作者介绍Anthropic用两周时间将claude.ai核心体验提速3倍的方法论：先量化指标、用指令数稳定测量、设置棘轮防止性能回退，并在150多个并行线程中由Claude找问题、人做取舍。作者照此方法让agent优化自己的4个网站并整理成「闪电.skill」，其中公众号排版器打开到能打字的耗时从2238毫秒降至209毫秒，减少90.7%。文章还分享了优化过程中的踩坑经验，如旧草稿覆盖风险、测量干扰等，并提供skill的安装方式供读者使用。
文章介绍为编码 Agent 构建设计系统的实践：由于仓库中存在多个版本的相同控件，Agent 会复制混乱并放大问题。作者正在开发 design.how，提供可安装、可直接交给 Agent 使用的设计系统与六个免费 Skill：build-design-system 从现有应用构建语义 token、规范组件与校验规则；migrate-design-system 用多 Agent 协作迁移全应用并设置预算；token-mapping 按用途映射设计值；component-docs 生成组件文档；design-review 检查截图无法覆盖的交互状态。每个 Skill 附带 TESTS.md 与适配提示，可替换为团队自定义规则。
Anthropic 官方 Skills 生成器 Skill-creator 迎来重大更新，新增四大核心功能：评估系统、基准测试、多代理并行测试及描述调优。此次升级解决了长期以来 Skills 质量“黑盒”的痛点，通过量化测试（如通过率、耗时、Token用量）和自动迭代优化，显著提升了 Skills 的触发准确率和执行效果。
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。
花叔开源的AI设计技能huashu-design发布3.0版本，该技能可让agent自动生成网页、PPT、App原型、信息图等设计。3.0主要改进：先出六个候选再挑三个成稿；现实参照改为同媒介并先截图；风格库从60种扩到84种（新增中文与东亚风格）；App原型采用有构图的展示板；新增本机记录系统（经验、外观账本、设计体检）实现越用越懂用户；坚持事实核实。作者分享了三轮迭代的过程，核心教训是：对agent应加选项而非禁令，禁令会让设计变得保守无聊，提供更多可见样例反而能激发更好的设计。
本文是 Next Token 播客第 004 期的聊天实录，由 Orange AI 与歸藏、杨攀、向阳乔木等围绕 Anthropic 最新发布的 Opus 5.5 展开讨论。文章梳理了 Opus 5.5 刷屏的三类内容：纯代码生成的品牌宣传片、具备物理互动打击感的像素动画，以及操作电脑绘画的能力。嘉宾们认为该模型已从“软件操作工”进化为有审美判断的“熟练工”甚至“天才员工”，并探讨其是否已具备世界模型特质、Skill 与 MCP 内化带来的智能提升、以及内容创作行业中人的角色变化等话题，最后展望了模型自我迭代（RSI）的可能性。
文章系统讲解如何编写 AI Skill：从用一句话加 SOP 封装出第一个 60 分的 skill，到通过把目标改写为动作、补充约束、设计自由度和提高词表颗粒度来提升到 90 分。作者拆解了摄影 skill 和封面 skill 两个开源案例，指出高手的秘诀在于将模糊概念拆成可执行的词表和明确的「不要」清单。还介绍了如何让 AI 递出陌生领域的行话词表，并澄清了 skill 与提示词、智能体的区别。全文强调约束和颗粒度决定 skill 的专业程度。
作者实测Claude Fable 5.1新模型，发现其在长时间Agent任务、浏览器自动化和电脑自动化方面显著提升，达到甚至超越Codex GPT 5.6的水准。缓存读取成本下降75%。作者用一句话提示语让模型完成goodcase.ai网站的UI批量优化、提示语分类系统和热度衰减算法更新。还基于杜威十进分类法、分面分类、洛克索引法、瓦尔堡好邻居法则和卢曼卡片盒笔记法等五个理论，让Fable 5.1制作了文件整理skill（carl-file-organizer）。通过3D版愤怒的小鸟游戏测试，Fable 5.1完成度高于GPT 5.6 Sol，包含4种鸟和8个关卡，物理反馈细致。但写作能力相比Opus 4.6有所退步。
文章系统梳理了 Anthropic Agent Skills 的来龙去脉与设计哲学。Skill 源于'过程性知识放哪儿'的问题，以文件夹加 SKILL.md 的极简形式，通过渐进式披露机制节省上下文成本，并在开放标准化后迅速被 Gemini CLI、GitHub Copilot 等广泛采纳。作者结合自身实践总结出核心判据：写可执行的判据而非感受、先写'不要做什么'、职责窄到一句话、把做不到的写进合同，并借鉴 Warp 的自我改进实践，探讨了 skill 基于人类反馈持续进化的工程化路径。
本文深入解读了 Anthropic 发布的关于 Warp 构建自进化 Agent 的博客。Warp 通过双 Skill 循环（Base Skill 和 Improver Skill）实现 Agent 的自我改进，将人类反馈转化为对 Skill 文件的修改，并通过 Git 工作流进行管理。文章区分了 Skill 与 Memory 的不同，指出 Skill 是程序性知识，而 Memory 是事实记录。同时，文章探讨了 Skill 自进化的边界，对比了 Skill（软约束）与 Harness（硬约束）在 Agent 进化中的不同作用，并提出了 Agent 可进化内容的三层模型：Memory、Skill、Harness。最后，作者总结了 Warp 团队关于编写 Skill 的几条实用经验，并强调了这种轻量级自进化机制的工程价值。
Claude 官方博客介绍了 Warp 团队如何基于 Claude 构建自我改进的 Agent。针对一次性提示词只能完成任务 80% 的痛点，Warp 设计了基于 Skills 的双层自我改进循环：内层 Skill 执行任务，外层 Improver Skill 定时拉取人类反馈，自动生成修改 Skill 的 PR，经人类评审合并后形成知识闭环。文章以 Issue 分诊 Agent 为实战案例，并总结六条实践经验：写原则而非规则、解释为什么、反馈零摩擦、Skill 保持小、反馈质量大于数量、重点投入 Improver Skill。同时辨析了 Skill 与 Memory 的区别，强调需假设反馈可能出错，并根据领域可验证性选择评估策略。
本期早报精选三篇内容：Anthropic 发布 AI 原生软件交付生命周期手册，将 Plan、Design、Build、Test、Deploy、Maintain 六阶段改造成以版本化工件驱动的可循环流程；DeepSeek 上线实验性视觉模型 V4-Flash-Vision 的 API，支持图文混合输入与 Files API 复用；Together AI 的 Hassan El Mghhari 分享 Hallmark Skill，将设计品味拆解为负面约束、视觉参考与偏好记忆。速览还包括 Uber 智能体 SDLC、DeepWiki 代码 Wiki、Blackwell 投机解码优化、淘宝 Skill 实践等。
文章介绍了 Anthropic 推出的 Claude Skills 功能，通过文件夹和 YAML 配置实现渐进式披露，显著减少 Token 消耗和重复解释。详细说明了技能的构建规则、命名规范、测试方法及分发策略，帮助用户将聊天机器人转化为高效的专业工程团队。
