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。
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。
作者受 yetone 分发的 AI 持续开发工作流启发，分享自己基于 Claude Code + Codex CLI 的开发实践。核心思路是：主 Agent 用 Claude Opus 负责需求分析、任务拆解、调度与审查，Codex 负责具体编码，低成本 Claude Subagent 监测 GitHub Issues/PR，并结合 Git Worktree 隔离任务。开发前强调明确需求、复用成熟开源组件（yt-dlp、Whisper、FFmpeg）、不断质疑想法；开发中通过 Human-in-the-Loop 让人负责体验与最终决策，AI 处理重复任务。文末附完整的可复用提示词。
文章借 Karpathy 的漏斗模型，指出大众对 AI 能力的认知错位：60亿人没碰过大模型，十几亿人只用免费版聊天，仅约2000万人专业使用前沿模型。作者提出小白用好 AI 的三步法：一是换档，分清聊天与派活，按需选择档位而非盲目付费；二是派活，从可检查、重复性的真实任务入手，让 AI 先复述目标再动手；三是验收，把做完写成可执行的动作，要求 AI 交证据，涉及钱、删除、权限必须亲自确认。文末附派活单和七天上手清单，帮助读者用一件真实任务体验 AI 的实际价值。
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。
文章从零讲解 Harness Engineering（线束工程）的概念：模型只负责生成文本，而 harness 是围绕模型的软件系统，负责将模型的输出转化为实际工作。作者通过 OpenAI、LangChain、Anthropic 的案例说明，不换模型也能大幅提升 Agent 能力，关键在于模型周围的系统建设。文章以'给文章添加点赞按钮'为例，逐步拆解 harness 的构成：给模型的六件套（tools、循环、记忆、上下文、工作环境、目标与验证），以及给用户的三件套（权限限制、可观测性、评估），展示了模型'提出请求'、harness'执行动作'的协作模式。
作者基于 Karpathy 提出的 LLM wiki 理论，结合 WorkBuddy/Codex 与 Obsidian，搭建了一套能够自生长的个人知识库系统。文章解释了 LLM wiki 与 RAG 类方案的区别：知识不是每次临时拼装，而是通过 Raw（原始资料）、Wiki（结构化知识）、Schema（规则规范）三层架构持续增量沉淀。Obsidian 以本地化 Markdown、双链和插件生态承担存储底座与人机界面，Agent 负责理解新资料、建页、建链、维护索引与变更日志。文中给出了完整目录模板、详细提示词，介绍了直接搭建、claude-obsidian 插件等多种搭建方法，并分享了模型选型与实战建议。
本文系统讲解如何编写和维护 Claude Code 的 CLAUDE.md 与 Codex 的 AGENTS.md 等长期指令文件。核心观点是：规则越多 Agent 反而越容易跑偏，指令文件应只保存 Agent 无法从代码推断的隐性知识。作者提出先做减法（三问：能否从项目找到、是否多数任务都用、是否长期成立），再做加法（五个问题提取业务规则、固定入口、联动关系、完成标准和权威资料），并给出内容分流表、最小模板、双工具共用一份文件的方案、加载验证方法、修剪维护节奏，以及一段可直接使用的审计提示词。
Anthropic 将 Claude Academy 免费开放，涵盖 Claude 101、Claude Code、MCP、subagents、API 及 AI Fluency 等课程。其员工入职即学习 4D 框架：Delegation（任务分工）、Description（清晰表达需求）、Discernment（判断结果可靠性）、Diligence（对结果负责）。由于模型升级使具体技巧快速贬值，Anthropic 转向培养耐用的心智模式，如验证力度与风险匹配、持续练习核心技能。研究数据显示迭代对话中的质疑行为显著增多。文章认为 AI 教育重心正从 Prompt 技巧转向任务分配、判断与责任归属。
本文深入解析了 Claude Code 创始人 Boris Cherny 的日常工作流与核心理念。他指出，Claude Code 的最佳使用方式已从传统的“单次提示”转变为“设计循环”，即通过多会话和子智能体构建自动化的系统。文章探讨了系统提示词的演进逻辑，并分享了如何像 Anthropic 内部团队一样高效编写 CLAUDE.md 文件：将 Claude 视为一名能力极强但患有失忆症的新员工，仅提供必要的全局指令与渐进式上下文。
作者系统整理了 369 个开源仓库清单，聚焦于能让 Claude Code、Codex 等编程 Agent 实现视频生成、自动化剪辑与代码动效渲染的工具、Skill 和提示词库。文章收录规则强调视频/动效产出、专供 Agent 调用、完整文档三大标准，并打破高星滤镜。重点介绍了四大现象级框架：lemo-opuscar（59 种风格引擎）、huashu-art-motion（艺术动画）、huashu-motion（商业发布片）、sweety-handdraw-video（手绘口播流水线），以及自动化剪辑、代码直出成片、数字人与音乐 MV 等垂直领域的硬核项目，最后给出 2026 年 AI 视频生产工具选型决策表。
作者宣布其 AI 视频情报站正式开放 MCP 接口，支持 Claude Code、Codex 等 Agent 直接接入查询。文章介绍了接入方法（一条命令即可），并展示了几种典型用法：每天早上让 Agent 查询新起和升温的视频题材、查询某个题材的来源和时间线、追踪特定 AI 模型的动态，以及将情报站接入自己的工作流（如自动生成选题卡、晨会材料等）。情报站每天早上更新一期，提供题材归类、X 热议、开源项目、题材溯源等数据，同时说明了查询范围限制。不接 MCP 也可通过网页或开源版自行部署使用。
