构建协同工作的 AI Agent 团队指南
本文深入探讨了如何构建高效的多 Agent 协作系统。文章指出，单个 Agent 难以同时胜任多种复杂任务，而通过“中心辐射”架构，利用协调者管理多个专业化 Agent，可显著提升输出质量。文章详细解析了上下文传递的关键原则、常见的失败模式及预防措施，并提供了构建研究与报告团队的实战指南。
相关文档
终极 Hermes 指南：构建 30 天后仍保持高内聚的多代理团队
本文是一篇关于 Hermes 多代理系统的深度操作指南。作者指出，单个代理承担多种角色会导致声音模糊和上下文污染，而简单的角色划分也难以维持长期的一致性。文章提出了基于“隔离配置文件”的解决方案，详细介绍了构建包含编排者、研究员、作家和工程师的四人团队步骤。重点阐述了通过“交接契约”、内存 KPI 审计和策略门禁来建立“操作员层”，确保团队在运行 30 天后依然保持专业分工和清晰边界，避免多代理系统退化为单一混乱体。
我们如何将 Playbook 审查重建为多智能体系统
Harvey 团队将合同 Playbook 审查引擎从基于固定提示词流水线的旧系统重构为多智能体系统。文章分析了合同审查的难点：复杂的条件逻辑、规则间的交叉依赖、交易情境影响判断、最小编辑原则以及需人工升级的决策。旧流水线架构存在上下文丢失、按条款孤立编辑、建议互相冲突等问题。团队与内部法律团队共建了评估基准，将法律判断量化，并据此设计了新的多智能体架构，以分析文档、标记风险并提出律师可信赖的精准修订建议。
说一句收到，我花了20341个token——Agent成本的过路费与省钱三刀
作者发现验证Agent成员是否存活时，一句简单的「收到」竟消耗两万个token，原因是每次对话都要重新装配成员的身份、记忆、技能清单等。文章剖析了Agent成本的三层「过路费」结构：身份装配、上下文搬运和格式开销，指出七成token花在空驶而非思考上。作者提出三刀止损法：利用前缀缓存把不变内容前置、健康探针直连绕过人格装配、协作转手只传摘要。实施后成本降了一半以上，但同时也暴露出便宜诱发滥用、缓存惩罚变动等新问题，并引出本地化部署的机会成本与主权优势思考。
Harness Engineering: 构建模型外围的系统
文章探讨了从“提示词工程”到“Harness Engineering（驾驭工程）”的范式转变。基于Lilian Weng的论文，指出AI Agent的成功不再仅依赖模型本身，而是其外围的系统（Harness）。Harness涵盖了工作流、上下文、记忆、权限和评估等运行时组件，类似于操作系统。与提供灵活性的框架不同，Harness专注于生产环境中的执行可靠性、持久状态和严格控制。文章还分析了三种设计模式及通向自我改进的优化阶梯，强调将持久状态存储于文件而非上下文中，是实现系统可靠性与自动优化的关键。
Agents, Loops, Graphs. Everything You Need to Know in One Place.
文章介绍了 Claude 的三大核心能力：Agents（代理）、Loops（循环）和 Graphs（图）。文章详细解释了如何通过工具、记忆和循环机制构建从 Level 1 到 Level 4 的自主代理，提供了研究、数据分析和代码编写三种代理的 System Prompt 模板，并探讨了如何解决长任务中的记忆丢失问题。
万字长文：做了些爆款 Skills 以后，我对 Skills 的看法
本文通过作者制作多个爆款 Skill（如 PPT、社交媒体卡片、Logo 生成等）的实战经验，深入探讨了 Skill 在 AI 时代的本质与价值。作者指出，Skill 不仅是提示词，更是封装专家经验、工作流和审美判断的“能力商品”，能有效弥合 Agent 使用中的认知差距。文章详细阐述了 Skill 的设计哲学（中心短、辐射厚）、像代码一样的维护流程，以及如何通过“把品味变成约束”来保证高质量输出。
用多Agent Claude系统替代4人团队的架构解析
作者分享了如何利用周末时间构建一个多Agent Claude系统，成功替代了由4人（研究助理、写手、分发经理、数据分析师）组成的内容运营团队。该系统将月成本从11,400美元降至340美元，并显著提升了产出速度与质量。文章详细阐述了系统的架构设计，包括负责任务分配的编排器以及分别负责研究、内容创作、分发、分析和质量控制的5个专业Agent，并提供了针对编排器和研究Agent的详细提示词模板。
提示词工程实战：从“AI写的很烂”到“AI写得真好”的完整方法
文章旨在解决用户使用AI输出质量差的问题，提出了一套系统的提示词工程方法论。核心内容包括“六要素检查法”（角色、背景、任务、格式、约束、质量标准），使用XML标签进行结构化提示，以及链式提问、自我修正等进阶技巧。文章还强调了建立上下文文件和模板库以实现长期复利，帮助读者从新手进阶为提示词工程大师。
Hermes 高级用法：用多 Profile 协作搭建 OPC Agent 团队
本文探讨了如何利用 Hermes 的多 Profile 协作功能，将多个 Agent 组织成一支 OPC（一人公司）团队。文章指出，单一 Agent 存在幻觉、记忆污染和角色混乱等问题，因此建议引入类似公司架构的四角色模型：Coordinator（协调员）、Researcher（研究员）、Writer（作家）和 Builder（构建者）。文章详细阐述了 Profile、Subagent、Project 和 Wiki 四个核心概念的区别，并提供了构建稳定 Agent 工作系统的具体配置方法，旨在建立清晰的角色边界和可长期运行的协作体系。
构建 agent 时什么时候将子 agent 合并到主 agent 循环中
本文是 Claude 官方文章的译文，探讨在构建 agent 系统时何时应将子 agent 折叠进主 agent 循环。文章指出，配备 skill 的单一 agent 在质量、成本和延迟方面常常优于多 agent 设计。作者分析了大型组织构建 agent 的常见失败模式（上下文管理、子 agent 泛滥、Frankenprompt、延迟等），介绍通过渐进式披露 skill 和 MCP 工具的 agent 循环设计，并给出将子 agent 迁移为单循环的分阶段方法：构建任务完成评估、合并领域 agent、将子 agent 转为工具调用、用 skill 和工具替代子 agent，以及多团队协作的治理模式。
我们复现了那个决策模型教程
作者复现 Nish Tahir 的《Build your own decision model》教程，在 CommonsenseQA 上验证基于语言模型单次前向读取选项 token 概率作为置信度的决策模型方法。复现发现教程方法成立但需补两个关键前提：读数位置必须放在 assistant 轮，模型需用 8B 而非 1.7B。温度缩放校准有效，而微调增益主要来自修正 harness。作者还将方法应用于素材席位判定任务，发现模型间一致标签不等于准确率，结论需以人工标签为准。核心启示：核对读数位置的概率质量、报告覆盖率、用独立数据拟合温度。
Claude Opus 5.5——17 个值得调整的习惯用法
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。
