作者发现 20x Claude Max 的 5 小时配额在十分钟内耗尽，一度怀疑 Anthropic 计量有 bug。翻遍本地日志后定位到真正原因：一个被遗忘的 YC 后台 coding agent 以并发 swarm 方式每天启动 1,555 个 Claude Code 会话，其中 91% 的消耗来自机器而非人工。文章同时澄清两个机制：/usage 展示的是滚动时间窗而非“当日额度”，以及每个新会话都要重建 prompt cache，成本约为命中缓存重读的 12 倍。作者随后把排查过程固化为开源 skill tare，纯本地解析日志并按 request id 去重——不去重会让 token 统计虚高约 86%——能回答“额度去哪了”并生成可脱敏导出的 HTML 报告。适合 Claude Code 深度用户，以及关心后台 agent 开销的工程团队。
OpenClaw 2.0 是该项目迄今最大的一次发布：933 名贡献者合入逾 16,000 个 PR，其中 569 人为首次贡献；发布前团队连续近七周未发版。新版把重心放在降低上手门槛——安装引导会直接沿用本机已有的 ChatGPT/Claude 订阅、API key 或本地模型，并移除大量初始配置；浏览器端被重构成第一优先级的操作入口，首次对话即可继续设置或跟进任务。文章还展示了从单个收件箱通知这类简单流程，向跨 iMessage/邮件查证并代回复的复杂任务演进，以及让团队共享云会话、保持上下文移交的多人在线模式。全文没有技术架构细节，偏产品发布叙事；适合 OpenClaw 用户评估是否升级，或关注 agent 产品形态的工程师快速浏览。
文章以B级恐怖片海报为包装，按时间线梳理2023至2026年AI生成代码引发的生产事故：从早期Copilot/ChatGPT生成代码的正确率与安全缺陷，到2025-2026年多起AI agent删除生产数据库、备份或被注入恶意命令的严重事件。援引DORA、Lightrun、Cortex等报告数据，指出AI生成代码在生产环境需调试的比例高达43%-45%，XSS等漏洞概率为人类代码的2-3倍。随后给出8条工程建议：把提示词当作团队纪律、为AI划定禁区、针对AI常见失败模式设质量闸门、用自动化E2E测试兜底等。文末导向作者自家的AI测试平台QA Wolf。适合正在使用AI编码助手或agent并担心生产稳定性的工程团队阅读，可快速了解风险清单与基本防线。
DeepSeek 在 V4 Pro 发布后正式推出自己的 Agent 产品 DeepSeek Harness，核心口号是一切皆插件。它的内核名为 Cordis，只负责插件的加载、卸载与依赖管理，支持在 Agent 运行中热插拔，并用 88 页论文定义了时间/空间可组合性。UI、工具、Skills、存储、Agent 循环全部以插件形式暴露，官方预设 100 多个一方插件，也开放社区插件入口。安装只需一条 `npx @deepseek-ai/dsh web`，且未锁死在自家模型上，可以接入其他厂商的 Base URL 和协议。文章拆解了标准、PTC、极简、创造四种模式，其中创造模式允许 Agent 检查自身运行环境、现场创建并挂载新插件；会话被设计成只追加事件日志，失败后可按来源查看轨迹，便于审计和复现。作者也指出 V4 Pro 涨价明显，缓存命中价涨了 12 倍、高峰输出 27 元，且 Harness 对普通用户门槛高、UX 粗糙，更适合关注 Agent 可组合性与基础设施设计的工程师。
Anthropic 以 research preview 形式给 Claude Code 加入 routines：把提示词、仓库和连接器打包成一个可重复运行的自动化，跑在 Anthropic 云端，不再依赖本地电脑。触发方式有三种——按 schedule 定时（每小时/每晚/每周）、通过每个 routine 独享的 HTTP endpoint 与 auth token 触发、以及订阅 GitHub 仓库事件，对每个匹配的 PR 开一个 session 并持续跟进评论与 CI 失败。文章列举了 backlog 清理、文档漂移、部署验证、告警分诊等使用模式，并给出配额：Pro 每天 5 个、Max 15 个、Team/Enterprise 25 个，超出部分按 extra usage 计费。适合想用 Claude Code 做无人值守自动化、或评估云端 agent 编排的工程师；需注意这是官方发布稿，无真实案例数据。
