个人 AI 基础设施构建指南
本文基于 Daniel Miessler 的 PAI 框架，阐述了如何构建个人 AI 基础设施。核心观点包括从自我定义而非工具开始、利用 TELOS 身份系统构建画像、建立三层记忆架构、遵循代码优于 Prompt 的确定性原则，并提供了一个分阶段的实践路线图，旨在将 AI 升级为持续学习的数字助理。
相关文档
如何用万字提示词和10个文件为AI打造数字灵魂：Personal AI Infrastructure
文章介绍了一套名为Personal AI Infrastructure (PAI) 的开源方法论，旨在通过万字提示词和十个精心设计的文件，将Claude Code等AI工具从“自动售货机”升级为长期记忆的“操作系统”。核心包括定义数字身份的TELOS系统、模拟人脑的记忆架构、主动感知的Hooks机制以及可扩展的Skills技能库。该系统强调数据主权、版本控制和工程化原则，致力于让AI真正理解用户并成为持久的生活与工作伙伴。
很多提示词和 Skill，其实都已经过时了
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。
NotebookLM Video Overview System Prompt
本文分享 NotebookLM Video Overview 功能的系统提示词，展示如何通过多步协同创建工作流将原始素材转化为电影级视频。提示词详细定义了上下文收集（利用笔记本摘要、对话历史和隐含偏好预填充字段）、用户意图解析与消歧（区分已有产物与新建创作、处理重新开始与卡片废弃）、翻译与本地化规范（界面字符串翻译为用户语言但保留结构标识符），以及问卷卡片和审核卡片等多步骤协作流程。
入职大厂两个月，我的 AI 开发心得
作者分享入职大厂两个月从事 Agent 开发与后端维护的 AI 编程工作流。介绍了常用 Skill（grill、implement、ponytail、handoff 等）与简短 Prompt（第一性原理、对抗性审查、消融实验、奥卡姆剃刀、高内聚低耦合），指出随着模型能力增强，过重的 Workflow 反而成为噪声，应使用方法论式思维快捷键。同时分享了日常开发流程：grill 需求对齐、沉淀 Spec、任务拆分并行开发、交叉审查；重点讲解如何构建 Agent 友好的端到端测试环境（CLI、MCP、浏览器自动化），以及 Review AI 代码的实践。最后总结当前瓶颈在 Review 速度，Harness 需随模型迭代做减法。
浅谈 AI 进化史
作者以个人技术视角回顾了 2022 年底 ChatGPT 上线至 2026 年约四年的 AI 发展历程。从最初围绕聊天框的 Prompt Engineering，到 2023-2024 年 RAG、工具调用与工作流编排（LangChain、n8n、Dify、MCP）；2025 年 Codex CLI、Claude Code 等编程 Agent 兴起，本地部署与浏览器 Agent 出现，长任务催生上下文工程与 Harness 机制；2026 年 Skills 生态、OpenClaw 个人助手、多 Agent 协作与电脑操作能力成熟。文章梳理了从聊天框到完整任务执行系统的演进脉络，展示了 Agent 工具、技能与协作形态的迭代过程。
GPT-6 官方推荐的 11 段提示词：不知道怎么用，就从这里开始
OpenAI 在 GPT-6 Astra 发布时提供了 11 段官方提示词，帮助用户减少模型中途停顿、跑偏和套话问题。作者将其按场景整理为中文版并附英文原文，涵盖五大类：主动性与持续推进（让模型自主完成任务、先准备成果再请求批准）、指令遵循（用户指令优先于 Skill、冲突时说明规则）、表达与写作风格（先讲重点、按读者调整细节、删除套话与模板表达）、子代理任务分派（并行委派、消息可读性）以及测试与验证（测试范围与改动相称）。涉及文件修改、部署等条目需在 Codex、API 或 Agent 环境中使用。
Become AI Agentic Engineer in 6 Weeks (Full Course) - Part 2
这是 AI Agentic Engineer 系列课程的第二部分，深入讲解提示词工程与上下文安全。文章首先介绍 LLM 的指令层级（系统提示、用户消息、工具结果），强调层级只是辅助而非安全模型。随后详细分析直接提示注入与间接提示注入两类攻击：间接注入尤其危险，因为恶意指令藏在外部内容（网页、邮件、GitHub issue 等）中，用户毫不知情。核心防御是来源标记，即区分内容的可信级别，同时强调授权必须在模型之外的后端以确定性方式实现，防止智能体成为权限绕过的工具。
读完醍醐灌顶啊！人大联合北大、清华等团队发布149页Agent综述：Prompt时代正在结束，Runtime时代已经来了
本文介绍了一篇由人大联合北大、清华等团队发布的关于长时程智能体（Long-Horizon Agents）的综述论文。文章指出，AI Agent 下一阶段的竞争关键在于能否持续工作数小时甚至更久，而不仅仅是模型本身的智能。作者强调，强大的 Agent 需要结合模型能力与外部 Harness（运行系统），并提出了 Agent 发展的三个阶段（Prompt Engineering、Context Engineering、Runtime Harness）以及三个能力等级（H1、H2、H3）。最后，文章列举了长时程 Agent 在软件工程、深度研究、电脑操作、多模态和通用生产力等领域的应用，认为 AI 正从单次回答向持续完成工作转变。
如何让 Claude 像博士生一样研究：斯坦福 STORM 方法
文章介绍了斯坦福大学开发的 STORM 研究系统，该方法通过多视角提问和信息检索生成高质量文章。作者将其简化为 4 个提示词，让用户能在 5 分钟内利用 Claude 生成类似博士水平的深度研究报告，包含视角分析、矛盾映射、综合综述和自我评估。
从 CoT 到 ReAct：用 Python 搭建 LLM Agent 实战指南
本文通过 Python 演示了如何搭建一个具备规划、工具调用、验证和复盘能力的完整 LLM Agent。教程详细拆解了 Plan-and-Solve、ReAct、Verification、Self-Refine 和 Reflexion 五个核心模块，强调了结构化数据控制流程的重要性，并提供了工程落地的具体代码实现与原则。
Context Engineering for Outbound
文章探讨了上下文工程在外拓代理中的应用，强调通过精心设计上下文窗口（包含角色、案例、证据和规则四层），解决模型幻觉和生成内容泛化的问题。文章介绍了组装、撰写和优化三个核心技能，以提升个性化消息的质量和响应率。
Fable 循环库：25 个全自动工作流实战指南
本文介绍了一套包含 25 个工作流的“Fable 循环库”，旨在教读者如何利用 Claude Code 的 /loop 和 /goal 命令实现 AI 自动化。文章详细阐述了基于目标、边界和结果的 Agent 核心逻辑，区分了循环和目标的区别，并按营销内容和产品两个维度，展示了如何利用 MCP 和 API 自动执行 SEO 监控、内容挖掘、竞品分析及用户体验优化等任务。
