Graph Engineering with Claude: 14-Step roadmap from 0 to graph architect
本文介绍了如何使用 Claude 构建图结构的 Agent，替代传统的线性执行模式。文章详细阐述了节点与边的定义、契约设计、并行化执行等核心概念，通过动态工作流实现任务的分发、验证与聚合，从而提升效率与系统的鲁棒性。
相关文档
The complete Graph Engineering playbook for Claude Code
本文介绍了Graph Engineering（图工程）的概念，阐述如何利用Claude Code构建分布式Agent系统。通过将任务分解为线性、分发、规约和验证等节点，实现高效、可靠的AI工作流，优化计算成本和结果质量。
为什么顶级 AI 工程师不再写提示词：Loops 与 Harness 的崛起
文章指出，AI 交互方式正在从单一的“提示词”转向“循环”。顶级工程师不再手动编写 Prompt，而是设计自动化循环，让智能体自我迭代直至任务完成。以 Slate 工具为例，介绍了如何通过编写 JavaScript“程序”来掌控循环逻辑，实现多模型并行处理和真实世界交互，从而构建更强大的智能系统。
Graph Engineering with Claude: the 11-Step Roadmap From Loops to Graph Architect
本文阐述了从单一循环工程向图工程演进的必要性。针对单一 Agent 在处理复杂任务时上下文混淆和幻觉问题，作者提出了由节点、边、路由器和状态四大基础构建块组成的图架构，并通过序贯链和路由器等模式，展示如何协调多 Agent 系统以实现高效输出。
如何使用Linear管理Agent并构建软件工厂
作者分享了使用Linear工具管理编程Agent的实战经验。他将任务按结果层级组织，利用分流箱收集问题，并通过分批处理工作流来提高效率。文章重点强调了制定清晰的Ticket契约（目标、原因、结果）、确保Agent完整完成任务以及实现无监督并行工作，从而打造个人“软件工厂”以提升生活质量。
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。
Claude 动态工作流终极指南：12分钟处理113个智能体任务
文章深入探讨了 Anthropic 推出的 Claude 动态工作流功能。通过将协调器从昂贵的模型转移到代码中，用户可以在12分钟内调度113个智能体处理195万Token的任务，且协调成本为零。文章详细解析了六大工作流模式（如分类并行动作、发散综合、对抗验证等），并以处理100个用户访谈为例，展示了如何从原始数据聚类、打分到生成原型，实现全自动化闭环，特别适合产品经理进行复杂的市场研究和原型验证。
Claude Opus 4.7 vs GPT-5.5：亲测三天后的真实心得
本文分享了作者通过十亿Token的消耗量，在三天内深度对比Claude Opus 4.7与GPT-5.5的真实心得。测试涵盖大型代码重构、Agent搭建及前端生成等场景。结论显示，GPT-5.5在推理效率、执行力和成本控制上表现卓越，已成为作者的主力工具；而Opus 4.7虽在规划与视觉分析上仍有优势，但存在Token消耗激增、上下文检索变差等“倒退”问题。文章还总结了Reddit社区的声音，提出了“Opus规划、GPT执行”的Handoff最佳工作流。
Claude Skills 架构进阶：从单一指令到可扩展智能系统
本文是 Claude Skills 掌握指南的第二模块，重点讲述如何从单一使用的技能进阶构建可扩展的智能自动化系统架构。文章详细介绍了引入 Scripts（脚本）层来处理计算、文件操作等纯指令无法完成的任务，并通过“单一职责”、“动态参数”等最佳实践优化脚本。同时，针对多技能环境下的冲突问题，提供了定义清晰领地、设立负向边界和独特触发词的解决方案，并探讨了大型参考资料的高效加载策略，旨在帮助用户设计模块化的智能工作流。
9个改变生活的Claude Skills及模板
本文分享了9个精心打磨的Claude Skills模板，旨在帮助用户提升工作效率。内容涵盖了个人晨报、品牌语调、标准化流程、个人研究、内容二次利用、商业咨询、提示词优化、快速编码及个人战略顾问等实用技巧。作者提供了具体的Skill描述，鼓励读者直接应用这些工具来优化工作流。
如何把 Opus 5.5 变成工作室：动效设计、Harness 与循环的完整指南
文章介绍了 Anthropic 发布的 Claude Opus 5.5 模型，其性能达到 Fable 5.1 水平但运行成本低 40%，尤其在长时间自主任务中表现突出。作者指出动效设计、Harness 工程和循环工程三者实为一个完整技术栈，并以五部分结构展开讲解：模型本身的基准数据与定价、如何用它做纯代码驱动的动效/动画创作、让输出可靠化的 Harness 工程、让 Agent 持续自主工作的循环机制，以及如何用单个模型串联整个工作流。文章强调缓存读取降价 60% 使长循环成本可控，并列举了大规模代码迁移、翻译 HAProxy 等实际案例。
从一个 Bot 到一整个组织，Grok Bot 的进阶用法分享
作者分享了国庆期间折腾 Grok Bot 的进阶用法，搭建了两套 AI 组织体系：一套服务跨境电商的 12 岗位亚马逊团队，一套服务个人自媒体 IP。核心玩法包括：将本地电脑托管给云 Bot，把在 Claude、Codex 中打磨好的 Skill 迁移给 AI 员工；按功能拆分岗位并写清职责边界；用 1+N 统筹机器人模式降低 Token 消耗；让 Grok 调用 Codex、Cursor 等外部 Agent 实现模型分层；接入飞书 CLI 落成云文档，以及通过 GBrain 知识库打通手机资料收集与工作流。文中还强调了岗位权限边界与人工把关的重要性。
How to Build a Multi-Model Team of AI Agents in 2026
本文介绍 2026 年构建多模型 AI Agent 团队的完整方法。作者指出使用单一模型会导致高成本低效、专业能力受限以及单供应商故障/盲点风险，主张按任务步骤选择合适模型。文章梳理了 2026 年 9 月的主流模型阵容（Claude Opus/Sonnet/Haiku/Fable 5.1、GPT-6 Astra、TypeSafe Jev）及定价，提出五层架构：路由器、编排器、专家模型、评审者（critic）和纯代码层，并讲解如何先对工作负载分类（决策、简单生成、真实工作、难题），再为每层选择最划算的模型。文中附有统一封装多供应商 API 的示例代码，涵盖 effort 参数与 thinking block 处理细节。
