资料越多，AI结果就越好吗？聊聊上下文工程
文章讨论了向AI提供工作文件和聊天记录时的常见误区：资料多不等于重点清晰。作者介绍了“上下文工程”的核心思路，将材料分为四类：必须保留的关键信息、可压缩为摘要的长背景、暂不需要归档的大资料以及应剔除的过期内容。长任务应重新交代当前进度，大资料按需索取而非全量塞入，并用结构化“便笺”式指令明确任务、依据、约束和边界。核心观点是：先想清楚AI此刻要做什么，再把真正用得上的信息放到它眼前。
相关文档
别再怪 ChatGPT 回答质量差了：9 个提示词框架
文章指出 ChatGPT 输出质量差往往是提示词写得不好导致的，并总结了 9 个实用的提示词框架：RACE（角色-行动-背景-期望）、RISE（角色-识别-步骤-期望）、STAR（情境-任务-行动-结果）、SOAP、CLEAR、PASTOR、FAB、5W1H 和 GROW。每个框架通过明确角色设定、任务描述、背景信息和期望输出，帮助用户获得专家级的 AI 回答，适用于文案写作、问题解决、产品介绍、目标管理等多种场景。
一篇速通入门：重新理解 AI Agent 的一切
本文从 LLM 基础原理出发，循序渐进讲解 AI Agent 的底层机制。作者首先解释大模型如何通过 Token 预测生成文本，说明无状态、幻觉和知识截止等现象的根源；接着阐述多轮对话依赖上下文拼接实现的原理；进而介绍工具调用如何让模型影响外部世界，以及模型结合工具反馈形成闭环后 Agent 的诞生。文章提出 Agent = Model + Harness 的工程视角，剖析 Harness 在上下文管理、记忆系统、上下文压缩等方面的职责，帮助读者建立对 AI 能力边界的底层认知，摆脱对新工具的 FOMO 焦虑。
How to turn AI into a whole team that runs your business
文章介绍如何用 AI 搭建一个几乎自动运转的业务团队：将业务拆分为客户、线索、交付、报表、财务五个通道，每个通道在 Slack 独立频道中运行，配以一次性写好的固定上下文（岗位说明、可交付物、上报规则、不可逾越的限制）和一个持续积累的裁定文件。作者强调前三步不涉及 AI：分通道、写上下文、划定审批线（可逆操作自动执行，对外或涉及金钱的操作必须等待人工批准）。随后为每个通道编写具体任务简报，并设置定时调度，使各通道每天自动产出站会、报告和草案。作者用 AI 员工 Viktor 实测一天，亮点是其在数据缺失时拒绝编造、只输出有依据的结论。整个体系一个下午即可搭建，让个人经营者从执行任务转为每天两次审批队列。
开源一套我的提示词合集
作者姚金刚宣布在GitHub开源其个人提示词合集，包含约100个提示词，涵盖AI工作、学习、生活、编程等9类场景。重点推荐其中的元提示词（简易版和进阶版），并承诺持续更新有价值的提示词。
The 5 levels of AI agents: From a single prompt to a production agent
文章系统讲解了构建生产级 AI Agent 的五个层次：上下文工程、循环工程、Jev 工程、Harness 工程和评估工程，并以新员工类比逐一解释。核心内容包括：上下文窗口管理（稳定内容前置、利用 prompt caching、工具过多时改用搜索、用子代理减少主上下文占用）；循环与工作流的区别（能否预先写清步骤），强调循环需要明确目标、外部检查器等四要素。每个层次都配有构建方法与面向初学者的捷径方案（通过 Viktor 这类 AI 员工工具实现）。目标是让小团队用可靠的 Agent 承担重复性工作，实现不增人力的规模扩张。
让 Muse 给你搭一个 CRM：一人公司线索管理手把手搭建教程
