Agent Skills 复利工程：你的烂笔记比代码值钱
文章介绍了“复利工程”的理念，即利用 Claude Code 等 AI Agent 审计个人技术笔记，自动提取出可复用的 Agent Skills。作者通过实战演示，将 200 多篇零散笔记转化为 4 个高优先级的自动化技能，从而将一次性解决问题的经验固化为系统永久能力，实现知识的指数级复利积累。
相关文档
10 条必备经验，让你的 Grok Bot 变得更好用
作者总结了 10 条 Grok Bot 使用经验：Bot 适合长期反复的非编程任务，编程任务仍用 Codex、Claude Code、Cursor；摸清 Bots 的上下文机制，善用共用记忆和 Skill；不要一开始就把 Bot 拆得太细，像管理初创公司一样逐步扩展；优化重叠任务职责；成熟的标准化流程交给 CLI Agent 执行以节省额度；通过 Wake on Done Skill 实现 webhook 通知让长任务无人值守；用 Web Access Skill 补足浏览器自动化能力；关闭 App Nap 解决息屏问题；推荐用 Notion 做长期数据看板；最后分享了收件箱、产品反馈、订阅管理、商务财务、社媒数据等多个实用 Bot 搭建案例。
The Opus 5.5 Flywheel: Build an AI System That Gets Better Every Run
文章介绍了如何构建一个可复利的 AI Agent 系统（Opus 5.5 Flywheel）。作者指出大多数人把 AI 当作'健忘的聪明员工'，每次会话结束后纠错和经验都随之消失。正确的做法是让每次运行留下四类产物：结果、状态、经验教训和系统升级。具体方法包括：将重复流程固化为 Claude Code Skills、把人工纠错转化为规则和自动验证、用 progress.md 保存决策与待办、建立失败样本库作为回归测试基准，让系统随每次运行不断变强，实现智能的复利积累。
高级 Skill 不是更长的提示词，而是一套组合技
文章探讨了高级 AI Skill 的本质：不是把更多指令塞进一份文件，而是把多个单点能力按任务关系编排组合。作者通过分析 GitHub 上多个热门 Skill 仓库，总结出五种组合模式：路由（判断调用哪个 Skill）、顺序（强制工作流程）、选择（按需分诊组合）、流水线（专业能力交接）和分层（Skill 与系统能力分工）。文章提出组合 Skill 的五个核心零件：路由、输入输出契约、顺序与并行、上下文状态、验证反馈，并建议从真实返工中逐步长出组合关系。核心观点：Prompt 让 AI 听懂一次需求，Skill 固化一类做法，而组合 Skill 才能把复杂任务交付出来。
正式开源！比橙皮书skill更强10倍的Huashu-Report来了！
花叔开源了Huashu-Report，一个用于让Agent产出高质量报告的Claude Code Skill，比之前的橙皮书skill更强大。文章指出AI写报告的瓶颈不在文笔，而在编造数字、重复叙述、口径不一致。解决方案分三层：先建数据表锁定数字来源，编译器检查正文引用；将可机器判定的规则全部写成函数而非留在手册中；脚本自动检查排版后仍需人工逐页目检。Skill支持六种报告原型：咨询deck、研报、学术综述、论文、调查、科普，并通过对74份顶级机构AI报告的解剖学习最佳设计品味。项目采用MIT协议开源。
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。
Superpowers为什么在毁掉你的工作流？
本文作者作为Superpowers插件早期用户，分析了该插件中14个skill在当前前沿模型（如GPT 5.6 Sol）日益强大的背景下的适用性。作者认为，虽然每个skill本身具有合理的软件工程依据，但作为强制工作流组合使用时，会导致流程复杂化、过度设计、时间和token消耗增加，反而降低开发效率。建议开发者根据实际需求提炼使用，而非全盘套用。
Claude循环工程：如何构建自动化Agent
本文探讨了“循环工程（Loop Engineering）”的概念，即从人工提示Agent转变为构建自动提示Agent的系统。文章追溯了其起源，并将之置于提示、上下文、测试床之上，作为自动化运行的最高层。作者详细拆解了循环系统的五个核心组件：触发器、任务、验证门、状态文件和停止条件。最后，文章介绍了Claude Code中四种循环类型及其应用场景，强调通过客观的评估器和状态持久化来实现夜间无人值守的自动化开发任务。
Loop Engineering：如何构建能自我改进的AI智能体
本文探讨了从手动提示AI向“循环工程”转变的新一代工作流。作者指出，真正的循环工程依赖于廉价的长上下文模型来控制Token成本。文章详细对比了旧的手动工作流与新的自动化循环工作流，并深入剖析了单智能体循环与舰队循环（多智能体协同）的区别。同时，强调了在实际应用中应优先采用边界清晰、易于控制的闭环。最后，拆解了构建高效循环系统的六个核心基石：自动化、工作树、技能复用、外部插件、子智能体和检查器，帮助开发者打造可自我迭代和修复的AI系统。
The LLM Wiki: 3 Months of Letting Agents Run My Second Brain
文章分享了作者使用LLM代理管理和维护个人知识库（Obsidian Vault）的3个月实践经验。通过分离原始资料与生成内容、定义单一知识流向、统一页面模板以及基于情境的文件夹组织，作者成功将维护工作委托给代理，解决了传统第二脑因维护成本高而失效的问题。
Claude Code 官方循环工程入门指南
本文介绍了 Claude Code 中的“循环”概念，即智能体重复执行任务直到满足停止条件。文章详细讲解了基于回合、基于目标、基于时间和主动式四种循环类型，并提供了相应的使用场景与示例。同时，文章还分享了保持代码质量和管理 Token 用量的最佳实践，帮助开发者高效利用 Claude Code 完成复杂的自动化任务。
The 9-Step Loop That Turns Claude Code Into a Senior Engineer
文章指出大多数开发者像使用初级工程师一样使用 Claude Code，缺乏有效的流程。作者提出了一套利用 Claude Code 内置原语（Plan Mode、Subagents、Hooks 等）构建的 9 步闭环流程，旨在模拟资深工程师的工作方式。该流程强调在编写代码前先探索代码库并制定计划，使用 CLAUDE.md 固化标准，利用 Hooks 强制执行不可协商的规则，并通过独立 Agent 进行代码审查，从而实现高质量、自动化的代码交付。
Skill 工程化指南：解决不稳定与高 Token 消耗
文章指出 AI Skill 在应用中常因大模型的不确定性导致运行不稳定和 Token 消耗过高。作者提出应将确定性流程（如固定代码、参数）沉淀为脚本，仅让大模型负责逻辑判断与调度。通过视频字幕处理案例，详细演示了四步工程化法，并提供了可直接复制的工程化提示词，帮助用户实现流程稳定化与成本优化。
