效率 on To the Moon

用 AI 要更有野心：Claude Code 负责人的四层方法

Fri, 23 Oct 2026 18:30:00 +0800

本文由 AI 自动摘录整理，原始链接：“大家用AI都太保守了！”Claude Code负责人：我的方法更有野心～

推荐指数：8/10（推荐读原文）

背景

量子位编译的一篇长文，作者 Felix Rieseberg 在 Claude 团队工作，负责 Claude Code 桌面版。他观察到，真正从模型里拿到超额回报的人，用法都和大多数人不一样——问题不在模型能力，而在人给任务设定的野心太小。文章把"野心"拆成速度、高度、深度、广度四类，逐条给出可操作的做法，最后还讲到人自己的"自我效能感"。

核心观点

四类野心：速度是用更少时间做同样的事，高度是提高任务抽象层次，深度是像顶尖专家那样做透，广度是借其他领域的方法。速度层已经很成熟，真正拉开差距的是后三者。
提高目标层次：别盯着单个任务，先问"接下来希望发生什么，目标背后的目标是什么"。从"修一个崩溃"升级到"让应用始终无崩溃运行"，模型的工作方式会完全不同。
设定"不合理"的目标：想把加载从 10 秒降到 5 秒，就直接要求 0.2 秒。模型说做不到，就继续告诉它这事完全可以解决。
深度要靠工具而非词汇：让模型"像专家一样"往往只是换了套术语，真正的深入是逼它用数据库和统计模型，而不是拿 Markdown 表格凑数。
别让模型给自己打分：代码就实际跑，预测就拿没见过的数据验，判断交给外部结果。

补充要点

季度复盘的三级升级：先让模型理解业务发生了什么、为什么、该做什么；再让它找出最迫切的三项决策并列出正反理由；最后让它重新设计复盘机制本身。
一个判断信号：如果这件事做完还要开会讨论，那目标就值得再往上提一层。
追问清单：这个领域的顶尖专业人士会做哪些我没要求的事、从哪些原始材料入手、用什么方法和工具、除你我之外还有什么能证明结果正确。
让自己的判断接受检验：把结论交给模型，回到原始数据里找支持证据，也找能推翻它的反例。
名词换动词：“做一份汇报 PPT"改成"在 30 分钟内让一群忙碌的人信服事情的来龙去脉，并在情况不明朗时作出决策”。
组跨领域团队时要的是方法，不是角色扮演——直接让模型按怀疑论者研究投资标的的方式调查，比让它"扮演怀疑论者"有用。
自我效能感可以被训练：被赋予清晰且有挑战性目标的人，表现优于只被告知"尽力而为"的人；四分钟一英里被突破后，这个纪录只独占了 46 天。
局限也要认：创作类任务提高抽象层次的效果有限，“Claude，去赚钱吧"这类指令目前还跑不起来。

Claude Code 工程师自曝：Prompt Caching 即一切

Mon, 11 May 2026 18:02:00 +0800

本文由 AI 自动摘录整理，原始链接：深度丨Claude Code工程师自曝：Prompt Caching即一切

推荐指数：8/10（推荐读原文）

背景

Anthropic Claude Code 团队发表技术博客，公开了 prompt caching（提示词缓存）在 Claude Code 中的核心地位。文章坦承 Claude Code 能支撑数百万开发者的长会话编程体验，秘诀不是模型能力，而是围绕缓存命中率做的极致设计。这不是一篇产品宣传，而是工程团队分享的实战经验，包含大量具体的架构决策和踩坑教训。

