本文解读 Anthropic 两位 FDE 的实战笔记，指出 AI 驱动的代码现代化中瓶颈已从'产出变更'转移到'围绕变更动员组织'。文章拆解了六步流程：定义三类现代化目标（Uplift/Transform/Reimagine）、定义机器可校验的'证书'作为合并标准、设定分层晋升策略、准备环境与安全前置条件、构建可迭代的 Agentic 工作流、小规模试点后规模化执行。核心洞察包括：与审查者共同设计验收标准、让专家早期介入换取后端轻审、'修改工作流而非修改每一处变更'，以及受监管环境中验证成本大于生成成本的新常态。
作者受 Anthropic 工程经理 Felix Rieseberg「Do not ask the model to judge itself」的启发，将外部验证规则写进 CLAUDE.md：交稿前派一个不带上下文的子 Agent，在空目录里照着成稿做一遍，报告卡住的步骤。作者用一篇错题本教程实测三次：第一次因抓取丢失代码块被判「不能」；第二次判「部分能」，挑出三处真实缺漏（回填提示词、完整模板、日期示例）；补齐后第三次仍挑出更深层的隐含前提问题。对照测试表明配置规则后 Agent 会主动派裁判。文末附完整规则全文及验证方法、踩坑提示，强调写稿与验收必须分离，教程质量需由「没见过这篇的人」验证。
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。
文章系统解释了 AI 领域中 harness（套件/执行框架）的概念。作者指出 LLM 默认只能生成文本，要真正执行操作需要工具、调用语法、解析系统、结果回传和工具清单，这一切组成了 harness。文中区分了界面（如 Claude Code 的 TUI/GUI）与底层 harness（如 Anthropic Agent SDK、Codex App Server），并用厨房比喻说明 harness 与工具的关系。文章还解释了 MCP 的作用——类似'食谱'，让代码可以在外部运行，以及 agent 的定义：LLM 与 harness 的结合体。
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。
文章提出企业AI落地的核心卡点不是提示词，而是大模型无法进入本地业务流。作者以FDE（前线部署工程师）视角，提出'数字员工管理思维'，总结本地交付四大支柱（工位、规则、原料、连接器），并以WorkBuddy为载体，手把手演示搭建公众号自动内容交付流水线的完整SOP：安装绑定本地文件夹、采访式制作账号定位卡、选题灵感细化与竞对爆款监控入库、技能挂载与MCP连接器配置、工业化成稿与质检、微信草稿箱定时推送，最终走向企业级FDE交付与商业变现闭环。
本文是 Agent 开发入门系列的实操篇，教读者用 88 行 Python 代码实现一个最小化的 Supervisor（主管）智能体。Supervisor 本身不干活，只负责拆任务、派活给手下 worker（coder 和 tester）、并验收汇报。文章对比了子智能体、智能体团队与 Supervisor 三种模式的差异，详细讲解了 agent_loop 循环、工具定义、delegate 派活机制、上下文隔离等核心概念，并给出完整可运行的代码、环境配置步骤、运行示例及常见坑点说明，最后引导读者扩展更多 worker 角色。
Anthropic 将 22 门 Claude 课程全部免费开放。作者逐一浏览后按从零基础到进阶的学习路径整理分类：一是入门课程如 Claude 101 和协作入门；二是面向开发者的 Claude Code 101、实战、Agent 技能与 Subagents；三是 API 开发路线，涵盖 Claude 平台、API 开发、MCP 入门与进阶及 Amazon Bedrock、Vertex AI 集成；四是面向开发者、小企业、学生、教育者等不同人群的 AI 素养课程。作者提醒读者不要只收藏不学习，建议今晚就挑一门课开始学习，真正掌握 Claude 的价值。
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。
Anthropic 宣布投入 1 亿美元，在 2027 年底前培养 1 万名能将 AI 项目落地企业的工程师（FDE），计划名为 Claude Frontier Academy。培训参考住院医师模式，分三步：4 天集中训练并考核获得 Claude Resident Engineer 徽章；回公司完成 12 周真实项目；最终实作考核通过可获得 Claude Frontier Deployed Engineer 认证。招收对象要求软件工程基础扎实、有 LLM 开发经验。目前项目处于早期阶段，采用企业提名制，个人开发者暂不能直接报名，但可通过免费的 Claude Academy 课程先行学习。
文章解读 Anthropic 工程团队关于 agent 隔离架构的复盘，介绍三种执行环境：claude.ai 的临时容器、Claude Code 的人工在环沙箱、Claude Cowork 的本地 VM，分析各自的安全代价与设计取舍。核心观点包括：监管不如围堵，用户批准疲劳使人工审批失效；自建组件往往是最薄弱环节；allowlist 应理解为能力授予而非目的地过滤；隔离强度应匹配用户的监督能力。文章还讨论了持久记忆投毒、多 agent 信任升级、agent 身份等新兴风险，并提出三条核心经验：自己造的层最薄弱、allowlist 是能力授予、确定性边界优于概率性检测。
本文基于 Anthropic 官方指南，系统讲解 Opus 5.5 的提示词工程方法。内容涵盖如何清晰描述问题、提供相关上下文（报错、文件、触发步骤）、说明任务范围与原因；详细介绍 effort 五个档位（low 到 max）的选择策略及在 Claude Code 和 API 中的设置方式；强调改完代码后要求 AI 给出具体检查结果、区分已完成与未完成事项；讲解如何防范围外部文档中的间接提示注入，以及看图任务中提供清晰截图的技巧，面向已使用但不熟悉提示词设置的用户。
文章基于 Anthropic FDE Kevin Bai 的演讲与 ElevenLabs CEO Mati Staniszewski 的访谈，系统阐述 Forward Deployed Engineer（前置部署工程师）模式：FDE 是派出工程师深入客户业务、基于自有平台构建定制方案、按结果交付的模式，区别于外包。其适用判据是'高复杂度产品 × 非技术买家'。AI 时代几乎所有平台都可被 Agent 深度定制，推动各公司进入该场景。组织上 FDE 应隶属产品团队，关键在于知识回流平台，否则退化为服务业；文章总结 FDE 为'平台杠杆 × 知识回流杠杆'的双向结构，并以 Deutsche Bank 语音 Agent 案例展示交付流程。