GitHub 开发者布道师 Burke Holland 提出：在 AI 编程中真正拉开效率差距的不是新模型、新 MCP 或奇巧提示词，而是对同一个 harness（Copilot 在 CLI、App、IDE 间共用的交互与执行框架）的掌握。他给出一条可复用的 8 步工作流：先用 GitHub Copilot CLI 或 App，并打开 YOLO mode（免审批）在 Codespaces 沙箱里运行；用单条提示词一次性生成 20 个 date picker mockup 或 Mermaid API 方案图做原型；进入 /plan 模式让模型盘问边界条件；用 Autopilot 让模型按计划实现并自动调度 Explore 等子代理；随后以人工品味逐条迭代；最后用 Rubber Duck review 让另一模型家族交叉审查。文中还提醒：工作期间固定模型与推理档位可吃到 prompt caching 折扣；别接受“差不多”的输出。适合正在使用 GitHub Copilot 但被工具噪音淹没的工程师。
这篇 Hermes Agent 上手指南更像 Kimi 的转化型教程，而不是深度技术评测。文章覆盖安装、OpenClaw 配置迁移、模型供应商选择（默认 kimi-k2.6）、API Key 写入 .env，以及一个查看磁盘占用的示例任务。功能部分罗列了持久记忆、Skills、浏览器自动化、定时任务等，但全部停留在概述层面，没有实测数据、失败案例或架构细节。适合想 30 分钟内装一个本地 Agent 尝鲜的读者；若你想评估长期可维护性或对比同类工具，这篇提供不了证据。
这是一篇由 Higgsfield 赞助的操作指南，介绍其 Supercomputer 多模型聚合产品：在一个聊天窗口内同时调度 Claude、GPT、Gemini 与 Grok，按任务自动选择模型，并提供规划/研究/草稿免费、最终渲染计费的免费档。文中给出三种接入方式：网页、Claude 的 Connector（MCP https://mcp.higgsfield.ai/mcp）、以及 npm CLI（@higgsfield/cli），并附 18 条可直接复制的提示词模板，覆盖建站、CRM、UGC 视频、定时任务、多智能体 graph engineering 等场景。需要注意，全文没有任何模型路由的技术细节或基准数据，'只付最终输出'、'能自动选最优模型' 等说法均未得到验证，且文末明确标注为赞助内容。适合想快速收集多模型聚合类产品提示词模板的读者，不适合期望看到工程原理的人。
月之暗面在自家官网发布 Vibe Coding 入门指南，前半部分介绍概念、与传统开发的差异、五个自述案例，后半部分转为 Kimi Websites 与 Kimi Code 两款产品的教程：含 curl/PowerShell 安装命令、/init 与 /login 命令、示例提示词和三步流程。文章明确将 vibe coding 定义为「自然语言界面 + LLM 引擎 + 自动测试循环」的框架，并给出优缺点与安全提示。对想快速了解 Kimi 工具链的初级用户有参考价值；但全篇缺少可验证数据与第三方对比，属于产品导向内容，资深工程师可跳过前半部分直接看 CLI 用法。
Pi 是一个开源 AI agent 工具包，提供统一的多提供商 LLM 接口（OpenAI、Anthropic、Google 等）、可扩展的 agent 运行时（工具调用、状态管理）、交互式编码代理 CLI 和终端 UI 库。它解决构建 AI agent 时组件碎片化与集成难题，核心理念是模块化 npm 包设计，支持容器化隔离与供应链安全加固。适合需要快速构建、部署或定制 AI agent 的工程师，尤其是编码代理场景。
code-review-graph 是一个本地优先的代码智能图项目，基于 Tree-sitter 解析代码结构，通过 MCP 协议为 AI 编程助手（如 Codex、Claude Code、Cursor 等）提供精确的上下文。它解决 AI 在代码审查时重复读取大量 Token 的问题：通过 blast-radius 分析，只输出受变更影响的文件，帮助助手聚焦关键代码。支持 30+ MCP 工具、增量更新（2 秒内重建图）、GitHub Action 风险评分 PR 审查，以及自定义语言扩展。基准测试显示，中位数 Token 减少约 82 倍。适合使用 AI 编程助手的开发者和维护大型仓库的团队。
