作者分享了从Superpowers切换至mattpocock/skills的实际体验与对比。Superpowers通过hooks强制规范流程，适合新手但易将简单问题复杂化且消耗大量token。mattpocock/skills的设计理念更贴近“真实工程师”，将决策权交还给用户，通过/grill-with-docs、/to-prd、/to-issues、/implement等明确步骤实现高效迭代。核心优势包括：token消耗更低、具备/tdd和/diagnosing-bugs等debug skill、支持/handoff跨模型交接、以及/improve-codebase-architecture用于重构。作者还提到与Fable 5、Codex 5.5等模型配合使用，并将PRD和issues存储在GitHub以便追溯。文章适合关注Agent工程、AI编程效率及工具选型的工程师。
作者分享了在 AI 时代深入学习一个技术领域的个人方法：以输出为导向，将学习过程组织为‘收集资料—筛选精读—写大纲—填充初稿—AI 辅助收紧结构—自读定稿’的流水线。核心观点是 AI 的价值不在于替你总结，而在于放大你已有的判断与输出动作。文中以近期研究大模型训练流程为例，展示了如何用开源工具集 Waza 中的 /learn 技能把这一过程工业化。适合对‘AI 时代如何保持学习深度’有困惑的工程师阅读。
这是一份实操教程，教你如何让 Claude 连接 Obsidian 笔记库，构建一个能基于你自己的笔记进行检索、推理和综合的 AI 知识引擎。文章给出了具体的文件夹结构（PARA 法）、为 AI 优化笔记的设计原则、三种 Claude 接入方案（Project 上传、Claude Code 直读、MCP 服务），以及五个立即可用的自动化工作流（周报、研究综合、想法连接、知识盲区发现、每日简报）。适用愿意花时间建立个人知识库的开发者、研究者或知识工作者。
本文系统梳理了五种多智能体协调模式：生成器-验证器、编排器-子代理、代理团队、消息总线、共享状态。每种模式都给出了工作机制、适用场景和已知瓶颈（如验证器品质依赖标准、编排器成为信息瓶颈、代理团队需要任务独立、消息总线调试困难、共享状态可能陷入反应循环）。文章强调从最简单的模式开始，观察瓶颈后再演进，并提供了模式间的对比决策指南（比如按子任务持续时间选择编排还是团队、按工作流可预测性选择编排还是消息总线）。适合正在构建多智能体系统的工程团队。
iii 提出了一种不同于 LangChain 等 Agent 框架的架构：将 Agent 运行所需的 15 项职责拆分为独立的 Worker（如 turn-orchestrator、auth-credentials、policy、approval-gate 等），每个 Worker 通过 WebSocket 连接到同一引擎，注册函数与触发器，通过 iii.trigger() 共享总线通信。这种设计使得每一层都可独立替换——想换模型目录就写一个注册 models::list 的 Worker，想加新提供商就写一个注册 provider::<name>::stream 的 Worker，无需修改其余堆栈。文章详细展示了从 turn 请求到 function execute、approval、streaming 的完整循环，以及每个 Worker 的职责和替换示例。整个堆栈开源（github.com/iii-hq/workers），支持任何语言编写 Worker。适合正在搭建或受困于现有框架的 Agent 团队阅读。
Anthropic 发布 Dynamic Workflows，一种将大规模任务编排写成 JavaScript 脚本、交由独立运行时执行的原语。脚本持有循环、分支和中间结果，主 Claude 上下文仅接收最终答案，解决了 subagent 和 Agent Teams 面临的上百个并行任务时上下文溢出与注意力稀释的瓶颈。文章详解架构、原语与执行模型，并以 Bun 迁移 Rust（11 天/75 万行/99.8% 测试通过）和个人 133 会话分析案例展示效果。对比 n8n/Coze/Dify 后指出，Workflow 是“确定性脚本 + 节点调 LLM”，图灵完备的代码表达力优于可视化 DAG，且编排可由模型现场生成。适用代码库级排查、大迁移、对抗验证等场景，但 token 消耗高、有并发与恢复等限制。适合需要大规模自动化编码任务的工程师。
本文提出「上下文工程」正在取代提示工程：随着模型理解力提升，瓶颈不再是提示词本身，而是模型可用的上下文信息。作者给出五层框架：身份上下文（告诉 Claude 你是谁）、知识上下文（上传关键文档）、记忆上下文（持续记录偏好）、工具上下文（接入邮件、日历、代码库等 MCP 工具）、流程上下文（用 Skill 文件固化工作流）。核心观点：精心设计的环境比精心编写的 prompt 更重要。文章偏实操指南，无实测数据，适合重度使用 Claude 的用户。
播客《硅谷 101》邀请 Creao 三位创始人深入探讨 Harness Engineering——不是 Prompt 或 Context Engineering，而是围绕大模型搭建能自我修复、持续进化的系统。真正 AI-First 公司把 AI 作为生产力主导者，重构组织流程：开发周期从六周压缩到一天，产品经理角色被拆解，跨团队对齐由 AI 自动完成。反常识的是，初级工程师比资深者更适应这种环境，未来最稀缺的是跨架构、产品、营销的 generalist。他们还提出“Agent 经济”概念——未来内容可能更多服务于 AI Agent 而非人类。团队仅 25 人，两周完成架构重构，展示了 AI 产能对组织的冲击。推荐完整版逐字稿。
本文系统梳理了 Agent 系统的底层架构与工程实践，从稳定的 Agent Loop 控制流出发，对比 Workflow 与 Agent 的根本区别，解析五种常见控制模式及选型。重点强调 Harness（验收基线、执行边界、反馈信号、回退手段）比模型本身更决定系统收敛；上下文工程通过分层（常驻、按需、运行时、记忆、系统层）和三种压缩策略防止 Context Rot；工具设计遵循 ACI 原则，面向目标、参数防错、错误可修正；记忆系统分为工作、程序性、情景、语义四类，并通过整合与可回退机制实现跨会话一致性。还涵盖长任务跨 session 续跑、多 Agent 协议化协作、评测体系构建（Pass@k 与 Pass^k）以及基于事件流的可观测性。文章最终以 OpenClaw 的实现演示这些原则如何落地，适合需要构建稳健 Agent 系统的一线开发者。
作者将一团乱麻的CSS用AI辅助重构，分7个阶段，全程保持视觉效果不变。借助Playwright自动截图9个应用状态，每个阶段后用Claude Code对比截图，自动发现任何视觉差异（如行高变化）。重构后CSS采用@layer层级、现代重置、统一按钮基类和CSS变量，整个流程耗时约3小时。文章详细介绍了枚举状态、编写脚本、用AI读图对比的经验，并讨论了为何选择AI而非专用视觉回归工具。适合前端开发者学习如何安全重构遗留样式。
当前超过 30 种代理工具已统一 SKILL.md 格式，真正挑战转向内容设计。本文作者从 Anthropic、Vercel 和 Google 内部指南中总结出 5 种可复用设计模式：Tool Wrapper（按需加载库规范）、Generator（模板填空确保输出一致）、Reviewer（检查清单评分，按严重性归类）、Inversion（代理先采访用户再行动）、Pipeline（带门控条件的多步工作流）。每种模式均给出 ADK 可运行代码，适合需要构建可靠 AI Agent 的开发者参考。