作者从 Markdown 转向 HTML 作为 Claude Code 的主要输出格式，理由是信息密度更高、可读性和分享便利性更好，还能通过滑动条、按钮等交互让用户与文档双向协作。文章给出大量可直接复用的 prompt，覆盖方案探索、代码评审、设计原型、研究报告和一次性编辑界面。作者也承认代价：HTML 生成比 Markdown 慢 2–4 倍，且 HTML diff 噪音大，版本控制体验差。适合用 Claude Code 做复杂规划、评审或产出的工程师参考。
Anthropic 工程师 Thariq Shihipar 从 Claude Code 的迭代中总结：旧一代模型的上下文工程经验对 Claude 5 代模型已成误区。系统提示不再堆硬规则，而是让模型凭判断行事，例如删掉“禁止多行注释”的禁令，改为“匹配周边代码风格”；工具使用不靠示例，而是设计更富表达力的参数；上下文改为 progressive disclosure，验证与代码审查拆成可按需调用的 skill，工具用 ToolSearch 延后加载定义。CLAUDE.md 应轻量，只写仓库特有的 gotchas，复杂实践放 skill 里；spec 也可用 HTML mockup、测试套件、代码片段或 rubric 等富引用替代简单 markdown。文章还介绍 claude doctor 命令，可自动简化上下文。适合用 Claude Code 维护上下文或自建 agent harness 的工程读者，但全文没有基准数据。
Anthropic 内部近期高频使用一个 ELI5 Skill，调用方式为 /eli5 <topic>。它要求 Agent 以完全不懂背景的用户为对象解释主题：少用术语、用大图和少量文字，并通过 HTML Artifact 呈现复杂概念。作者指出，这个 Skill 的真正价值不在于把回答写得更简单，而是强制 Agent 重新组织知识——先建立整体认知，再展开细节与边界，从而暴露理解盲区。该技巧源自 Reddit 的 ELI5 文化，在 Agent 场景下变成一种可复用的输出结构约束，不依赖特定模型，任何支持斜杠命令或自定义 Skill 的工具都可复刻。适合正在调校 Claude 或其他 Agent 输出格式的工程师。
作者以 Grok 4.6 作为主力模型使用数周，覆盖编码与知识工作，并用同一提示词与 4.5 做对照。核心发现：短提示词配合明确偏好，效果接近两页纸的详细规格；真正拉高结果的是追加一句“实现后验证并迭代到生产可用”，让模型打开应用、点击真实路径、修正嵌套公式。4.6 在浏览器自动化、视觉 QA、收件箱清理、Excalidraw 改造等任务上表现稳定，但 3D 与视频仍需人工检查，因为模型无法通过截图验证时间维度的正确性。作者疑似 xAI 成员，文章带有发布推广口吻，但方法论与提示词例子有参考价值，适合用 Cursor 等 AI 编码工具的工程师。
本文是一篇 AI 工程师的角色入门导读，基于 Latent Space 的《The Rise of the AI Engineer》展开。核心论点是用 API 边界区分 AI 工程师与 ML 工程师：前者调用模型构建应用，后者构建模型服务本身。文章明确 AI 工程师不需要线性代数或从零训练模型，但需要扎实的软件工程基础、评测体系与反馈回路设计；它同时澄清 AI 工程师与使用 Copilot/Cursor 的 AI 辅助开发者的区别，并认为 Web 开发者的交付导向习惯可直接迁移。文中还插入了 AI Hero 技能包的推广块，内容整体偏定义介绍而非实操细节。
本文给出提升 LLM 应用性能的 17 种手段，并特意按实施成本从低到高排列成“复杂度地狱阶梯”：先改提示词、加角色设定、用 XML 标签和结构化输出，再尝试思维链、多示例、温度调节与工具调用；只有这些简单手段用尽后，才考虑 RAG、切块、智能体循环、并行调用、评估-优化器、路由器和微调。作者强调改善系统的本质是“先改进评估，再改进系统”，并给出可验证的 trade-off：CoT 以延迟换质量，智能体循环更灵活但每步决策更慢，路由器能绕过单模型约 30 个工具的限制但增加一次串行调用。适合正在做 LLM 应用迭代、需要一份按成本排序的优化清单的一线工程师。
Anthropic 官方回应近一个月“Claude 变笨”的集中反馈，确认 API 和推理层未受影响，问题全部出在 Claude Code 产品链路，并拆成三个独立事故：3 月 4 日将 Claude Code 默认推理强度从 high 调成 medium，以缓解高努力模式下 UI 卡死般的延迟，但这被证明是错误的取舍，4 月 7 日回退，Opus 4.7 现默认 xhigh；3 月 26 日引入的 clear_thinking_20251015 缓存优化有 bug，会话空闲超过一小时后本应只清一次旧思考，实际每轮清空，导致 Claude 失忆、重复、工具调用错乱，并因连续 cache miss 让用量限额异常消耗，4 月 10 日修复；4 月 16 日为 Opus 4.7 准备的 system prompt 限长指令（工具调用间 ≤25 词、最终回复 ≤100 词）与其它改动叠加，消融实验显示带来约 3% 的评估下降，4 月 20 日回退。文章附有明确日期、版本号和内部验证过程，并承诺对 system prompt 变更增加逐模型评估、浸泡期与灰度。适合 Claude Code 深度用户及关心 agent 工程可观测性与回滚机制的人。
本文基于作者五个月的实战经验（104次提交），深入剖析将LLM演示转化为可靠产品时遭遇的结构性困难。核心挑战包括：无法编写确定性测试（相同输入每次输出不同）、模型失败无声且呈渐变（99%正确中隐藏1%错误）、调试对象是自然语言段落而非代码（一个形容词可能成为bug）、添加规则反而陷入困境（prompt从20行膨胀到200行导致模型相互矛盾）、示例的引导力远强于指令、模型基础不稳定（供应商更新悄然改变行为）、反馈循环慢且昂贵以及护套工程工作不可见（外人以为只是写prompt）。文章强调护套工程（prompt、校验、eval、护栏）是真正的护城河，其难度源于概率系统的本质，无法工程化消除，只能构建能吸收这些不确定性的系统。适合LLM应用开发者、AI工程师及对AI工程痛点感兴趣的技术管理者阅读。
Anthropic 分享了为 Claude 5 系列模型（如 Opus 5、Fable 5）进行上下文工程的最新经验。核心发现：之前的系统提示和约束过度了，新模型拥有更好的判断力，可以大幅简化。他们移除了 Claude Code 中 80% 的系统提示，且内部评测无性能损失。文章对比了旧实践（给规则、给例子、全部放前面、重复、记忆在 CLAUDE.md、简单规格）和新实践（让模型用判断力、设计接口、渐进式披露、简洁工具描述、自动记忆、丰富引用）。具体建议：CLAUDE.md 保持轻量，主要记录代码库的 gotcha；利用 Skills 作为按需加载的轻量指南；使用渐进式披露避免上下文爆炸；优先使用代码作为引用而非描述。文章还介绍了 `claude doctor` 命令帮助自动简化上下文。适合使用 Claude Code 或构建基于 Claude 的 Agent 的工程师阅读。
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。