本文由 Claude Code 团队成员撰写，深入解析模型切换与努力级别两个设置的真实机制。模型切换的是训练后冻结的权重（知识），而努力级别控制的是 Claude 在任务中投入的工作量——包括读取文件、运行测试、验证结果等环节的深度与广度。文章通过清晰的类比（专家 vs 通才）和图表，解释了何时应升级模型（知识不足）而非增加努力（努力不够），并给出了实用的选择建议：默认优先使用默认努力，复杂问题选更大模型，常规任务选更小模型以节省成本。核心观点：先检查上下文，再判断是“没试够”还是“不会做”。
本文系统比较了三种主流的AI Agent技能框架：Matt Pocock Skills（工程实践型）、Superpowers（社区工作流型）和Agent Skills（生产级生命周期型）。从定位、技能粒度、学习曲线、Token消耗、工具支持、社区规模等维度逐一对比，并给出了个人开发者、小团队、中大型团队及企业级项目的选型建议。核心发现：Matt Pocock Skills擅长快速对齐与架构优化，Superpowers提供端到端工作流与丰富插件生态，Agent Skills则以验证门控和反合理化设计保障代码质量。文章还提供了三者组合使用的策略。适合正在为AI编码助手选择工作流框架的开发者与技术负责人。
本文剖析了近期流行的“电报体 Skill”（如 Caveman 项目），即让 AI 编程工具用极简语言输出以节省 Token。作者指出，Caveman 声称节省 65% Token 的数据来自聊天场景，但在智能体编程任务中，工具调用和系统提示词才是 Token 消耗大头。JetBrains 的对照测试（86 个任务，240 次试验）显示，强制开启后输出 Token 只省了 8.5%，且日常使用中因须自行判断触发，实际节省更少。文章进一步讨论电报体的代价：语言缩短导致信息缺失，增加开发者追问和 Agent 返工。作者认为，真正有效的成本优化在于上下文管理（如 prompt caching）和减少无用工具调用，而不是压缩输出文本。