如何编写有效的 CLAUDE.md 文件
本文介绍了如何编写高效的 CLAUDE.md 文件，基于 Anthropic 工程团队的最佳实践。文章强调了保持文件简洁、内容通用的重要性，并提供了具体的结构和编写技巧，如使用强调标记和分层组织内容。
相关文档
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。
Fable 实战指南：如何发现与处理你的盲点
文章探讨了在使用 Claude Fable 5 进行 AI 辅助编程时，“地图”（提示词）与“领土”（实际代码库）之间的差异，即“未知数”。作者提出了将未知数分为已知的已知、已知的未知、未知的已知和未知的未知四个维度。为了解决这些瓶颈，文章详细介绍了在实施前通过“盲点排查”、头脑风暴与原型、访谈和引用参考四种模式来帮助 Claude 更好地理解上下文，从而提升 Agent 编码的质量。
Karpathy 的 10 条 Claude 新军规：从交任务到交责任
文章解读了 Andrej Karpathy 团队泄露的 CLAUDE.md 文件，包含 10 条核心原则。对比社区早期提炼的 4 条，新增的 6 条（先读代码、自我验证、调试、依赖管理、沟通、失败模式）针对的是无人值守的“交责任”场景，是实现 Loop 工程化和放手 Agent 的关键。
打造完美 Claude 技能的六大模式
文章基于对 100 个优秀 Claude 技能示例的分析，逆向拆解了编写高效技能（Skills）的六大核心模式。这些模式包括：在描述中明确触发时机而非仅描述功能、使用祈使句而非对话式指令、严格指定输出格式、增加“先读取”步骤以理解上下文、明确界定技能不负责的范围，以及将技能长度控制在 500 行以内。文章最后通过一个完整的 /commit 技能示例演示了如何应用这些原则。
克劳德提示大师班：如何获得精英级成果
本文是一份关于如何高效使用 Claude 模型的实战指南。作者指出提示工程是当下最值得学习的 AI 技能，并详细剖析了缺乏上下文、指令含糊和不迭代这三大常见陷阱。文章基于 Anthropic 官方文档，总结了构建优秀提示的五大要素，并分享了结构化提示、反向提示、深度思考触发等高级技巧，旨在帮助用户掌握与 AI 沟通的艺术，从而获得高质量的输出结果。
让 Claude Cowork 效率百倍的 17 个最佳实践
作者基于 400 多次 Claude Cowork 使用经验，总结了从“尝鲜”到“生产力工具”的关键差异。文章详细介绍了上下文架构（如 _MANIFEST.md、全局指令）、任务设计及上下文控制等 17 个具体实践，旨在通过结构化设置解决 AI 输出不稳定的问题，实现高质量、自动化的工作流。
Claude Code 超保姆级入门教程
面向编程小白 Claude Code 入门教程。作者结合 Opus 5.5 更新后的日常使用经验，从 Chat 与 Code 的区别讲起，介绍桌面 App 的下载安装、界面布局、权限模式（Manual/Accept edits/Plan/Auto）的选择，并通过文件整理案例演示第一个任务的完整流程。随后讲解改动撤回与安全保险机制、项目文件夹的组织方法，重点解析 CLAUDE.md（规矩）、项目文档（进度）、资料与记忆四个易混淆概念，给出 CLAUDE.md 的写作原则与两份可直接套用的模板，并分享了开发 Obsidian 插件、制作宣传视频等实战案例。
Research Engineering: 构建AI研究机器
文章提出'研究工程'（Research Engineering）的实践方法，指出常见AI搜索工具只是'带浏览器的流畅回答'，其核心缺陷在于缺少支撑证据的系统。作者提出一个与模型无关的六阶段研究工作流架构：定义研究简报、拆解查询计划、搜索与抓取、记录证据账本、验证声明冲突、生成带来源报告。文章强调要给agent明确的研究契约（含范围、时间点、比较维度、停止条件），将问题拆成目的不同的并行搜索通道，而非让多个agent读同样的资料制造虚假共识。还介绍了多源检索策略（开放网络、X、私人文档库、数据库/API），核心目标是让AI返回更少的不受支持的声明，并持续追踪'它如何知道自己所说的是真的'。
Grok Bot: How to Hire Your First AI Employee (Full Guide)
本文系统讲解如何像招聘员工一样引入和管理 Grok Bot 等 AI Agent。作者指出常见错误是创建机器人后立刻连接所有工具并交给模糊任务。正确做法包括：定义岗位而非任务，用一句话职责加五个字段（职责、输入、可自主执行、需请示、完成标准）写成岗位说明书；首个任务应选择高频且可逆的简单工作；正式执行前先让机器人以文本形式说明计划；完成标准必须可检验而非模糊的质量词汇；权限遵循最小化原则，以可逆性划界。整体框架包括试用、考察期、基于证据的晋升和每周复盘。
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。
从零掌握 Claude Opus 5.5 提示词工程
文章系统讲解了 Claude Opus 5.5 的提示词工程方法。作者指出 Opus 5.5 是首个官方提示指南以“删减”为主的前沿模型：模型会自主决定思考深度，手动思考预算已失效，强制工具调用不再支持。核心心智模型是把 Claude 当作毫无上下文的天才新同事，需明确目标、提供充分背景、给出示例、用 XML 标签结构化输入、指定输出格式。新模型的关键变化是 effort（低/中/高/超高/最大）成为控制智能、延迟与成本的首要杠杆，默认为 medium；应停止使用“仔细思考”“一步步推理”等旧式提示，而用 effort 控制思考量。文中还包含 API 调用示例与新旧提示写法的对比。
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。