete Guide To AGENTS.md》撰写读后复盘。文章指出 AGENTS.md 是定制 AI 编程 Agent 行为的配置层，常见问题是规则不断累加形成难以维护的泥球，并消耗模型上下文与注意力。原文提出指令预算和渐进披露等治理方法。作者提炼出四条认识：AGENTS.md 是配置不是百科、稀缺的是上下文、好规则需有证据与作用域与长期价值、按需加载有成本。面对原文反对自动生成与其自身开发生成器 AgentsMD-GEN 的表面矛盾，作者主张用纪律约束自动化，介绍了该 Skill 的指令放置、克制、只读检查器和验证等机制，把认真维护配置从自觉变成可执行流程。
Codex Skill 装机清单之通用必备 10 个 Skill
文章提出三个核心判断：装了 skill 不等于会被调用（Vercel 测试显示默认配置下 56% 的用例中 skill 未被触发，需显式指令）；Codex 兼容性不能靠猜，官方插件市场、npx skills CLI、git clone 三条安装路径可靠性递减；装多了会互相冲突。随后详细推荐 10 个通用 skill：superpowers、mattpocock/skills、addyosmani/agent-skills、ok-skills、graphify、archify、last30days、taste-skill、Anthropic-Cybersecurity-Skills 和用于环境校验的 agnix，并给出安装路径取舍建议与避坑清单，强调效率提升在于正确的工具链配置而非盲目堆砌插件。
我怎么用 AI 编程 2026.08：并发化工作流
作者分享了两个月来 AI 编程实践的核心变化：并发。设计打磨从串行问多遍改为并发问多个 agent，review 并行跑多个模型，项目用 Herdr 管理一排。主工具为 Qoder CLI 和 Claude Code，用 Codex、Agy、Grok Build 做对抗性 Review。研发流程包括 Brainstorm、Save Design、Improve Design、Impl、Review 五个原子节点，作者倾向花 90% 时间打磨 design。此外还介绍了基于 skill 的定时任务编排、Robobun 复刻尝试以及 Hunk、Moeka 等轻量周边工具。
10分钟学会CLAUDE.md：从入门到精通
本文系统讲解如何编写和维护 Claude Code 的 CLAUDE.md 与 Codex 的 AGENTS.md 等长期指令文件。核心观点是：规则越多 Agent 反而越容易跑偏，指令文件应只保存 Agent 无法从代码推断的隐性知识。作者提出先做减法（三问：能否从项目找到、是否多数任务都用、是否长期成立），再做加法（五个问题提取业务规则、固定入口、联动关系、完成标准和权威资料），并给出内容分流表、最小模板、双工具共用一份文件的方案、加载验证方法、修剪维护节奏，以及一段可直接使用的审计提示词。
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。
Loop Engineering 怎么落地：三层循环 vs 四种命令
本文结合吴恩达与 ClaudeDevs 的观点，深入探讨了 AI 编程（Loop Engineering）的落地实践。文章将吴恩达的“三层循环”（分钟级自检、小时级决策、天级反馈）与 ClaudeDevs 的“四种命令”（Turn-based, Goal-based, Time-based, Proactive）进行映射，提供了一套从定义验证标准、固化人工经验到收集外部反馈的完整方法论，帮助开发者摆脱只做 QA 的困境，真正掌握 AI 编程的效率。
使用 Fable 5 构建自我改进 Agent 系统的 14 步指南
文章深入探讨了如何充分利用 Claude Fable 5 的潜能，而非仅仅将其视作上下文窗口更大的 Sonnet。作者提出了构建“自我改进系统”的 14 步路线图，区分了自我学习与自我改进，并详细阐述了基于 Loops、Dynamic Workflows 和 Routines 的三层架构。文章还提供了 Fable 5、Opus 和 Sonnet 在系统中的成本与任务分配策略。