核心观点

提示词顺序即成本顺序：Prompt caching 基于纯前缀匹配，越稳定的内容越靠前、越动态的越靠后。静态系统指令 + 工具定义在最前，CLAUDE.md 其次，会话上下文次之，对话消息放末尾
永远不要改系统提示词：更新系统提示词会在第一个字节就分裂缓存前缀，前面积累的缓存红利全部归零。正确做法是把变更信息塞进消息流（通过 <system-reminder> 标签），前缀毫发无损
换小模型反而更贵：缓存跟着模型走，切换模型等于全价重喂整个对话历史。正确做法是用主模型整理交接摘要（hand-off message），然后派子 Agent 去执行
不要中途增减工具：工具定义属于系统前缀，增减工具会让缓存全部报废。Plan Mode 的实现是不增删工具、而是用工具状态切换
工具太多用延迟加载：不是删工具而是用 defer_loading 占位符，工具名和数量固定在前缀里，完整 schema 只在调用时才加载

补充要点

缓存命中率被当作服务器 uptime 级别的基础设施指标，掉几个百分点就会触发 SEV 级别告警
对话太长需要压缩总结时，不要新开请求，要用"cache-safe forking"——保留完全相同的前缀，追加一条总结指令
Anthropic 已把 cache-safe compaction 逻辑直接封装进 API，后人不必再踩坑
defer_loading 的设计哲学：用户看到精简工具集，但底层前缀完全静态、永远命中
整个产品的设计路径是反常规的：先确保缓存能命中，再围绕这个硬约束设计功能和交互
核心教训：大多数团队先选模型再堆功能最后才优化缓存，Claude Code 从第一天起就反着来

OpenAI 开源 Symphony：让每个任务自动跑一个 AI Agent

Mon, 11 May 2026 09:10:00 +0800

本文由 AI 自动摘录整理，原始链接：OpenAI 开源 Symphony：让每个任务自动跑一个 AI Agent

推荐指数：6/10（读重点章节即可）

背景

OpenAI 开源了 Symphony——一个把任务看板（Linear）变成 AI Agent 自动编排系统的工具。每个待办任务自动分配 Codex Agent，7×24 小时运行，工程师只需要审核结果。内部数据显示部分团队 PR 数量增长 500%，代表了 AI 编码从「人跟模型对话」走向「人给系统派活」的趋势。

核心观点

人的注意力是新瓶颈：Codex 很强，但工程师同时只能管 3-5 个 Agent 会话，超过这个数效率直线下降。瓶颈不在 Agent，在人。
从管理会话到管理任务：团队意识到围绕"编码会话"设计流程是错的。真正的组织单元是任务/需求/里程碑——让 Agent 从看板自己拉活。
给 Agent 目标而非步骤：OpenAI 的关键教训是把 Agent 当状态机里的刚性节点行不通。给 Agent 目标、工具和上下文，让它自己推理怎么走。
Symphony 核心架构：轮询 Linear 看板 → 每个任务分配独立工作区 → 自动重启 → 状态机驱动（5 个状态：Unclaimed→Claimed→Running→RetryQueued→Released）。
实际效果与代价：PR 翻 5 倍，工作心理门槛大幅降低。但 Token 消耗巨大（14h/3.88亿 Token/~$1000），不适合模糊问题，需要完善的前置条件。

补充要点

依赖管理：任务之间可设依赖关系，Agent 自动判断可并行和阻塞的任务。比如先迁移 Vite→再升级 React→再更新组件库。
Agent 能力进化路径：最初只提交一个 PR → 处理 Code Review 反馈 → 关闭过期 PR → 分析代码库和文档做计划。
大仓库优势：自动 rebase、解冲突、重试 CI 失败项，monorepo 特别受益。
“Symphony 构建 Symphony”：开发团队把 Symphony 本身的任务拆成 Issue，让 Symphony 自己编排 Agent 完成，meta 度拉满。
技术本质是 Spec：核心是一个 SPEC.md 文件，定义了 6 个组件 + 5 状态状态机，社区已基于 spec 做多种实现。
探索行为大幅增加：当发起代码变更的代价趋近于零，人们开始更频繁做实验性尝试，只有 Google 级别内部工具链才能做到的事。
谁可以发起工作的边界变了：产品经理和设计师直接往看板提需求就行，不用 checkout 代码库，描述完需求就能收到审核包。
失败即信号：Agent 产出跑偏时不手动修补，而是加护栏、加技能、完善文档，让系统持续改进。

