使用 Claude Code：会话管理与 100 万上下文
本文详细介绍了 Claude Code 的会话管理策略。在 100 万 Token 上下文窗口的背景下，文章探讨了上下文衰减、压缩与清空的区别、回溯功能的优势以及子智能体的应用。文章指出，理解何时开新会话、如何有效利用 /rewind 修正错误，以及通过压缩或清空管理上下文，是提升 Claude Code 使用体验的关键。
相关文档
Superpowers为什么在毁掉你的工作流？
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。
揭秘 Claude Code 核心：.claude 文件夹完全指南
本文深入解析了 Claude Code 中 .claude 文件夹的结构与功能。作为 Claude 运行的控制中心，该文件夹存储了指令、自定义命令、权限规则及会话记忆。文章详细介绍了项目级与全局配置的区别，阐述了 CLAUDE.md、rules/、commands/、skills/、agents/ 及 settings.json 的具体用法与最佳实践，帮助开发者配置专属的 AI 编程助手，提升团队协作效率。
你对 AGENTS.md 的理解几乎为零
文章探讨了开发者对 AGENTS.md 和 CLAUDE.md 等 AI 编程工具说明文件的普遍误解。作者指出，很多团队把所有希望 AI 做到的事都写进一个不断膨胀的文件，导致维护规则本身成了负担，本末倒置。正确的做法是让 AGENTS.md 保持精简（作者根文件不到 50 行），只写每次开工都需要知道的少数核心事项，再指向不同任务对应的规则文件，让 Agent 按需读取。作者引用西蒙'存储信息'与'需要时获取信息'的区分，并提醒只有在流程确实需要反复执行时才值得做成 Skill，不必急于按需调用。
2026 年 AI 编程三强横评：OpenCode / Claude Code / Codex
本文是对 2026 年主流 AI 编程框架 OpenCode、Claude Code 和 Codex 的深度横评。文章详细介绍了 OpenCode 旗下的 OMO 插件及其多 Agent 编排哲学，并犀利指出了 OpenCode 目前面临的稳定性与性能问题。同时，对比了 Claude Code 的云端重构与 Ultraplan 特性，以及 Codex 的移动端与 Symphony 框架优势。作者认为模型能力差距正在收敛，真正的竞争在于 Agent 的编排与工具链整合，并推荐新手根据稳定性与生态需求选择合适的工具。
提升 10 倍效率的 CLAUDE.md 编写指南
文章详细介绍了如何编写高效的 Claude Code 配置文件 CLAUDE.md。作者指出大多数配置文件因过长、内容错误或缺乏层级而失效。文章提出了全局、项目、本地三级文件体系，并提炼了包含关键命令、架构映射、硬性规则、工作流偏好及排除项在内的 5 个核心部分。文末附上了可直接复用的生产级模板，强调 CLAUDE.md 应作为防止特定错误的“技术简报”，而非性格设定的愿望清单。
如何优化你的 AI Harness：配置、框架与子代理指南
文章指出工程师的关注点已从 IDE 转向 AI Harness，并介绍了提升 Harness 输出质量的关键方法。核心策略包括：保持配置文件（如 .md）精简，采用渐进式披露原则以节省上下文；利用 R.P.I 框架（Research, Plan, Implement）像资深工程师一样分解问题；以及通过子代理清理主上下文窗口。文章强调，Harness 的核心在于工程判断力。
Using Claude Code: Session Management & 1M Context
文章探讨了在 Claude Code 中如何有效管理 100 万 token 的上下文窗口。作者解释了上下文污染、上下文衰减等概念，并详细介绍了通过 Rewind、Compact、Clear 和 Subagents 等策略来维持模型性能。核心观点是根据任务性质灵活选择会话管理方式，以平衡效率与智能表现。
Claude Code 团队如何进行代码评审
本文介绍了 Claude Code 团队在 AI 生成约 90% 代码的情况下如何重构代码评审流程。团队将代码评审从人工逐行阅读转变为分层自动化体系：包括 PR 前的 Claude 自验证、子代理 diff 审查、内部 skill（bug 猎捕、diff 缩减等）、以及每个 PR 的 AI 评审，仅将人类注意力保留给高风险决策。通过 CLAUDE.md 和 REVIEW.md 等文件向评审者注入项目上下文，并快速回滚机制兜底。6 月至 9 月间合并 PR 数量翻倍，回滚率下降超 40%，实现了用最少人工环节保障代码质量的目标。
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。
看 diff、开终端、跑 agent，我给自己写了个 18 MB 的编辑器
作者在 AI 编程时代工作流已从手写代码转向与 Claude Code、Qoder CLI 等 agent 协作，日常以看 diff、stage/commit 为主，因此基于 Go 的 MyGo 框架自研了轻量编辑器 Mayoi。它支持 project tabs 多项目管理、Ghostty 终端集成、按段 stage/discard 的 diff 审查、⌘V 粘贴截图给 agent、Remote SSH 远程开发等功能。相比 VS Code（905 MB）和 Cursor（970 MB），Mayoi 仅 24 MB、内存约 180 MB。当前版本无 LSP、扩展和调试器，内置 Claude、Qoder、Matrix 主题，开源且支持 macOS、Windows、Linux。
AI 开发中的关键二元选择：现成能力、Agent 与脚本边界
作者总结了 AI 开发中四个关键的二元选择：一是优先使用现成的开源能力（skill）而非从零开发，通过 GitHub star 数判断成熟度；二是 OpenClaw（龙虾）适合已搭好管道的日常自动化（BAU），而搭建复杂系统应使用 Claude Code、Codex、Jules 等开发工具；三是多 agent 并非越多越好，应先单 agent，确实不够用再逐个增加，复杂度是敌人；四是确定性逻辑用脚本执行，大模型只用于需要判断的环节，高风险决策需人工审批，最终形成脚本+大模型+human approval gate 的结构。正确选择可节省大量时间。
Cursor + Grok Bot + pstack：教你用原型和证据，把方案先跑一遍
本文深度拆解 Lauren 的 pstack 第二篇，探讨如何让 AI Coding Agent 在写代码前正确理解问题。文章介绍了 /how、/why、/teach、/recall 等上下文工具的用法，强调用代码而非文档来规划：先写使用教程倒推架构，通过低成本原型比较不同方案，用 /architect 让多模型并行设计并交叉评审，以及在多阶段计划中要求每一步都以可复查的证据结束。作者认为，Agent 可能比人更快更强，但最终是否接受方案仍需人来判断，验证应从开发前就开始参与决策。
