本文介绍 Claude Code 2.1.287 新增的 Mod（模组）机制，对比其与 CLAUDE.md、skill、settings hook、MCP server 的区别，给出选型顺序：多数需求用已有机制即可，只有在需要改写模型请求参数、绘制交互面板等运行时能力时才需要 Mod。文章通过三个实战案例展开：按任务难度自动选择思考力度的 effort-by-task、量化回答可读性的 readable、测试未通过时暂停提交的 tests-gate，并分析各自实现原理与局限。最后强调 Mod 无沙箱、以用户权限运行，安装前需检查来源与代码安全。
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。
文章深度解读 Anthropic 发布的《AI 原生 SDLC 手册》。作者指出核心问题在于流程而非代码：AI 写代码速度大幅提升，但审批、评审、治理等环节仍按人的速度运转，效率在流程中被消耗掉。AI 原生 SDLC 的思路是保留原有控制目标、更换执行方式，包含三个机制：流程从线性变为循环、每个阶段以提交一个产物结束（intent.md、spec.md、plan.md 等）、人的注意力集中在审批门上。文章逐一梳理了计划、设计、构建、测试、部署、维护六个阶段的具体做法，包括 plan mode、CLAUDE.md、skill、hook 护栏、并行会话、eval 持续评估、PR 评审和托管设置等，最后通过监控指标驱动的闭环实现自主运行。
本文详细介绍了如何将 Claude Design（Anthropic 的对话式设计工作区）与 Claude Code 结合使用的工作流。作者讲解了通过 MCP 服务器连接两者、使用 /design-sync 导入企业设计系统、结合截图与代码库提供上下文、利用 Refero Styles 等真实设计参考生成初版方案的方法。文章还涵盖如何通过聊天、行内评论或画布直接编辑进行迭代，安装或自建设计 Skill 以固化设计规则，以及建立评估与审批流程，最终实现从设计到代码实现的无缝衔接。同时指出了 beta 阶段的局限性。
文章介绍了 Claude Code GitHub 仓库中隐藏的 12 个官方插件。重点推荐了 code-review（并行代码审查）、hookify（一键生成 Hook 规则）、ralph-wiggum（循环迭代直到完成）等实用工具，并分类介绍了开发流程类、安全与风格类插件的功能与使用方法。
作者分享了如何用 Claude Code 配合 Opus 5.5 将整个 SEO 部门自动化运营的实践经验。通过 ChatSEO MCP 提供数据智能层（Search Console、关键词量、实时 SERP、竞品分析），Claude Code 充当 SEO 总监负责规划与执行，人工只审批涉及线上页面的改动。文章给出了 6 个可直接安装的 Skill 文件，涵盖：聚焦商业意图的关键词模式挖掘、一关键词一页面避免自相蚕食、对标 SERP 前三名构建页面等内容，并强调了防止 AI 编造数据等实操细节。
作者分享了一套免费的深度 AI SEO 实战课程，核心是用 Claude（尤其是 Claude Code + ChatSEO MCP）系统化提升网站搜索排名与商业转化。内容包括：先选择有商业意图的关键词而非虚荣流量；用关键词模式批量生产页面；按转化意图排序的 9 种软件类页面类型（替代页、对比页、集成页等）；用 Claude 批量写作、内链、生成结构化数据；并强调 GEO（AI 引用优化）必须建立在优质 SEO 之上。文章强调 AI 是执行之手、数据工具是大脑、人负责审批，并按周重复执行整个流程。
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。
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。
作者分享了在创业公司落地 AI Coding 工作流半年来的实践迭代。核心思路是给 Agent 最大执行权限同时控制爆炸半径：使用 Claude Code 作为主力 Agent 配合 matt Skill 与项目 MCP；通过 git worktree 物理隔离多个并行 Agent 的工作区；坚持计划先行，动代码前必须产出完整 Plan 并用状态文件持久化进度；测试上人机分工，AI 在 DEV 环境完成正反用例自测，人类只验收业务效果；通过 PR 规范、GPT 对抗性 Review、CI 自闭环守住质量防线；用 PostHog Feature Flag 实现秒级回退止血；并以部署看板巡检日志、三层文档体系（CLAUDE.md、rules、specs）作为长期记忆，实现生产级 AI 高速开发。
作者分享了使用 EverOS Cloud 为 AI Agent 构建记忆层的实测体验。他通过自动生成 X 引用帖配图的工作流，总结了生图提示词敏感词、图片压缩、后台任务管理等踩坑经验。EverOS Cloud 能将 Agent 的任务过程存为 Case，自动提炼出可复用的 Skill（如「生成合规图像并添加水印」SOP），支持中英文混合检索（不到100毫秒）、业务资料接入、API 轻量集成、可视化管理记忆，并提供云端与开源自托管两种部署方式。作者认为，Agent 没有记忆就像每天重新带的实习生，能把经验攒下来才能成为靠谱的老员工，对一人公司尤其有价值。
作者分享用 Codex 结合 ChatCut 浏览器/桌面剪辑器自动剪口播视频的工作流：将原本在剪映需要一两天的剪辑工作压缩到一小时内。文章介绍了通过托管 MCP 插件让 Codex 或 Claude Code 直接操作剪辑时间线的安装方式，给出了四条核心指令（只读分析、按语义删减、插入内容并自查、最后刷字幕）和五道验收方法（重读项目状态、核对总时长、逐轨道检查、实际试听、复查字幕），并以片尾卡未跟随移动导致时长短两秒的实例说明：AI 报告'完成'不等于真正完成，验收环节必须由人掌握，这一原则适用于所有 Agent 交付的工作。
