文章介绍了用AI推进真实项目时面临的两大痛点：材料多且杂导致AI抓错文件，以及新开对话后进度全丢失。作者提出「项目分身」方法：一是将项目文件夹规范为四区（01原始材料只读、02过程草稿、03内容底稿、04交付成果）；二是在根目录建立两份核心文件——CODEBUDDY.md写长期规则、00_项目总览.md记录动态进度，实现规则与进度物理分离。文章还讲解了用户提示词与系统提示词的区别、AGENTS.md跨生态通用标准及全局与项目规则分层，附上开箱即用的初始化提示词，并以「换对话不换文件夹，AI 10秒无缝接手」作为硬验收标准。
本文系统讲解如何编写和维护 Claude Code 的 CLAUDE.md 与 Codex 的 AGENTS.md 等长期指令文件。核心观点是：规则越多 Agent 反而越容易跑偏，指令文件应只保存 Agent 无法从代码推断的隐性知识。作者提出先做减法（三问：能否从项目找到、是否多数任务都用、是否长期成立），再做加法（五个问题提取业务规则、固定入口、联动关系、完成标准和权威资料），并给出内容分流表、最小模板、双工具共用一份文件的方案、加载验证方法、修剪维护节奏，以及一段可直接使用的审计提示词。
作者记录了在天津职业大学为职业本科教师开展两天智能体工作坊的过程，讲解如何用 WorkBuddy（Agent 类工具）将两门专科旧课合并开发出一门职业本科新课《包装材料应用和检测技术》。文章首先厘清三个底层认知：Agent 不同于 Chatbot，具备工具、状态、循环三大能力；上下文是 AI 不知道但对任务至关重要的信息，应让 Agent 自行从本地文件获取；工作空间是房子、上下文窗口是桌面，文件夹须分类清晰。实操部分演示了用 SGP 提示词让 Agent 先盘点 37 份材料、找出 27 处矛盾，再通过建立 CODEBUDDY.md 系统提示词和 00_项目总览.md 项目分身文件，实现文件夹分区管理、原始材料只读、事实区分已确认与待核实等协作规范。
Anthropic 发布 Claude Opus 5.5 后提供了官方 Prompting Guide。作者读完指南并总结出 17 个值得调整的用法：API 默认从 medium effort 开始，用真实任务测试最佳档位；5.5 切换 effort 不再清空 cache；长任务要一次性说清目标和完成标准，让模型维护文件中的 checklist；通过 system prompt 明确何时暂停询问；给多 Agent 工作流设置时间预算；用 subagents 处理重型任务但需核实其报告；删除'请仔细思考'等旧习惯提示词；要理由摘要而非完整推理；设计需求用删除法点名不喜欢的元素；区分用户指令与粘贴内容；Claude Code 现已支持 AGENTS.md。核心是讲清任务目标与流程，而非堆砌提示词。
本文面向 AI 新手，介绍如何根据实际需求选择 Agent 工具。文章以一张场景对照表切入，按用途分类推荐：写代码选 Claude Code 或 Codex，前者适合本地交互开发，后者擅长云端并行处理任务；处理本地办公文件和周报 PPT 选 WorkBuddy，做完整项目选 Manus；长期管理公司岗位工作选 Grok Bot，管理个人生活事务选 Muse。文章还澄清了 Manus 的 Cue 应用、Codex Bot 与 dots 的区别，并建议用真实任务试用两款工具，检验结果可用性、数字可溯性和返工成本来判断选型是否正确。
腾讯开源了 BrowserSkill，作者用 WorkBuddy 实测后评价很高。该工具由 Skill 指令、bsk CLI 和 Chrome 插件三部分组成，可让 Agent 直接复用已登录的浏览器状态，在独立 Agent Window 中打开网页、搜索、点击、读取数据和截图，不影响用户正在使用的页面。它兼容 WorkBuddy、Codex、Cursor、Claude Code 等支持 Shell 调用的 Agent。作者实测完成了环境检查、识别 17 个标签页、搜索并整理结果等任务，安装过程简单，适合网页调研、热点搜索、后台操作和前端测试等场景。