本文作者花一周时间追踪在Claude和Claude Code上的操作耗时，发现每天约51分钟浪费在点击、导航、等待和重发上。通过系统测试所有快捷键，筛选出12个真正提升效率的快捷键（浏览器6个+终端6个），并量化了每个快捷键节省的时间与token成本。实测后每日操作耗时降至22分钟，节省29分钟（约35% token消耗）。对于频繁使用Claude的工程师，本文提供了可立即践行的优化方案。
本指南从零开始构建一个 Claude Code 技能（commit-messages），详细讲解技能文件夹结构、SKILL.md 的写法（尤其是 description 的关键作用）、如何通过 scripts 文件夹确保指令一致性，以及 references 和 assets 的按需加载策略。强调 description 决定了技能是否被触发，而并非指令本身。适合所有使用 Claude Code 希望固化工作流的工程师。
使用多个AI工具时，上下文在每个会话中丢失，导致每天浪费大量时间重新解释。Unibase Memory是一款Chrome扩展，它能捕获、存储并跨ChatGPT、Claude和Gemini注入记忆，实现真正的共享上下文。文章详细介绍了从安装到高级工作流（研究到写作、品牌语音持久化、跨工具构建）的五个步骤，并探讨了本地加密与可选去中心化同步的架构。对于使用多模型AI工作流的工程师和创作者，这是解决AI记忆碎片化的实用工具介绍。
Graphify 是一个将代码库、文档、PDF、图片和视频映射为知识图谱的开源工具，专为 AI 编程助手（如 Claude Code、Cursor、Gemini CLI 等 20+ 平台）设计。它使用 tree-sitter AST 对代码进行确定性解析（完全本地、无需 LLM），对文档/媒体则通过 AI 助手模型做语义提取。输出是一个可交互的 HTML 可视化、一份 Markdown 报告和可复用的 graph.json，支持用户通过自然语言查询、路径追踪和概念解释。每一条边都带有置信度标签（EXTRACTED / INFERRED），让开发者明确区分“读到的”和“推测的”。适合需要快速理解大型陌生代码库或在长尾维护中依赖 AI 助手的工程师。
Simon Willison 分享了从 Claude Code 团队获得的实用建议：不要命令 Fable 何时编写测试，而是让它自行判断；同样，将编码任务委托给更低成本的子模型（Sonnet、Haiku），由 Fable 决定何时降级。在 Claude Code 即将涨价之际，这一技巧尤为实用。他展示了通过记忆文件配置，让主模型在处理每个编码任务时自主选择合适模型并派生子代理。实测表明，这能在保持开发效率的同时显著降低 Fable token 消耗。文章适合所有使用 Claude Code 并关注成本控制的开发者。
pxpipe 是一个本地代理，拦截 Claude Code API 请求，将系统提示、工具文档和旧历史记录等大块文本渲染为紧凑的 PNG 图片。利用图片 token 按像素尺寸而非字符数计费的特点，将输入 token 量削减约 60%，端到端 API 费用可降低 59–70%。它改写请求负载并保留提示缓存兼容性，默认对 Claude Fable 5 和 GPT-5.6 启用，提供仪表盘实时监控和收益门槛，避免稀疏文本反而增加开销。适合使用 LLM 编程助手的开发者，在保持任务能力的同时大幅降低 API 开销。
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。
