本文介绍了一个名为 eng-shape 的技能，旨在帮助产品团队在开发前确定产品的形态（如机器人、仪表盘、扩展等）。作者指出，需求并不能决定产品形态，而大多数 AI 代理对此缺乏创意。该技能通过七步流程，包括定义核心三元组（谁触发、谁使用、在哪里运行）、进行 GitHub 调研、归类原型、评分选择等，最终生成一份约 120 字的构建简报。文章还讨论了在规模化场景下该技能的局限性，并推广了包含此技能的 AI PM OS 产品套件。
本文探讨了在软件工厂中验证循环（verification loops）对产品经理（PM）的重要性。文章指出，随着AI代理的普及，人类不再直接提示模型，而是通过编写循环让代理自主工作。验证循环是代理工作、评分、再工作的迭代过程，其中评分器（grader）是关键部分，PM应参与定义评分标准，以确保产品符合用户需求。文章详细介绍了验证循环的五个组成部分、五种评分方法（确定性检查、LLM作为评委、浏览器视觉验证、模拟环境和离线实验），并举例说明如何在构建循环和优化循环中应用这些方法。最终强调，PM在优化循环中可以利用验证循环来评估产品上线后的用户行为，从而推动产品改进。
本文介绍了AI PM OS 2.6版本的更新内容，重点包括对240多个技能的重构，以适应当前模型能力的提升，并探讨了技能作为工作单元的未来。此外，新增了'好PM/坏PM'技能，通过识别用户行为模式并提供引导，帮助产品经理自我改进。作者强调技能不会消失，但其形态和组合方式正在演变。
本文探讨了AI代理普及后，人类从执行者转变为监督者的现象。作者指出，当执行成本降低，监督成为新的瓶颈，并提出了一个包含委派契约和监督循环的框架。委派契约包括成果、上下文、决策权和验证四部分，监督循环则包括派遣、检查点、验证、升级和记录五步。文章引用了OpenAI和Anthropic的数据，强调了明确边界和验证的重要性，旨在帮助知识工作者有效管理AI代理，避免陷入协调困境。
本文介绍了 Claude Code 中的“循环”概念，即智能体重复执行任务直到满足停止条件。文章详细讲解了基于回合、基于目标、基于时间和主动式四种循环类型，并提供了相应的使用场景与示例。同时，文章还分享了保持代码质量和管理 Token 用量的最佳实践，帮助开发者高效利用 Claude Code 完成复杂的自动化任务。
本文旨在探讨如何像管理代码一样管理 Claude Code 的配置目录 .claude/。文章首先指出了混乱的目录结构会随着项目增长导致维护困难，随后提出了一套包含 CLAUDE.md、settings.json、rules/、hooks/、commands/、skills/ 和 agents/ 的标准化目录蓝图。接着，文章详细阐述了核心原则，包括顶层设计的轻重分离、规则模块化、自动化脚本与复用工作流的区别，以及团队与个人配置的边界。最后提供了从简单到复杂的渐进式成长路径，帮助开发者构建可预测、可维护且易于团队协作的 AI 辅助开发环境。
本文是一份关于 Claude Skills 的完整指南。文章指出 Claude Skills 不仅仅是保存的提示词，而是包含具体指令、标准和输出格式的“培训文件”。作者将其比作训练有素的员工，而非临时工。文章详细介绍了从安装第一个 Skill 到构建自定义 Skill 的四个阶段：安装、构建、测试优化以及建立技能库，并提供了具体的操作步骤和行业应用场景，旨在帮助用户建立可重复的系统以自动化任何行业的工作流。
本文分享了 Anthropic 团队使用 Claude Code 中“技能”功能的实战经验。文章将技能归纳为九大类（如 API 参考、产品验证、业务流程等），并总结了编写高质量技能的最佳实践：如利用文件系统结构、建立“陷阱”提示区、渐进式披露以及使用配置文件管理上下文。作者强调了技能不仅是文本，而是包含脚本和资源的文件夹，并探讨了如何通过内部市场分享和评估技能。
文章分析 Claude 桌面端改版引发老用户不满的原因。作者认为设计团队追求工整规范，却抹掉了产品的独特质感。作者总结品牌升级三大禁忌：一是动了用户已习惯的感官直觉，把有辨识度的个性误当不规范，导致产品同质化；二是用内部生产效率代替用户实际收益，只强调3周快速上线却未说明对用户的具体好处；三是把'做出来了'当成'证明有效了'，缺乏真实任务中的行为数据验证。作者提出改版前应自问：用户心中的感官词是否被磨平、新收益能否覆盖学习成本、哪些特色必须保留。真正的升级是修掉硬伤、留住特色。
作者实测 12 个 Personal Agent，基于 1505 条覆盖 11 类的用例，总结出评判 Personal Agent 好用程度的五个维度：记忆能力、信息获取、Computer Use、主动性和多端联动。文章通过记账、海鲜市场自动回复、自动剪辑视频、跨设备调度 Codex/Claude Code/Grok 等 9 个真实案例展开分析，指出 Agent 与个人已有账号和应用生态的重叠度决定其上限，并对比了 Today、Grok Bot、OpenAI Dots、千问等产品的差异，最终分享了以手机远程调度多台电脑多 Agent 协同的工作流。
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。
作者高强度实测 Grok Bot 两周后的经验分享。Grok Bot 自带 24 小时云端主机，持久化硬盘、多 Bot 共享同一台电脑，还可远程桌面操作。文章介绍了 Connect Apps 连接 GitHub、X、Gmail、Notion 等生态的用法，以及信息雷达、仓库盯梢、邮件分拣等自动化场景。重点分享了群聊多 Bot 协作的踩坑经验：上下文易乱、需要反复协调，核心是必须设立统一的协调者角色。作者据此搭建了'研发小队 Build Lab'（产品、设计、开发、测试、项目经理、增长六个角色）和'视频工作室 Video Studio'（导演、编剧、素材、配音四个角色）两套协同流水线，并公开了配置模版和社区资源链接。
本文介绍如何用 Claude Code（Opus 5.5）实现视频自动化剪辑：将原始 MP4 或文章丢入本地文件夹，让 AI 一次性完成去水词、加字幕、绘制解说动效并合成导出 MP4。与传统扩散模型 AI 视频工具不同，该方法采用可编程视频渲染路线，通过 HTML Canvas + Playwright + FFmpeg + F5-TTS 用代码逐帧画出视频。作者分享了三个实操诀窍：用交付清单代替复杂提示词、截图投喂视觉参考、丢案例库网址进行逆向工程并沉淀为 SOP。文中还拆解了完整的工程级渲染管线，包括分镜对齐、本地语音克隆、字级音画同步与自动化视觉 QA，并附上可直接复用的完整 Prompt 模板及适用场景边界建议。
