知识分享
技术文章、实战教程、经验心得
Code Agent 解剖（06）：agent 的能力怎么用 Skills 动态扩展？
深入 MyCodeAgent 的 Skills 动态扩展机制：一个只需要放一个 Markdown 文件就能让 agent 获得新能力的系统。完整走过定义→扫描→注入→调用→执行的生命周期，理解零代码扩展、按需加载、热更新背后的设计。
Code Agent 解剖（04）：系统提示词是怎么组装的，agent 的「人格」从哪来？
深入 MyCodeAgent 的提示词组装层：Constitution / Tool Contracts / Project Rules / Runtime Signals 四层 system 消息，以及它们如何与历史投影拼成发给模型的 Model View。理解 agent 的行为约束不是「一段超长 prompt」，而是可缓存、可指纹、可热更新的分层装配。
每日一个开源项目（第150篇）：caveman - 为什么用很多 token，少 token 也行——给 AI Agent 装上穴居人嘴巴
一个 Claude Code Skill，让 AI Agent 用穴居人风格回答：去掉废话套话，保留技术内容，代码/命令/错误字节精确不变。平均节省 65% 输出 token，支持 30+ AI 编程工具，四个压缩级别。82k Stars，MIT 协议。
Skill 系列（03）：Skill 设计范式——5 个模式让输出从混沌到可预测
用 competitor-analyzer 跑 4 个场景 + 设计质量审查，对比反模式 Skill（5/12 运行时命中）和范式驱动 Skill（11/12）。设计审查分：14/25 vs 24/25。最大差距在渐进增强——只有公司名时，反模式版本 0/2 通过，范式版本 2/2。
Agent系列（八）：上下文工程——让每个 Token 都用在刀刃上
深入讲解上下文工程（Context Engineering）的核心：上下文的五个来源及其 Token 成本剖析、预算约束下的动态上下文组装、以及上下文溢出时截断/摘要/检索三种策略的真实对比。附 Token 计数实测数据、ContextBudgetManager 实现、以及三策略在"找到第 1 轮内容"场景下的答案质量对比。
一天一个开源项目（第108篇）：Andrej Karpathy Skills - 用一个 CLAUDE.md 文件修复 LLM 编码的四个顽疾
andrej-karpathy-skills 是一个把 Andrej Karpathy 对 LLM 编码缺陷观察提炼成行为准则的项目——核心是一个 CLAUDE.md 文件，支持 Claude Code 插件和 Cursor 规则两种分发方式。四条原则：编码前先思考、简单优先、外科手术式修改、目标驱动执行，直接对抗 LLM 最常见的过度工程化和静默假设问题。
大模型就是你雇的员工：从职场管理学看 AI 协作范式的三次进化
用企业从创业团队到成熟组织的进化过程，类比 Prompt Engineering → Context Engineering → Harness Engineering 的演进脉络，并预测下一步的两个方向。
提示工程实战:用示例让AI更懂你
深入探讨Prompt工程中的示例技巧,通过1-shot和Few-shot方法让ChatGPT精准理解你的需求,告别低效沟通
OpenAI官方Prompt工程六大原则:从入门到精通
深度解读OpenAI官方发布的Prompt Engineering指南,系统讲解写清晰指令、提供参考文本、任务拆解、给予思考时间、使用外部工具、系统测试六大核心原则,助你掌握99%的Prompt优化技巧
Prompt工程进阶:用角色扮演让AI成为领域专家
深入探讨角色扮演(Role-Playing)在Prompt工程中的应用,通过三步法让ChatGPT化身专业面试官、写作导师、数学老师,掌握提升AI专业性的核心技巧