本文介绍了AI agent技能仓库v1.1版本的重大更新，包括技能重命名、合并、新增技能以及工作流程改进。核心变化：/to-prd更名为/to-spec以统一“规范”术语；/to-plan和/to-issues合并为/to-tickets，支持本地文件或真实追踪器的边缘阻塞关系。grilling技能修复了同时问多个问题、未确认即执行以及偶尔自我grill的bug。新增/wayfinder技能，用于将超大任务拆解为带依赖图的GitHub issue，分步探索；配套/research和/prototype技能支持自动研究和原型制作。代码审查技能集成Martin Fowler的十种重构坏味道（如神秘命名、重复代码），仅需10行指导即可显著提升代码质量。TDD技能改为纯参考材料，重构步骤移至代码审查阶段。文章还给出了推荐工作流：Grilling → Spec → Tickets → Implement → Code Review。适合使用AI agent进行软件开发的工程师。
本文介绍 `writing-great-skills` 这一元技能，作为编写和编辑可预测 AI 技能的参考框架。核心概念是 **认知负荷** 与 **上下文负荷** 之间的权衡：模型调用的技能消耗上下文负荷但自动触发，用户调用的技能零上下文负荷但需你记住其存在。文章提供了管理这些负荷的工具，包括 leading words（锚定执行的关键词）、信息层次（逐步披露）、修剪（单一真实来源与无操作测试）以及失败模式（过早完成、重复、沉积等）。适合为 agent 编写一致且可维护技能的系统构建者。
本文介绍了一个名为 /teach 的 AI agent 技能，专为长期、累积式学习设计。与一次性问答不同，/teach 将当前目录变为一个持久的教学空间，通过 MISSION.md 明确学习目标，从高信任资源（如文档、书籍）获取知识并标注出处，而不是依赖模型的参数记忆。它使用 ADR 风格的学习记录追踪进度，并基于“最近发展区”动态调整下一课难度。文章详细阐述了其目录结构（lessons、reference、learning-records 等）以及教学理念：通过“存储强度”（storage strength）对抗“流畅度幻觉”，利用理想困难（desirable difficulty）、检索练习、间隔重复等策略构建长期记忆。适合希望系统学习新技术（如语言、框架、理论）的工程师，尤其适合将学习视为项目而非一次性任务的人。
Claude Code 团队官方博客，详细介绍了四种循环模式：基于回合、基于目标、基于时间和主动循环。文章解释了每种模式的触发方式、停止条件、适用场景及 token 管理策略，并提供了具体的 CLI 命令和 SKILL.md 示例。核心观点是：并非所有任务都需要复杂循环，应从最简单的方案开始，逐步为重复性工作设计自动化流水线。对于已在使用或计划使用 Claude Code 进行自动化开发的工程师极具参考价值。
Cursor 团队分享其代理框架（harness）的持续改进方法论。核心包括：上下文窗口从静态预填充演变为动态按需获取；通过离线基准（CursorBench）和在线 A/B 测试（基于代码留存率、用户意图识别）评估改动效果；建立工具调用错误分类体系（未知错误视为 bug，预期错误按原因归类）并利用异常检测与自动化日志分析（Cloud Agents）来追踪与修复退化；为不同模型定制工具格式与提示（如 OpenAI 的 patch 格式 vs Anthropic 的字符串替换），并处理模型特性（如“上下文焦虑”）；支持会话中模型切换时自动切换对应框架并加入特殊指令避免工具混淆。最后展望多智能体架构——框架将负责智能体编排与结果缝合。适合一线 AI 工程、Agent 平台开发者阅读。
作者在 Claude Opus 4.8 发布次日撰写了这份配置指南，重点不在模型本身的基准提升（SWE-bench 从 87.6% 到 88.6%），而是伴随发布的三项操作特性：Effort Control 允许按任务设置思考深度（Low/Medium/High/Max/Ultracode），Fast Mode 以原先 1/3 的价格提供 2.5 倍速度，Dynamic Workflows 支持单次会话并行调用最多 1000 个子 agent。文章给出了一个完整的成本优化矩阵，按任务类型将请求路由到 Haiku、Sonnet、Opus 及不同 effort 等级，宣称可将重度用户的月成本从 $400-600 降至约 $205。文末提供了可直接复制使用的环境变量和 settings.json 配置，内容偏向实用操作手册，适合已在使用 Claude Code 并希望控制成本的开发者。