1.7万人收藏的AI第二大脑！YC总裁Garry Tan开源的AI记忆系统GBrain

Sat, 25 Apr 2026 13:12:00 +0800

本文由 AI 自动摘录整理，原始链接：1.7 万人收藏的 AI 第二大脑！YC 总裁亲自开源了自己的 AI 记忆系统！

推荐指数：7/10（推荐读原文）

背景

Y Combinator 总裁 Garry Tan 在 GitHub 开源了他个人日常使用的生产级 AI 记忆系统——GBrain。该项目已获得 10.7K+ Stars，管理着 17888 个页面、4383 个人物、723 家公司，全套仅用 12 天搭建完成。核心理念：给 AI Agent 装上能持续变聪明的长期记忆。

核心观点

记忆是 AI Agent 的关键瓶颈：所有 Agent 的通病是"金鱼脑"，每次对话从零开始。记忆系统比底层模型本身更关键。
Compiled Truth + Timeline 双层架构：上方是当前最佳理解（可改写），下方是原始证据链（只追加）。兼顾认知进化与历史留痕。
25 个 Skill 即插即用：signal-detector 常驻后台自动提取人名/观点，brain-ops 在回答前先查记忆库防幻觉，还有内容摄入、运维、实体丰富等全套自治能力。
实体自动升级机制：人物被提及 1 次生成 stub，3 次以上自动联网补料，8 次以上或开过会则生成完整档案。系统自己判断谁重要。
与 GStack 互补：GStack 教 Agent 写代码，GBrain 教 Agent 记事和思考，合体即为 Garry Tan 完整工作流。

补充要点

混合搜索方案：关键词 + 向量 + RRF 融合 + 多查询扩展 + 4 层去重，兼顾精确和语义匹配
支持 OpenClaw / Hermes Agent 直接集成，也可作为独立 CLI 或 MCP Server 使用
fail-improve 循环：LLM 兜底分类记录被自动用于生成更好的正则，系统持续变便宜变准
MIT 许可，完全开源，GitHub 地址：https://github.com/garrytan/gbrain
部分功能（编译真相重写、梦循环、实体检测）仍是 Markdown 指令文档，非完整可执行代码

DeskClaw：开源多 Agent 协作平台，打造你的 AI 公司

Sat, 28 Mar 2026 21:47:00 +0800

本文由 AI 自动摘录整理，原始链接：DeskClaw：开源多 Agent 协作平台

推荐指数：8/10（推荐读原文）

背景

DeskClaw 是一个开源的多 Agent 协作平台，让企业可以像管理真实团队一样管理 AI 员工。通过可视化画布配置多个 AI Agent 协同工作，实现业务流程自动化。项目完全开源，支持 Docker 一键部署。

核心观点

AI 公司可视化：通过 3D/2D 画布管理 AI 员工，中央黑板实时查看任务状态、讨论和文件
动态技能市场：技能被打包成"基因"，通过使用次数、人类反馈和 Agent 互评三个维度动态评分，高质量基因自动浮现
企业级能力：内置权限控制、操作日志、审计追溯、效能度量，让 AI 在企业中真正可管理、可审计

补充要点

多模型支持：MiniMax、Kimi、OpenRouter、阿里云、火山引擎等，切换模型时记忆和上下文不丢失
即时通讯集成：一键接入飞书、钉钉、企微、Slack，AI 员工直接出现在日常工作流
电商团队案例：营销规划 + 爆款抓取 + AIGC 生成 + 内容投放 + 内容审查，全自动化营销链路
Docker 一键部署：三条命令即可启动，访问 localhost 即可使用

为什么值得关注

过去两年 AI Agent 行业从比模型能力、比任务编排，演进到比谁能帮助企业稳定运转多 Agent 系统。DeskClaw 团队在电商营销场景有长期实践经验，这套系统从真实业务中生长出来，自己就是第一个用户。如果你正在考虑多 Agent 协作落地，这个开源项目值得体验。

