用4300行代码复现Claude Code核心架构
本文介绍了一个项目，用4300行代码复现Claude Code的核心架构，包括Agent Loop、工具系统、并行执行等。提供分步教程，适合动手实践，帮助理解coding agent的工作原理。
🔗 相关文档
我花10分钟做了产品调研Skill，以后不用自己扒竞品了
针对运营同事使用通用AI生成竞品报告出现数据失真的问题，作者开发了一款名为 'ai-product-research' 的自动化调研 Skill。该工具利用 XCrawl 的 Search 和 Scrape API，模拟人类“先搜再抓”的逻辑，自动获取产品官网、GitHub 数据及社区评价，并在 2 分钟内输出包含定价、技术指标和竞品对比的结构化报告。文章实测了 Cursor 和 AIHOT，效果精准且成本极低。
Matt Pocock 开源工程师级 Skill：专治 Claude Code vibe coding
Total TypeScript 作者 Matt Pocock 开源了其个人常用的 16 个 Claude Code Skill，GitHub 星标迅速突破 38k。这套工具主张“真工程师”模式，摒弃了 BMAD 等重流程框架，采用“小、可改、可组合”的 Unix 哲学。文章详细解析了针对 Agent 失败四大根因（需求模糊、啰嗦、代码报错、屎山）的解决方案，重点介绍了 CONTEXT.md 建立项目共享语言的方法，适合具备工程基础的开发者提升 AI 编码效率。
深度解析: Claude Code 51万行源码背后的5个炸裂发现
本文基于Anthropic误暴露的51万行Claude Code源码，深度解析了其背后的产品哲学。核心发现包括：通过四维记忆系统解决AI遗忘问题；Coordinator模式揭示了AI管理逻辑与人类管理的一致性；23道安全检查与YOLO分类器构建的安全体系；极致的Token缓存策略优化；以及KAIROS等未发布的隐藏功能。文章指出，Prompt和自然语言指令体系才是AI产品的真正护城河。
从零构建 Claude Code：AI 编程代理的实现原理
文章深入剖析了 Claude Code 背后的核心架构，指出其本质是一个“感知-行动-观察”的循环系统。作者演示了如何从简单的命令行脚本开始，逐步构建一个具备文件读写、精确编辑、代码库搜索及权限控制的 AI 代理。文章详细讲解了 Agent Loop（代理循环）、结构化工具调用、子代理上下文管理以及 CLAUDE.md 项目上下文等关键技术点，并最终提供了一个约 150 行的完整 Python 实现示例。
Lyft联合创始人使用Claude Code构建的九条规则
本文介绍了Lyft联合创始人Matt Van Horn在不读写代码的情况下，利用Claude Code和Codex构建开源项目并登顶GitHub Trending的九条规则。规则包括快速发布、编写计划、信任Agent、优化使用成本、提供CLI工具、让工具自记笔记等，展示了非程序员如何高效利用AI进行开发。
实战踩坑：便宜模型执行、贵模型编排？没这么简单！
文章通过三个真实案例，验证了“贵模型编排、便宜模型执行”这一省钱策略。作者发现，虽然便宜模型在文本判定等任务上能打平顶尖模型，但在高复杂度代码和开放式视觉任务上存在局限。关键在于控制模型能力代差和任务可验证性，否则返工成本将抵消节省的 token 费用。
PI > ClaudeCode/Codex?
本文对比分析了开源命令行编程工具 Pi 与 Claude Code、Codex 的性能。Databricks 的评测显示，Pi 在真实代码库上的 token 消耗显著更低，性价比极高，甚至压过了官方工具。文章探讨了 Pi 高性价比的原因，如精简的系统提示词，并指出了其在高强度思考下的局限性及功能缺失。
Trajectory: Agent 经验数据的标准格式
文章介绍了 Trajectory，一个开源的数据格式标准化工具，旨在统一不同编码代理会话（如 Claude Code、Codex 等）的数据格式。该格式注重令牌效率，便于代理从过去的经验中学习，解决跨平台数据碎片化问题。