作者以一人公司接单场景为例，手把手演示如何用 Muse 从零搭建一个单文件、本地存储的轻量 CRM。教程强调需求要写清四件事：线索字段、阶段流转、分级提醒、话术草稿，并给出可直接套用的需求模板。随后提供逐项验收清单（字段、分级、逾期标红、草稿生成、数据留存、导入导出），介绍每天三分钟的日常使用流程，以及让 Muse 每周分析线索数据、生成跟进草稿但保留人工审核的协作方式。文末附翻车表，针对常见问题给出修正方法。
AI 写得快，却总有机器腔？去 AI 味，按这 3 步来
文章针对 AI 写作常见的空泛、模板化问题，提出三步解决方案：先查清问题、再改表达、最后校准文风。作者整理了 22 个去重后的开源工具清单，包括 humanizer、stop-slop 等编辑规则工具，AI 文本检测研究项目，以及 shuorenhua、qu-ai-wei 等中文改稿 Skill，还有 writing-style-skill 等长期校准个人风格的工具。文中强调改稿时要保留事实、数字和原有语气，不靠编造经历来'显得像人'，并给出了可直接使用的提示词模板。
学 AI，上名课：先从这 10 门课开始
作者逐一核对了 10 门免费或部分免费的 AI 学习课程，并按学习阶段分为四站：零基础入门（吴恩达 AI for Everyone、Google 生成式 AI 路径）、提升 AI 使用能力（OpenAI Prompting 指南、Karpathy How I use LLMs）、补编程基础（哈佛 CS50x/CS50P/CS50AI）、动手实践（微软 Generative AI for Beginners、Claude Code in Action、n8n 搭 AI Agent）。每门课均附出品方、时长、费用、证书等详细信息和链接。作者建议不必全学，根据自己的阶段挑选两门深耕即可。
Agent 高频题 03. 为什么要多 Agent：怎么拆、怎么通信、结果谁汇总
本文是 Agent 面试高频题详解第 3 题，围绕多 Agent 架构展开。作者结合 50 位作者、63 场面试的面经，系统梳理了六个追问方向：要不要拆、怎么拆、怎么通信、结果谁汇总等。文章指出单 Agent 在上下文膨胀、工具过多、提示词分支复杂、无法并行四方面会卡住；同时多 Agent 有 token 成本（约为普通对话 15 倍）、协调开销、信息丢失和错误传播等代价。文中总结了主从、流水线、并行分片、执行加审查、按意图转交五种结构，以及上下文、工具权限、可验收三类拆分边界，并对比 Skill、MCP、Workflow、SubAgent 等概念的适用场景，最后给出通信方式与面试应答要点。
AI 设计词典（中篇）｜怎么准确描述视觉效果
本文是 AI 设计词典系列的中篇，系统整理了 AI 设计中高频的视觉词汇，帮助用户更精确地控制 AI 生成的视觉效果。文章分为五大维度：字体（衬线/无衬线、字重、字距、行距）、颜色（色相、饱和度、明度、主色/强调色）、形状（几何/有机、圆角/直角、描边）、材质与效果（纹理、渐变、透明度、光影）、风格（极简主义、瑞士风格、粗野主义、编辑设计等）。作者强调不必背诵术语，而应把这些词当作「视觉旋钮」，用「风格名称+具体规则」的方式替代模糊的主观描述，让 AI 输出更符合预期的设计。
很多提示词和 Skill，其实都已经过时了
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。
Lemo-Opuscar 史诗级更新：8种新风格+新改编玩法，我把风格库变成了风格制作工具箱
Lemo-Opuscar 迎来上线以来最大更新，新增【剪辑与纪实】8 种视频风格（字幕新闻、1920s 新闻影片、实时倒计时分屏、延时交响、视觉调查、构成主义蒙太奇、体育战术板、电视新闻包装），风格总数达 59 种，目标 99 种。项目定位从视频风格库升级为搭建个人风格库的工具箱：用户可修改库里任意风格或从空白创建，通过 Claude 逐题问答的方式定制专属风格。作者还预告了 Lemo Studio 工作台和日系动漫风格。文章详细介绍了新风格的适用场景、Sonnet 5.5 测试效果，以及自定义风格的完整流程。