Claude Code 的 Prompt Caching 设计哲学

Tue, 24 Mar 2026 21:47:00 +0800

本文由 AI 自动摘录整理，原始链接：Claude Code 的 Prompt Caching 设计哲学

推荐指数：9/10（必读原文）

背景

这是一篇来自 Claude Code 团队的工程总结，解释为什么 Prompt Caching 不只是某个 API 的性能优化技巧，而是 Agent 产品的系统设计约束。一旦接受这个前提，很多"为什么 Claude Code 要这样实现"的细节都会突然变得合理。

核心观点

Prompt Caching 是前缀匹配：前缀里任何改动都会让后面的缓存一起失效。这意味着 system prompt、工具定义、上下文结构必须尽量保持稳定
用消息承载变化，不要频繁修改 system prompt：状态切换应该通过消息或专用工具表达，而不是改 prompt
Plan Mode 的正确实现：不是切换工具集，而是通过 EnterPlanMode/ExitPlanMode 工具本身表示状态切换。工具定义始终不变，缓存前缀不被破坏
延迟展开工具：请求里保留轻量级工具 stub，需要时通过 ToolSearch 加载完整 schema。缓存前缀保持稳定，昂贵定义按需注入

补充要点

Compaction 必须共享父会话前缀：使用相同的 system prompt、工具定义、上下文结构，只在最后追加 compact 指令
保存 compaction buffer：提前预留足够的上下文空间，确保 compact 请求和摘要都能放得下
不要在会话中途切模型：模型切换会破坏缓存
监控缓存命中率：像监控可用性和延迟一样认真对待

设计哲学

如果把这篇文章压缩成一句话，那就是：Prompt caching 不是某个 API 的性能优化技巧，而是 Agent 产品的系统设计约束。

对做 Agent 产品的人来说，最值得抄的不是某个孤立技巧，而是背后的工程态度：先承认缓存约束是真实存在的，再围绕约束设计状态机、工具系统和上下文流转方式。只有这样，长程、多轮、低延迟、可负担的 Agent 体验才有机会成立。

Claude Code Skills 完全指南：打造你的 AI 编程助手

Fri, 20 Mar 2026 15:48:00 +0800

本文由 AI 自动摘录整理，原始链接：Claude Code Skills 完全指南

推荐指数：8/10（推荐读原文）

背景

Claude Code 是 Anthropic 推出的 AI 编程助手，其核心能力来自 Skills（技能）系统。Skills 允许开发者定义定制化的行为、规则和工具，让 Claude 更好地理解项目上下文、遵循团队规范、执行复杂任务。本文是 Claude 官方团队的实践经验总结。

核心观点

Skills 是 Claude Code 的灵魂：通过 Skills 可以定义 Claude 的行为边界、工具使用方式、代码风格偏好等，使其成为真正的"团队成员"而非通用工具
三种核心能力：Skills 包含 Rules（规则）、Tools（工具）、Hooks（钩子）三大组件，分别控制 Claude 的思考方式、行动能力、和执行时机
从 Gotcha 开始：最实用的 Skills 往往从简单的"陷阱提醒"开始，比如"不要删除测试数据"、“生产环境禁止 force push"等，逐步积累完善

补充要点

提供代码比让 Claude 自己写更高效：将脚本和库交给 Claude，让它专注于组合和决策，而非重新构建基础代码
按需钩子（On Demand Hooks）：只在需要时激活的钩子，比如 /careful 阻止危险操作、/freeze 限制编辑范围
Skills 分发：小团队可直接检查到代码库（./.claude/skills），大团队可建立内部插件市场
衡量效果：可通过 PreToolUse 钩子记录 Skills 使用情况，了解哪些受欢迎、哪些触发率低
组合 Skills：Skills 之间可以相互依赖和引用，比如"CSV 生成"可以调用"文件上传”

