本文由Parallel Web Systems撰写，旨在指导开发者如何有效评估AI系统中的网络搜索API。文章首先区分了搜索、提取和任务三种相关功能，并强调评估应基于最终答案而非中间输出。作者建议构建可靠的金标准数据集，避免过度依赖公共基准，并设置控制变量的测试环境。同时，文章讨论了搜索模式（如fast与advanced）的选择、模型与搜索配置的匹配，以及使用LLM作为评判者的评分方法。最后，作者提供了Parallel Search API的最佳实践，包括使用objective字段和限制搜索预算等。
Cloudflare 数据显示 AI 自动化流量首次超过人类（57.5% vs 42.5%）。文章分析搜索用户从人、到大模型、再到 Agent 的三次演变，指出 Agent 场景下搜索的三大卡点：结果需可直接用、信源要可信、速度要快。腾讯「元宝搜索」通过提供完整正文、接入 157 个权威信源、索引期压缩网页为 100 token 支持 KV Cache 复用等优化，使 Agent 完成任务的平均搜索调用从 8 次降至 5 次。作者实测 9 个品类 31 条 query，认为其强项为权威性、时效性和正文提供能力，适合国内 Agent 开发者，但学术论文、生活服务等场景需配合垂类 API。文章最后介绍了三种接入方式与按量计费价格。
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。
文章介绍了如何将决策模型Jev嵌入现有Agent工作流：将任务拆分为四部分——开放式生成交给LLM，决策判断交给Jev，确定性规则用代码处理，有后果的授权交由人工。作者讲解了Jev的三种问题类型（Choice、Score、Noul）及适用场景，并以晨间简报为例演示如何构建一个保存交接任务的路由器，从Demo逐步演进为可长期运行的完整工作流，还总结了模型路由、工具调用审查、上下文筛选等11类决策层可接入的位置。
OpenAI初创团队Applied AI负责人Wulfie Bain指出，即使是顶级AI创业公司，其提示词也普遍存在矛盾与歧义。核心原因在于提示词的演进是增量式的：只加不删，无人端到端审查，导致“意面式”提示词；而工程师依赖隐式知识解读提示词，忽略了模型缺乏这些背景。作者主张将提示词视为产品决策和代码来对待——结构化、模块化、可维护（MECE原则）。通过重构提示词，多家创业公司实现了提速50%、留存提升40%、成本降低30%的效果。
文章提出 Skill 本质是一个微型 Harness，一个完整 AI 工作系统包含六层：信息边界、执行编排、记忆与状态、工具系统、约束恢复、评估观测。作者给出六步写作法：先写 description 作为触发开关，再按任务脆弱程度定正文松紧，超过 500 行的资料拆成参考文件，重复操作固化为脚本，写明失败时的默认行为，最后用真实任务验证迭代。文章强调 description 是主要触发机制、模型天生欠触发、上下文窗口是公共资源、卡的下限由失败处理决定等实战经验，并提供最小可用卡模板和发布前检查清单。
本文作者作为Superpowers插件早期用户，分析了该插件中14个skill在当前前沿模型（如GPT 5.6 Sol）日益强大的背景下的适用性。作者认为，虽然每个skill本身具有合理的软件工程依据，但作为强制工作流组合使用时，会导致流程复杂化、过度设计、时间和token消耗增加，反而降低开发效率。建议开发者根据实际需求提炼使用，而非全盘套用。
文章探讨了在生产环境中实施智能体知识图谱的实际经验。作者指出，并非所有场景都需要图谱，大部分问题可通过元数据过滤或混合搜索解决。只有当需要多跳连接（如根因分析）时才需引入图谱。建议将图谱分为领域图、词汇图和主题图三层，并从简单的单智能体流程开始构建。
文章详细解读了 Anthropic 发布的 Claude Opus 5 模型及其官方提示指南。核心内容包括“Effort（努力）”设置的使用、从“怎么做”转向“为什么”的提示策略、删除验证指令以降低成本、以及如何控制响应长度和 Agent 叙述行为，旨在帮助用户最大化发挥模型效能。
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。
本文由作者因遭遇 AI 智能体失控产生高昂费用的经历引出，旨在阐述构建生产级 AI 系统必须掌握的核心概念。文章提出了 AI 系统的通用公式：记忆（RAG）+ 思考（LLM + Tokens）+ 行动（Agents）+ 测量（Evals）。文中重点解析了 Tokens 与上下文窗口的成本与限制、嵌入向量与语义搜索的原理、RAG 检索增强生成的正确姿势、智能体循环中的工具使用与停止条件等关键技术细节，帮助开发者从“调参侠”进阶为真正的 AI 工程师。
文章指出大多数开发者像使用初级工程师一样使用 Claude Code，缺乏有效的流程。作者提出了一套利用 Claude Code 内置原语（Plan Mode、Subagents、Hooks 等）构建的 9 步闭环流程，旨在模拟资深工程师的工作方式。该流程强调在编写代码前先探索代码库并制定计划，使用 CLAUDE.md 固化标准，利用 Hooks 强制执行不可协商的规则，并通过独立 Agent 进行代码审查，从而实现高质量、自动化的代码交付。
本文指出构建 AI 产品的核心不在于选择模型，而在于架构设计。作者分享了 10 个实用经验，强调从工作流而非模型入手、重视检索优于微调、将提示工程视为系统工程、关注延迟优化、为智能体设置护栏、妥善处理记忆、建立评估管道以及优化成本。最终，多智能体系统将是未来趋势。