本文介绍 GPT-6 Astra 相比旧模型在行为上的变化：它会自主跑测试、检查结果、主动提问澄清，导致旧提示词和 AGENTS.md 反而拖累效果。文章提出一个 8 模块提示词框架，覆盖自主权策略、指令优先级、文风控制、验证范围、子 Agent 委派、停止条件等，并给出可直接复制的提示词和常见工作流（Bug 修复、研究、写作、多 Agent）模板。还总结了 12 个常见坑、API 迁移要点和提示词检查清单，帮助开发者针对 Astra 重构指令配置。
作者基于 Karpathy 提出的 LLM wiki 理论，结合 WorkBuddy/Codex 与 Obsidian，搭建了一套能够自生长的个人知识库系统。文章解释了 LLM wiki 与 RAG 类方案的区别：知识不是每次临时拼装，而是通过 Raw（原始资料）、Wiki（结构化知识）、Schema（规则规范）三层架构持续增量沉淀。Obsidian 以本地化 Markdown、双链和插件生态承担存储底座与人机界面，Agent 负责理解新资料、建页、建链、维护索引与变更日志。文中给出了完整目录模板、详细提示词，介绍了直接搭建、claude-obsidian 插件等多种搭建方法，并分享了模型选型与实战建议。
作者几个月前搭建了一套名为「刚柔」的元 Skill，用图 IR、契约闸和检查机制防止模型偷懒、打折扣执行任务。随着 GPT-6 Astra 发布，模型遵循指令和多步执行能力大幅提升，OpenAI 官方建议检查 AGENTS.md 和 Skills 中可能影响模型行为的指令。作者由此意识到，许多为弥补旧模型短板而设的约束如今反而妨碍任务完成，于是委托 Codex + GPT-6 在秘书 Grok Bot 协调下彻底拆除该元技能。文章详细记录了清理的难度、推理档位选择、具体执行过程（如取消从零重跑、自动三路候选）及打包脚本隐私问题的修复，最终指出：该留的是把工作可靠完成的目标，而不是特定的脚手架，技术条件变了就该果断调整。
文章分析了 John Wang 对 OpenAI Codex 开源仓库的研究。Codex 从 2025 年 5 月的 98 个月提交、单一主作者，增长到 2026 年的 900+ 月提交、35 位常规贡献者，归因于大量使用 coding agent、团队扩招和对护栏规则的重投资。核心经验包括：AGENTS.md 把 review 踩过的坑编码成规则；规则按 Review → AGENTS.md → Lint/CI 三级演进；测试代码占 40%，分层执行保证速度；迁移通过 feature flag 推进并用 lint 锁定成果。结论是工程实现变便宜后，测试、边界、自动化和招人等经典工程要素反而更重要。
文章从文件层完整拆解了 WorkBuddy 的 Skill 机制，回答四个核心问题：Skill 是什么、放在哪、从哪来、怎么维护。Skill 本质是一个文件夹，核心是写给 AI 读的方法论文档 SKILL.md（开放标准 agentskills.io 规范），依赖 description 实现按需加载。技能分用户级和项目级两级作用域，换项目后技能“消失”实为作用域混淆。‘我安装的’列表是聚合视图，来源包括自建、内置插件、技能市场、外部插件和连接器五类。作者还揭示了系统提示词中要求 AI 遇到能力缺口时先搜索技能市场的产品设计，并讲解了多 Agent 目录打通与软链接同步等维护实践。
文章讨论 Skill 写完后的持续维护问题，指出 Skill 会随时间腐烂：重复规则、过时参数、失败补丁不断堆积。作者在 Matt Pocock 六种失效模式基础上，扩展为八项检查：过早完成、重复、沉积、蔓延、空操作、否定式引导、样本过拟合和分支串线。针对每种问题，文章给出症状、成因和修复方法，强调先给失败命名再修改，修复后做回归测试。最后提供一份十项体检清单和可直接使用的审计提示词，帮助诊断和优化正在使用的 Skill，让 AI 在正确时间稳定执行正确过程。
作者用相同的提示词、品牌素材和数据让 Claude Code（Opus 5）和 Codex（GPT-5.6 Sol）各构建八个网站，从设计质量、Agent 数量、耗时、输出 token 和 API 成本多维度对比。结果是 Codex 在开放式设计环节赢得六轮中的五轮，效率优势显著：Codex 仅用 9 个 agent、约 5 小时、55 万 token、约 100 美元，而 Claude Code 用了 25 个 agent、14 小时、近 300 万 token、约 444 美元。实验还发现当提示词足够具体时，两者产出几乎一致。
