驾驭 Claude 的智能 | 构建应用的 3 个关键模式
本文探讨了如何随着 Claude 能力的进化，调整构建 AI 应用的策略。文章提出了三个核心模式：善用 Claude 已知的通用工具（如 bash 和文本编辑器），赋予其自主编排和上下文管理能力，以及谨慎设定框架边界以平衡安全与效率。文章强调了减少外部框架对模型能力的过度干预，让 Claude 自主决定工具调用与数据处理，从而提升应用的性能和成本效益。
相关文档
12步打造拥有持久记忆的自我进化Claude智能体
本文详细介绍了如何通过12个步骤为Claude智能体构建四层记忆架构：利用内置记忆功能、创建Project作为固定工作流、编写动态增减的持久化记忆文件，以及配置Dreaming自我迭代机制。文章指出，只有结合长期偏好存储与任务模式总结，才能让Agent跨越会话限制，从单次执行的“金鱼”进化为持续自我优化的虚拟员工。
How To Hire A Head Of Content In 2026 (Masterclass)
本文探讨了2026年企业如何招聘和构建"内容负责人"（Head of Content）这一角色。作者基于运营60多个创始人品牌的经验，指出传统的内容生产流程已被整合为一个角色。文章详细阐述了内容负责人的四大职责：定位、提取、包装和优化，以及策略、研究、写作、设计、分发、绩效和排期等核心工作。作者特别强调用Claude构建"创始人大脑"知识库来沉淀创始人思想，让AI与智能体深度融入内容运营，并通过TOF/MOF/BOF漏斗和每周运营循环实现个人品牌影响力的复利增长。
如何使用新版 Claude：从入门到精通
文章介绍 Claude 的重要变革：Claude Chat 与 Cowork 已统一为单一产品，云端的 Chat 现在能直接编写代码、生成幻灯片等，用户无需再区分不同模式。作者建议删除旧的复杂配置——包括 CLAUDE.md 文件、skills、指令文件等，因为它们会造成'上下文膨胀'，反而降低输出质量。这一观点得到 Claude Code 作者 Boris Cherny 的支持。替代方案是：设置中开启统一模式、选择 Auto、保留 Memory、每次只给一个清晰目标，并让 Claude 在开始前复述目标以确认理解。核心理念是'少即是多'，让技术变得无形。
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。
AI Native 实践续篇：迈向 Stage 8
作者继八月 AI Native 实践后，记录从 Stage 7 迈向 Stage 8 的多 Agent 工作方式探索。核心实践包括：用「测试测试」验证测试有效性（借鉴变异测试）；要求 Agent 交代判断依据；采用 1+N 组织方式，由 Captain 统筹调度其他 Agent，并保护其上下文不陷入实现细节；用 logbook Kit（lbkit）串起需求到上线的完整交付流程，通过 Preflight 预演减少中途打断；让 Delivery 与 Verify 两种角色形成对抗，发现分歧。作者强调多 Agent 有成本需按任务规模挑选，目标是保护人的完整注意力与决策密度，认为对抗机制比单纯循环更重要。
The Complete Guide to AI PM OS
文章介绍了 AI PM OS——一套面向产品经理的 Agent Skill 体系。作者强调：与其信任模型凭提示词自由发挥，不如为 Agent 配备结构化技能，确保输出质量稳定。核心方法论是'监督比你更聪明的人'：通过间接提示让 Agent 自己复述问题、避免被先入为主的假设带偏，并用 /first-principles、/mckinsey-issue-tree、/causal-tree、/jtbd-forces 等技能栈按'定义问题、选择赌注、理解用户、定义成功、塑造构建、写作、推动组织'分阶段组织工作。同时利用记忆和历史会话，让 Agent 继承过往决策背景，提升产品判断力。
DeepSeek Harness vs ZCode：Token 消耗能差 10 倍的设计题
本文通过阅读 DeepSeek Harness (DSH) 0.1.7-alpha.1 源码，对比其与 ZCode 执行框架的设计差异。DSH 采用只追加的流水账机制保证可审计性，对缓存前缀极致优化以降低成本，通过三层递进方式管理上下文防止信息丢失，并内置防重复调用守卫、程序化工具调用（PTC）和超时转后台等机制。作者指出这些优势主要体现在长会话、大输出和批量工具调用场景，Token 消耗可差一个数量级；但普通短任务成败仍主要由模型智力决定，两者差距接近于零。
Claude 是如何记住你的项目的？浅析 Claude Code 项目级记忆功能
本文结合作者维护开源项目 CC Switch 的实际经验，深入分析 Claude Code 的项目级自动记忆（auto memory）机制。文章对比了 CLAUDE.md、自动记忆与会话历史三者的分工，解析了记忆的存储结构（索引 MEMORY.md 加主题文件）、按需加载原理、索引容量上限（200 行或 25K UTF-16 码元）及精简策略。作者通过 JSONL 台账写入纠正、方案决策背景保留、PR 审查接续三个场景说明记忆的实际价值，并指出索引超限截断、信息过时、精简后索引与正文不一致等缺陷，最后给出使用建议：明确表达纠正及原因、定期检查记忆文件、区分当前结论与历史证据。
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。
AI 帮外贸业务员少写一百封邮件：把询盘变成报价前需求卡
文章介绍如何用 AI（如 ChatGPT、Claude）将外贸询盘整理成“报价前需求卡”，减少报价前的信息遗漏和反复沟通。作者提出一套四步流程：收集真实询盘、产品目录等材料；让 AI 分两轮提取已确认信息并列出信息缺口；将补问和风险做成邮件模块与风险卡；先以一周试跑的小单切入，再转为包月维护服务。核心观点是 AI 的价值不在于代写英文邮件，而在于把报价前的判断变成可检查、可交接、可复用的流程，字段和判断顺序才是客户留下的原因。
Skills 管理思路：本地管理 + 软连接
作者分享了管理 AI Agent Skills 的经验：不建议在本地一次性安装太多 Skills，因为过多的 Skill 会误触发模型调用并限制模型发挥，同时 Skill 描述会占用上下文窗口的 Token 预算。管理方法分两步：第一步将所有 Skills 统一放在本地目录（分 Github、personal、official 三类），并建立管理文档和定时更新脚本；第二步用软连接（symlink）按项目需要启用 Skill，而不是复制安装，避免全局启用浪费上下文。这些工作都可以交给 Codex/Claude 等 Agent 自动完成。
