The Complete Guide to pstack Pt. 2
本文是 pstack 指南的第二部分，探讨如何利用 pstack 进行调研、规划、原型设计和架构。作者强调验证是基础，但之后需明确构建目标。文章介绍了间接提示、/teach、/how、/why、/recall 等技巧，帮助代理理解意图和上下文，并指出历史记录是丰富上下文的金矿。最后讨论如何指定解决方案，避免过度指定实现细节。
相关文档
pstack 完整指南 Pt.2：用代码规划
本文是 pstack 指南第二部分，介绍作者用 agent 进行调研、规划、原型和架构的工作流。核心观点是通过 /teach、/recall、/how、/why 等 skill 建立并保持对代码库的心智模型；用「readme 驱动开发」和 /technical-writing skill 以代码和文档形式规划；用 prototype 剧本并行生成多个方案让 agent 以实证回答开放问题；用 /architect 多阶段流程跨模型家族竞争设计并交叉评判。作者强调抽象计划只给人进步的幻觉，应让 agent 通过原型和验证自己回答问题，从而每月将数千个 PR 推进生产并保持高质量。
2,000 还是 2,500 个 PR？真正值得学的是 agent 信任系统
本文解读 Lauren Tan 关于在生产线中大规模运行并行 agent 的视频，指出 2,000/2,500 个 PR 的数字并非关键，真正值得学习的是背后的 agent 信任系统。作者提出吞吐量来自一条信任链：验证把'完成'变成证据（'能编译不是证据'），agent-friendly 架构让正确路径成为最短路径，代码库通过消除注释和固化纠错来记住每次改进，园丁角色维护 paved path，外循环把线上问题送回内循环。文章还给出从最小闭环起步的五步实践建议，以及纠错应写入系统的五层顺序：codebase、静态分析、rules/skills、style guide 和人工评审。
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。
Grok Bot: How to build a self-improving system with Grok 4.6 in 10 steps
本文介绍如何利用Grok 4.6构建一个自我改进的Grok Bot系统，通过10个步骤实现长期运行和持续优化。系统核心是一个包含六个文件的工作区，包括验收标准、工人合约、验证者合约、可信状态、经验教训和提升者，形成一个闭环：工人生成候选结果，验证者独立检查，通过后提升者更新可信状态。文章详细说明了每个文件的编写方法、运行流程和失败处理规则，并提供了成本计算公式，旨在帮助读者构建一个可靠、可迭代的AI代理系统。
Motion Engineering: 一个 Agent 打造五个部门的动画工作室
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。
两个 AI Skills 王者之间的对话：一个月 2,500 个 PR，是怎么做到的？
本文整理了 Poteto（pstack 作者）与 Matt Pocock 关于 AI Skills 的对谈。Poteto 一个月合入 2,500 个 PR 的关键不在于产量，而在于工作方式：从反复纠正 AI 的地方提炼 Skills；为 Agent 补上验证能力，让它能自我迭代；将机械操作固化为工具；把 Agent 常犯的错转化为 lint 规则和代码库约束；连接内外两层循环，让外层 Agent 收集 Slack、Linear 等外部反馈，协调 Agent 管理任务分发。她还通过严格抽查和修正工作环境来审查大量产出，并建议从聊天记录中提炼个人 Skills。文章强调领域经验、可靠验证和持续环境优化是自动化协作的核心。
深度长文｜2026产品经理AI实践手册
作者按产品经理真实工作流程，系统拆解如何让 AI（Agent）参与从项目初始化、市场分析、需求调研、需求分析、原型设计、PRD 编写、需求评审、研发、测试上线到运营反馈的产品全生命周期。文章强调为 Agent 建立长期项目空间与协作规则、多源交叉验证 AI 市场分析结论、产品经理负责做减法与判断，并总结三大心法：给足上下文、主动做减法、先想清楚再让 AI 加速。核心观点是 AI 时代产品经理的核心竞争力在于提供真实上下文、做出正确取舍并对结果负责。
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。
区分有效 Skill 与空谈文章的 9 条原则
作者提出九条原则，帮助判断 Agent Skill 是否真正有效，覆盖 Skill 生命周期三个阶段：被选中、可靠执行、经受现实检验。核心观点包括：元数据描述是触发与否的关键入口；上下文是共享预算，需渐进式加载；流程与检查点优于长篇散文；规则应解释原因以应对边缘情况；预先记录并反驳模型常见的跳过理由；确定性逻辑写成脚本代码而非依赖推理；严格限定修改范围；Skill 会随库更新和约定变化而腐化，需版本化管理；上线前必须用真实用例运行验证，从观察到的行为而非想象中调试。
21 个 Skill，用 Codex 做产品经理全流程工作
作者基于7年产品经理经验，分享了如何利用 Codex 和自制的 PM-Skill 2.0（21个Skill，GitHub 1000+ star）跑通产品经理全流程工作。文章演示了从需求调研、竞品分析、网站转原型、PRD撰写、多角色评审、埋点设计到发布站点的完整链路，全程在 Codex 内完成。上线后还可用 pm-analytics 做数据分析、pm-experiment-designer 做实验设计、pm-postmortem-writer 做复盘。作者认为垂类 Agent 本质是通用 Agent 加上特定工作流，通用 Agent 配合 Skill 组装即可定制出特定职业的工作台，开发也可借此给自己配个产品经理。
Skills 管理思路：本地管理 + 软连接
作者分享了管理 AI Agent Skills 的经验：不建议在本地一次性安装太多 Skills，因为过多的 Skill 会误触发模型调用并限制模型发挥，同时 Skill 描述会占用上下文窗口的 Token 预算。管理方法分两步：第一步将所有 Skills 统一放在本地目录（分 Github、personal、official 三类），并建立管理文档和定时更新脚本；第二步用软连接（symlink）按项目需要启用 Skill，而不是复制安装，避免全局启用浪费上下文。这些工作都可以交给 Codex/Claude 等 Agent 自动完成。
让 AI 真正懂你的工作：小白 Skill 制作指南
文章面向新手讲解如何为 Claude Code 和 Codex 制作个人 Skill，解决每天重复向 Agent 解释工作流程的问题。作者介绍 Skill 的本质是一个包含 SKILL.md 的目录，依赖渐进式披露机制；提出判断任务是否值得封装为 Skill 的三个信号（重复出现、依赖专有知识、错误成本高）；建议从成功协作会话中逆向工程提取 Skill，或先跑无 Skill 基线记录失败点再写规则；并详细分析三大坑：description 模糊导致不触发、把任务写成死板 SOP、SKILL.md 过长，给出 SKILL.md、references、scripts、assets 的合理拆分方式及三层验证与维护方法。