本文是 Claude Code 官方发布的配置机制深度指南，系统梳理了 CLAUDE.md、规则（Rules，支持路径作用域）、技能（Skills，动态加载）、子代理（Subagents，隔离上下文）、钩子（Hooks，确定性触发）、输出样式（Output Styles）以及追加系统提示（append-system-prompt）七种指令注入方式。文章详细解释了每种机制的加载时机、上下文成本、适用范围和典型场景，尤其强调路径作用域规则避免 Token 浪费、子代理的完全隔离适合副作用任务、钩子的低上下文成本适合强制性校验。结尾给出实用建议：频繁出现的确定性行为应使用钩子而非 CLAUDE.md，长时间流程应放入技能中，绝对禁止的行为需使用钩子或托管策略而非指令。适合所有 Claude Code 用户，尤其是需要深度定制开发工作流的工程团队。
作者分享了与AI Agent协作编码的实用工作流：定义一个可验证的“完成标准”（如模型评估分数、QA通过、测试套件绿色、性能基准），编写一个循环让Agent自主迭代，并通过通知渠道（如Slack）在需要决策或完成时获得提醒。循环在云端运行，不占用本地终端。作者能同时运行3-5个长循环，外加多个短任务。适合希望将Agent从单次交互升级为长时间、自主优化任务的一线工程师。
本文来自 @0xCodez 发布在 X 上的长篇技术博文，系统阐述了“循环工程”（Loop Engineering）——从手工编写提示词（prompt）过渡到设计自动循环系统的完整路线图。文章基于 Anthropic 工程文档、Addy Osmani 的长文及近期测量研究，将转变过程分为三个层级共 14 步：首先通过 4 条件测试判断是否需要循环；然后掌握 5 个基础构件（自动化、工作树、技能、连接器、子智能体）；最后构建最小可行循环并规避常见陷阱（如“Ralph Wiggum 循环”、知识债、安全风险）。作者明确指出，循环工程并非万能——只有任务重复、验证可自动化、预算能承受浪费、且智能体拥有资深工程师工具时才有意义。本文适合已熟悉编码智能体基础用法、希望将其融入自动化工作流的工程师阅读。
本文详细拆解了AI驱动开发循环（Loop）的工程实践，作者通过真实案例（单工程师月提259个PR vs 循环失控烧掉$47,000）引出核心矛盾：构建高效自动化的同时必须配备可靠的制动机制。文章将循环分解为状态文件、自动化触发/调度的具体命令、Git 工作树隔离、技能配置、MCP 连接器、子代理分离等6个可操作部件，并给出了每个部件的配置示例（Claude Code 和 OpenAI Codex 双版本）。同时提供了刹车配置模板（最大步数、预算上限、作用域、断路器）、四种常见失败模式及低成本入门方案。适合正在构建或评估AI代理工作流的工程师阅读。
本文提出“循环工程”概念：与其手动逐次提示编码智能体，不如设计一个自动化系统——由调度任务、工作树隔离、技能定义、插件连接和子智能体审查组成的循环，让智能体自主发现工作、执行并验证。作者对比了Codex与Claude Code两个工具中这五个组件的具体实现（如自动化的`/goal`命令、基于`SKILL.md`的技能系统、通过`git worktree`实现的隔离），并强调状态持久化（Markdown文件或Linear看板）是循环稳定运行的关键。核心洞见是：循环设计比提示工程更难，因为软件工程师的角色从操作者转变为系统设计师，同时仍需承担验证质量、维护理解力、避免认知屈服的责任。
本文深度拆解了 Vercel 的 DESIGN.md 文件，展示了如何为 AI 编写一份高效、可执行的设计规范。文章从颜色、间距、字体、动效、文案和无障碍等维度，逐一分析了 Vercel 的做法及其背后的设计思维。例如，颜色系统通过 100-1000 的梯度设计，将交互状态（默认、悬停、点击）与固定数字关联，让 AI 无需猜测；间距体系只提供 9 个基于 4px 倍数的值，强制节奏一致；字体系统采用角色思维（标题/标签/正文/按钮）而非字号思维，减少视觉决策；动效设计则强调“能不动就不动”，并给出了各场景的精确时长。这篇文章适合希望提升 AI 生成界面一致性、或想要建立自身设计规范的产品经理、前端工程师和 AI 工具开发者阅读。