技术细节

Skills 的三种核心组件：

组件	作用	示例
Rules	定义思考规则	“使用 TypeScript 时优先用 interface 而非 type”
Tools	提供 Bash 命令和脚本	数据抓取脚本、部署命令
Hooks	在特定时机触发	提交前检查、危险操作警告

按需钩子示例：

/careful — 阻止 rm -rf、DROP TABLE、force-push 等危险操作
/freeze — 限制只能在特定目录编辑，调试时防止"顺手修复无关内容"

什么是 Agent Skills？Claude 技能包机制详解

Tue, 10 Mar 2026 20:38:00 +0800

本文由 AI 自动摘录整理，原始链接：什么是 Agent Skills？

推荐指数：5/10（只读摘录即可）

背景

一篇介绍 Agent Skills 概念的入门文章。Skills 是为 AI 智能体配置的预定义指令和最佳实践集合，本质是「带目录的说明书」，通过按需加载机制降低 Token 消耗。

核心观点

Skills = 可复用的提示词包：把「一次性交代」的 Prompt 变成了可版本化、可共享的专业技能包
三层结构设计：Metadata（目录/元数据）→ Instruction（正文/指令）→ Resource（附录/参考资料），按需加载，不一次性全喂给 AI
与 MCP 的区别：MCP 解决「我能调用什么工具」，Skills 解决「我应该怎么做这件事才专业」

补充要点

文件结构：SKILL.md（必需）+ reference.md（可选）+ examples/ + scripts/
SKILL.md 顶部 frontmatter 可配置 name、description、disable-model-invocation、allowed-tools 等
导入方式：将 Skill 文件夹放入平台的 Skill 目录即可自动加载
Skills 不是代码，是提示词；需要执行代码时配合 Function Calling
上下文窗口有限（Claude 约 200K tokens），Skills 不宜写太长
资源：Claude 官方 Skill 库（github.com/anthropics/skills）、社区（skillsmp.com）

觉都不睡了！龙虾又上新：OpenClaw 3.8来袭

Mon, 09 Mar 2026 19:39:00 +0800

本文由 AI 自动摘录整理，原始链接：觉都不睡了！龙虾又上新：OpenClaw 3.8来袭

推荐指数：7/10（推荐读原文）

背景

OpenClaw 在短时间内连续发布 3.7 和 3.8-beta.1 版本。3.8 的核心使命是维稳和修复——在 3.7 大规模底层重构后，真实部署环境出现了一些退化 Bug。此次更新新增了 ACP 来源识别、本地备份机制、Telegram 假冒问题修复等功能，同时修复了 12+ 安全漏洞。

核心观点

更新速度惊人：3.7 昨晚才发布，3.8-beta.1 今天就来了，开发团队"不睡觉"式的迭代节奏
维稳优先：3.8 的核心使命是修复 3.7 大重构后的退化 Bug，而非激进功能堆叠
安全是重点：修复 12+ 安全漏洞，包括脚本绑定验证、SSRF 防护、权限管控等底层加固
本地备份机制：新增 openclaw backup create/verify 命令，为 YOLO 部署提供回滚保障

补充要点

ACP provenance：agent 现在能更好地识别与其交互的用户或系统
Talk 模式优化：新增 talk.silenceTimeoutMs 配置，语音交互更自然
GPT-5.4 前向兼容：支持高达 1,050,000 Token 的超大上下文窗口
Brave Web 搜索强化：新增 llm-context 模式，返回带来源元数据的高质量片段
macOS 优化：Onboarding 增加远程网关 Token 字段，修复 Launchd 卡死问题，TUI 主题自适应深/浅色背景
Android 合规：移除自更新、后台定位等敏感权限，前台服务限制为 dataSync
脚本安全：严格绑定并验证 bun/deno 脚本，防止恶意篡改
浏览器 SSRF 防护：拦截私有网络的中间重定向跳跃
MS Teams 权限：修复路由白名单可能导致组策略意外放宽的问题