本文用类比和概率分布图，把大语言模型拆解为“超大自动补全系统”。作者从 token 切分讲起，说明模型如何把文本切块并编号，进而解释预训练、有监督微调、人类反馈强化学习三阶段如何把原始统计机器打磨成助手。文章还剖析了“幻觉”的本质：不是 bug，而是模型只会生成符合概率分布、但未必符合事实的文本。最后给出实用 prompt 原则：提供丰富上下文、指定输出格式、迭代修改、重要信息必须验证。适合想理解 LLM 底层直觉、又想马上用好的非算法工程师。
作者用 Claude Code 的子代理（planner → coder → tester → reviewer）搭配 `.pipeline/` 共享目录做交接文件，把所有步骤串成一条 `/ship` 命令。Planner 用 Opus 写 spec，Coder 按 spec 实现并产 changes.md，Tester 只测不改码、失败就停，Reviewer 只读不写、给出 SHIP / NEEDS WORK / BLOCK 三种判决。全链路无人工干预，适合想在睡前启动、早上看结论的个人开发者。文中也提到了 Teamly 这个托管平台的内置编排能力，但主体是可复制的本地配置。
本文介绍一套五层工具与自定义 Hook 配合的分层 token 节省方案：用 CBM 知识图谱替代文件检索（可省 99% token），以 context-mode 管理大输出延长会话 6 倍，RTK 压缩 shell 输出，Headroom 在 API 边界再次压缩，Caveman 限制模型回复冗长度。整套方案通过 Pre/PostToolUse 等 Hook 实现强制执行，最终将代码探索 token 从 ~400K 降至 ~3.4K，会话时长从 30 分钟延至 3 小时以上。