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。
本文以对话式教程系统介绍Loop Engineering的核心思想：它不是新概念或炒作，而是将人类与AI协作中的重复动作（目标设定、分步执行、质量检查、反馈修正、停止条件）规范化为一套可执行的工作循环。文章对比了普通提示词（单次指令）与Loop（持续闭环）的本质区别，并提供了一个最小可行案例——用LLM Wiki思路构建个人知识库。作者强调检查环节是Loop的心脏，没有检查标准就只是自动化制造垃圾，同时列举了新手常见陷阱，包括把长提示词当Loop、目标过大、标准模糊、无人验收等。文章技术含金量中等，偏入门教学，但提供了可直接复用的模板和七要素清单（目标、输入、执行、检查、反馈、记录、停止），适合刚接触Agent工作流、想尝试结构化协作的工程师。
Ponytail 是一个为 Claude Code、Codex、Copilot CLI 等 14+ 种 AI 编码代理设计的规则插件。它注入一套“先问必要性”的思维阶梯：代码真的需要存在吗？标准库或平台原生能力能否做到？一行代码能否搞定？—— 全部通过后才生成最小可行实现。基于 12 个真实功能任务、与 FastAPI+React 仓库交互的 benchmark 显示，平均减少 54% 的代码行数、22% 的 token 消耗、20% 的成本和 27% 的耗时，且完全保持原有的安全约束（验证、错误处理、安全、无障碍）。适合追求生成代码简洁、物有所值的开发者，尤其被同一 agent 反复“过度工程”困扰的团队。