OpenAI 联合创始人、前 Tesla AI 负责人 Andrej Karpathy 认为，多数 AI 用户的瓶颈不是模型或提示词，而是缺少一套围绕模型构建的系统。本文拆解了他的 7 条实操铁律：不要纠结“魔法提示词”，必须喂足上下文；认真定制 CLAUDE.md；用 /raw、/wiki、配置文件搭建三层记忆结构；把每次满意的输出永久保存为引用页；长项目必需 index.md 和 log.md；把 AI 当成无品位的超级实习生，用小步验证循环；以及一句将研究输出转化为可导航 HTML 的指令。适合总在调提示词却拿不到稳定产出的工程师，用半天搭好这套基础，AI 才能真正为你工作。
文章对比了 Claude 多智能体系统的两种范式：子代理（sub-agents）是即发即忘的短时工作单元，拥有独立上下文与工具，仅返回压缩结果，适用于可极致并行的独立任务；智能体团队（agent teams）则是长期运行、可直连通信、通过共享任务列表协调的协作模式，适合需要持续协商的场景。作者给出了基于上下文边界的设计原则、五种常用编排模式，并明确了何时不应使用多智能体系统：当任务简单或上下文需要频繁共享时，单智能体往往更优。文中包含 Python SDK 示例与失败模式分析，面向正在构建或评估智能体系统的工程师。
本文详述了 Claude Code 四种让 AI 脱离手动引导的自主运行命令。/goal 设定完成条件，每轮由轻量模型自动评估是否达成，直至条件满足；/loop 按固定时间间隔循环执行；/schedule 创建独立于会话的后台定时任务；Stop Hook 则支持自定义脚本或条件判断，实现“测试不绿不停止”。文中给出了明确的模板、好/坏条件示例、与 Auto 模式配合实现完全无人值守的方案，并对比了各命令的适用场景，帮助开发者从“每步提示”转向“设定即忘”的工作流。
Claude Code 新增的 /goal 命令可以让 AI 助手持续运行，直到满足你设定的完成条件，无需反复输入“continue”。作者详解其工作原理：每轮结束后，一个轻量评价模型（默认 Claude Haiku）自动检查对话记录，若目标未达成则立即启动下一轮。成功的关键在于写出具体、可衡量且能从输出中验证的目标（例如“所有测试通过且 lint 干净”）。文章还给出了项目准备建议（创建 CLAUDE.md、配置 hooks、开启 Auto Mode），并警告模糊的目标会导致 token 浪费和评价幻觉。最后对比了 /goal 与 /loop、stop hooks 的适用场景。适合所有希望摆脱 AI 编码中“逐轮监督”的开发者。
OpenAI 与 Thrive Holdings 联合为希腊克里特岛会计网络开发 Tax AI，基于 Codex 驱动自改进循环。系统处理 7,000 份税表，准确率达 97%，吞吐量提升 50%，将一位高级会计师的税务准备时间从 180 小时降至 15 小时。核心设计三支柱：从业者反馈、生产轨迹（从原始文件到最终申报的结构化流程）、Codex 迭代循环。以租赁房产表格为例，详细展示了从业者修正如何转化为评估目标，再由 Codex 分析根因并提出补丁。适合在专家知识密集型领域构建自进化代理的团队。