如何彻底去掉AI味：打造个人写作专家系统
本文探讨了去除AI写作痕迹的方法。作者指出，仅靠提示词或改句式无法真正还原个人风格。其终极方法是构建一套写作专家系统，明确作者身份、文章类型规范及禁忌，并通过多轮独立审稿和规则迭代，让AI文章真正具备个人辨识度。
相关文档
如何训练符合个人风格的 AI 写作 Skill
作者分享了利用 Hermes 训练个人写作 Skill 的实践经验，包括精选 50 条真实内容进行语调学习、构建 Benchmark 测试体系、修正事实篡改问题，以及通过注入 Context 解决“无灵魂”生成的方法，最终实现约 70% 的可用性。
Motion Engineering: 一个 Agent 打造五个部门的动画工作室
文章介绍如何将 Claude Opus 5.5 变成一个完整的动画制作团队，通过设立导演、艺术总监、动画师、渲染工程师和评审五个“部门”，让一个 agent 依次完成故事策划、视觉设计、动画编码、渲染和质检的全流程。作者强调关键不在模型本身，而是围绕模型构建的生产系统：使用 Claude Code 作为 agent、Remotion 作为视频框架、FFmpeg 处理媒体。模型不直接生成像素，而是编写产生帧的代码，使首个视频成为后续的基础。真正的“一次成型”背后往往是详尽的提示词、参考资料和生产环境，工作室化流程才是可复现视频创作的核心。
The 2026 LLM Engineering Roadmap
本文提出了2026年LLM工程路线图，指出与LLM工作不只是提示词，生产级系统需要对LLM的工程化、部署和优化有深入理解。文章总结八大支柱：提示工程（将prompt当作代码管理）、RAG系统（嵌入、检索、重排）、上下文工程（管理上下文窗口中各类信息的取舍）、微调（LoRA/QLoRA等技术）、Agent（工具调用循环与编排、状态管理、重试逻辑），并为每个领域提供了大量免费开源学习资源，如Anthropic、OpenAI官方指南及多个GitHub教程仓库。
Motion Engineering: 用 Opus 5.5 搭建视频工作室
文章介绍如何围绕 Claude Opus 5.5 构建程序化视频生产系统。作者 rari 指出，大多数用 Opus 5.5 制作的demo千篇一律，差异不在提示词，而在模型周围的系统工程。核心思路是让模型编写帧函数，渲染器跨时间轴生成视频，从而实现可控、可修订的视频制作。文章提出工作室五层架构：导演（明确目标）、参考（视觉规范）、时间轴（叙事节拍）、渲染器（Canvas/SVG、Remotion、HyperFrames）和评审循环，强调把决策显式化，避免模型用默认视觉方案填充空白，最终产出可复用的视频生产流程。
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。
Using Claude Code: Spending your effort
本文深入探讨了 Claude 模型中 effort（努力程度）参数的作用与使用策略。作者通过实验和 Terminal Bench 3.0 基准测试分析发现：effort 本质上是控制模型在任务上投入的算力与自主判断程度。高 effort 在验证和边界测试重要的场景（如硬件、代码审查、安全）表现更佳；低/中 effort 则适合快速迭代、保持人类在环。作者还比较了不同规格化程度任务在各级 effort 下的输出差异，并总结出一套高效工作流：先让模型访谈自己补全规格，用低 effort 实现，人工审查后，再用高 effort 做验证和测试。
我的“完形填空式”去 AI 味写作法
作者提出AI味无法通过提示词或Skill彻底去除，核心在于文章结构必须由人把控。他介绍“完形填空式”写作法：先快速口述或打字写大纲，不确定处用xxx留空，让AI查资料、补案例、扩写润色，最后人工删改。文章还涵盖选题与叙事方式、通过过往文章提炼或口述保持个人风格、建立AI高频词黑名单（黑话、套话、时代腔等）、用逻辑信息图配图的方法，以及搭建写作上下文项目供Agent参考，形成完整的人机协作写作流程。
Software Engineer to AI Engineer: Best Move 2026
本文探讨软件工程师如何转型为AI工程师。作者指出AI工程师日常工作中约80%仍是传统软件工程，核心是将现有AI模型（如GPT、Claude）集成到真实产品中。软件工程师已具备编程、API、数据库、系统设计等基础，只需补齐六大AI专项技能：理解LLM工作原理、调用LLM API、保证输出可靠性（提示工程与结构化输出）、掌握RAG与向量数据库、学习编排与Agent、以及LLMOps生产化运维。作者建议通过构建作品集、在团队中主动承担AI功能、使用AI工具提升效率来加速转型，强调转型并非抛弃既有技能，而是在其上叠加AI层。
The Complete Guide to pstack Pt. 2
本文是 pstack 指南的第二部分，探讨如何利用 pstack 进行调研、规划、原型设计和架构。作者强调验证是基础，但之后需明确构建目标。文章介绍了间接提示、/teach、/how、/why、/recall 等技巧，帮助代理理解意图和上下文，并指出历史记录是丰富上下文的金矿。最后讨论如何指定解决方案，避免过度指定实现细节。
Skill 真要被干掉了？OpenAI 祭出了 GPT-6 Astra 的使用焚诀
文章介绍了 OpenAI 发布的 GPT-6 Astra 的新特性与官方 Prompt 最佳实践。新特性包括：异步工具调用（模型层面支持执行工具时继续其他任务）、中途引导（可通过 Responses API 插话修改生成方向）、按任务难度切换推理强度并保留缓存、偏离检测（后台异步审查模型意图与行为）以及推理档位限制。Prompt 实践方面涵盖主动性执行、指令遵循（用户指令优先于 Skill）、写作风格去 AI 味、子代理委托和测试验证等场景，并给出了具体可复用的提示词示例。作者重点分析了去 AI Slop 的写作配方，认为官方 Prompt 在个性化和写作方面优化明显。
Anthropic 如何构建产品，软件工程又将如何改变 | 深度解读 Claude Code 一线工程师 70 分钟访谈
本文深度解读 Claude Code 开发者 Thariq Shihipar 的 70 分钟访谈，揭示 Anthropic 内部如何用 AI 做工程。核心观点包括：工程师抽象层级必须上移，把 Claude 当思考伙伴；知识工作皆可代码化；模型越强 harness 越复杂；自主性取决于 ticket 质量；提示工程被重新定义为注入上下文的一切；品味成为稀缺资源；验证能力重要性暴涨（测试代码需多 100 倍）；写作与信任文化规范；以及 loop engineering、生成式界面等将扩散到全行业的转变。
GPT-6 Astra Prompting Masterclass
OpenAI 的最新模型 GPT-6 Astra 能力大幅提升，过去用于强制模型运行测试、逐步思考等行为的旧提示词反而会拖累表现。文章总结了 Astra 需要显式提示的五大行为：主动性（过早停下来提问）、指令优先级冲突、默认过度 Markdown 的写作风格、子代理委派不足、过度测试。作者提出一个 8 块提示框架（目标、上下文、优先级、自主性、工具、输出、验证、停止条件），并强调按需选用。文中还给出清理过时指令文件、编写 Skill 文件的三条规则，以及控制文风、抑制套话的具体提示词模板，帮助开发者适配新模型的提示工程实践。