Lavish-axi 是一个轻量级 CLI 工具，它将在本地浏览器中打开 AI 生成的 HTML 文件（即 artifact），让你可以直接在界面上圈选元素、标注文本、截图，并向当前 Agent 发送反馈。它通过一个本地服务器提供一个 chrome 风格的编辑界面，支持实时预览、布局审计（检测溢出、文字裁剪等问题）、反馈队列和长轮询，使得人机协作迭代原本静态的 HTML artifact 变得流畅。项目以 AXI 标准封装，通过 npx 即可无安装运行，并可作为 skill 集成到 Claude Code 等支持斜杠命令的 Agent 中。适合需要精细调试 AI 生成页面或可视化方案的工程师。
本文是 Garry Tan 对自己构建 54 万行 Rails 代码的深刻反思。他用富士康工厂比喻当前 AI Agent 开发的主流模式：用海量代码、测试和重试逻辑去过度束缚和控制一个本已高度智能的模型。他提出核心论点：模型调用成本急剧下降，智能程度大幅提升，旧的经济学已经反转。新的范式是“即时软件”和“技能包”，用精简的 markdown 指令和少量 TypeScript 代码替代厚重的工程框架，让 Agent 在自由中发挥最大价值。文章提供了具体案例——一个黑客松评审 Agent 如何在一个下午内用极少的代码完成了从前需要整个软件项目才能实现的功能。文章适合那些正在用 AI 编程但仍在沿用传统软件工程量度（代码行数）和架构思维的工程师阅读，它挑战了根深蒂固的“不信任模型”的本能，并指明了“代币最大最优”的先发优势。
YC 合伙人 Garry Tan 提出一套区别于“更好模型”的 AI 代理架构理念：代理的瓶颈不是模型智能，而是对上下文和过程的管理。他用五个核心概念来定义这一架构：Skill files（以 Markdown 写成的可复用过程文件）、Harness（精瘦的运行与上下文管理循环）、Resolvers（上下文加载路由表）、Latent vs. deterministic（智能与确定性工作的严格边界划分）以及 Diarization（从非结构化信息中提取结构化的分析简报）。这套理念的实战体现是 YC Startup School 的匹配系统——用同一套技能文件的不同参数调用，完成分组、午餐配桌和实时匹配，并能通过分析“还行”的反馈自动重写技能规则，实现系统自进化。文章为一线工程和产品团队提供了具体可操作的代理设计原则，尤其适合正在构建 AI 工作流、需要平衡模型能力与系统可靠性的工程师。
Y Combinator 首席执行官 Garry Tan 回应了关于他近期声称“60 天内交付 60 万行生产代码”的广泛质疑。文章首先承认 LOC 是糟糕的生产力指标的合理性，引用了 Dijkstra 和 Gates 的经典批评。随后，他通过一套自研脚本，对比了自己 2013 年（兼职开发，日均 14 逻辑行）与 2026 年（同样在 YC 全职工作之余，日均 11,417 逻辑行）的代码产出。即使施加逻辑去噪和 2 倍 AI 冗余系数双重压缩，2026 年的日均产出仍达 5,708 行，是 2013 年的约 408 倍。文章进一步公开了代码质量数据：2.0% 的回滚率、6.3% 的修复提交比、从 100 个增长到 2000 多个的测试用例，并介绍了其产品 GStack 内置的浏览器自动化测试 /qa 命令和外部工具 slop-scan 的代码冗余评估。Garry 强调，核心变化不是他编程能力变强，而是 AI 将“想法到产品”的周期从三周压缩到三小时，并指出任何人都可以复现这一数据。适合对 AI 辅助工程效能、开发者生产力度量及工程文化感兴趣的读者。
Pejman 在个人实践中发现，我们正在把人类“知识孤岛”的缺陷重新构建进 Agent 系统。他同时使用 OpenClaw（个人助理）、Codex（编码）和 Claude Code（设计写作），每个 Agent 都拥有一片关于“我”和项目的不完整拼图。最关键的上下文并非留存于 Git 仓库的固化产出物，而是会话本身：争论、走过的死胡同、被剪除又可能复用的想法分支。将这些有价值的“记忆单元”锁在各自的 Agent 中，割裂不仅存在于概念层，也体现在物理层：不同机器、不同文件系统、不同的本地状态。文章指出，统一、可共享的记忆层是下一阶段的关键缺口，并提及了 GBrain 和 CASS 等在这方面的探索。适用于正在构建或重度使用多 Agent 工作流的工程师阅读。
作者上手实测了 Kimi Code 编程代理及其默认模型 K2.7 Code，验证其对 . 核心测试包括：利用视频理解能力复刻水墨动画效果、使用 /goal 命令自主将 2.1MB 图片压缩至 120KB 以下、以及多道网页 UI/动画/游戏编程题。体验表明，Kimi Code 的命令体系与 Claude Code 高度兼容，权限机制也几乎相同。/goal 命令可实现完全无人干预的自动化任务。K2.7 Code 的基础代码能力稳定，且官方称其推理 Token 消耗较上版平均降低 30%。此外，Kimi Datasource 插件通过自然语言即可查询股票、财报、论文等实时数据，无需额外注册数据账户。适合希望评估国产编程代理能否在工作流中替代 Claude Code 的开发者阅读。
pm-skills 是一个面向产品经理的 AI 技能市场，包含了 100 多个经过编码的 PM 技能和 42 个链式工作流。它解决了通用 AI 只生成文本、缺乏产品实践风格问题，将 Teresa Torres、Marty Cagan 等大师的产品方法论封装成可执行的、分步骤的 AI 指令。项目以 9 个可独立安装的插件形式，覆盖产品发现、策略、执行、GTM 和分析等全周期，通过 `/discover`、`/write-prd` 等命令行工具触发。适合希望将 AI 深度嵌入产品决策流程，而不仅仅是用来生成文档的产品经理和创始人。
本文解析了 AI agent 的真正定义——它不是一种类别，而是一个从简单问答到自主任务执行的光谱。作者详细对比了普通聊天与 agent 的关键差异：工具、记忆和循环。随后提供了一份无需编程的实战指南：使用 Claude Code 构建一个运行在 VPS 上的 Telegram 机器人，包含完整的系统提示词模板、systemd 部署、持久化记忆、成本追踪等实用技能，并针对 agent 常见的上下文丢失问题给出了具体的解决策略。适合想亲手搭建 agent 的工程师和 AI 爱好者。
Anthropic 工程师 Thariq Shihipar 介绍了 Claude Code 新增的动态工作流功能，允许 Claude 在运行时自动生成定制的 JavaScript 编排脚本来协调多个子智能体。文章详细阐述了为什么需要绕过单上下文窗口的局限性，如智能体惰性、自我偏好偏差和目标漂移，并给出了分类-执行、扇出-聚合、对抗验证、锦标赛等具体的编排模式。作者通过迁移重构、深度研究、大规模分类、根因分析等真实用例展示了该功能的适用场景，同时诚实地指出动态工作流会增加 token 消耗，并不适合常规编码任务。文中还提供了组合使用 /goal、/loop 命令以及设置 token 预算的操作性建议，适合希望突破单一智能体能力边界的一线工程师阅读。
YC 首席执行官 Garry Tan 以第一人称视角详述了其累计 10 万页、100 余个技能的 AI 智能体系统 GBrain 的构建历程与核心架构。文章反驳了将 AI 视为聊天窗口的浅层用法，提出“瘦胶水、胖技能、胖数据”的设计哲学：以 OpenClaw 等轻量级运行体作为调度层，将可复用的工作流封装为自包含的技能（skill），并通过一个名为 Skillify 的元技能来迭代创建新技能。文中以“书籍镜像”工作流（将书中观点映射至个人人生经历）为例，展示了从最初包含事实错误到引入多模型交叉校验、深度检索的演进过程，以及会议预演、实体传播等场景如何依赖持续增长的上下文图谱实现自动化。全文提供具体的架构说明、代码仓库链接与启动指南，适合希望构建可不断增值的个人 AI 基础设施的一线开发者阅读。
Orca 是一个桌面和移动端 IDE，专为同时运行多个 AI 编程代理（如 Claude Code、Codex、Grok 等）而设计。它利用 Git 的 worktree 机制，为每个代理任务创建隔离的工作目录，避免 stash 和分支切换的繁琐。用户可以在一个界面里通过标签和窗格并行观察和控制各个代理的进度，内置了差异审查和简单的源代码管理功能，并能直接关联 GitHub Issues 和 PR。适合已经习惯用 CLI 代理辅助编码、需要同时处理多个功能或重构任务的开发者。