内容类型
拿来就能用的实操内容：提示词技巧、工作流搭建、工具用法与踩坑经验。
439 条精选近 30 天 437 条共收录 1,601 条
autocode 把工单项目的业务规则整理成可查询的 .autocode/ 知识库，让 Claude Code 和 Codex 在写代码前先读懂业务术语、领域文档和代码锚点，而不是通读源码去猜。
把业务规则写成 .autocode/ 知识库，用 /auto-feat、/auto-fix 先重述需求再出计划，能换掉直接让 AI 读源码猜需求的流程；代价是需 Node.js ≥ 22.5 和已登录的 Claude Code 或 Codex，且要先答完 blocking 问题把开发阈值补到 0.8。
Doozy 介绍其 Slack AI agent 的凭证隔离设计，agent 沙箱内只持有签名短时 job token，真实 API key 由沙箱外的凭证网关在校验 token、工作区和工具开关后注入单次调用。
可拿走凭证代理加短时 job token 的沙箱隔离做法，以及只读 SQL 包装器（超时 30 秒、200 行上限），落到本地模型部署和软件工厂的工具调用链上；代价是仍需自行处理提示注入滥用已开工具的问题。
Jin 是 OpenCode 的社区分支，把“只改哪些模块、不许加哪些依赖”从提示词里拿出来，变成版本化的架构提案，先审结构再让 Agent 写代码。流程为 jin_arch_read 读取当前 L0/L1、jin_proposal_create 生成目标快照、jin_validate 校验模块实体依赖一致性、人工审批后写入正式 arch/ 并做漂移检查。
把改动范围写成版本化架构提案再校验审批，能换掉靠提示词约束 Agent 乱改文件的做法，代价是只约束架构层，代码层仍需 review 和 CI。
作者把自研的代码库知识图谱 MCP Server 接进 Claude Code、Codex CLI、OpenCode 三个客户端，记录了配置路径与格式差异以及 10 个实际踩坑。
能直接抄五个客户端的 MCP 配置写法，把自研 server 接进 Claude Code、Codex CLI、OpenCode；前提是 command 写绝对路径、日志只走 stderr、路径全从 env 取，否则连上也是空工具列表。
chrome-use 发布开源 CLI 兼 MCP 服务器（Apache-2.0），让 Claude Code、Codex、Cursor 或脚本直接操作你正在用的 Chrome，复用已有 Cookie 和 SSO 登录态。
能拿它把 agent 的浏览器操作接到自己已登录的 Chrome 上，换掉新建无 Cookie 上下文的自动化流程；代价是装商店扩展、注册原生消息宿主，调试时顶部会挂提示条。
作者基于 codex-rs 仓库 commit 8c07694 的 V2 实现，拆解 Codex 多智能体的治理层，包括执行容量、驻留驱逐、树级共享 token 预算、角色与模型分层和四层可观测性。
能拿走两层容量治理加树级共享 token 预算的配置思路，落到软件工厂的多 agent 派单上，代价是编排不可复现、子 Agent 结论以 assistant 身份回流缺少核验标记。
一位作者用约 90 天、1,136 次提交、27 个 crate 和约 18 万行 Rust 单人完成一个通用 Agent 运行时，并复盘其从能力展开到系统收束的三阶段演进。
能拿走总线看门狗、四级压缩梯子、证据账本对账三套机制，落到软件工厂与本地模型部署的长会话稳定性上，前提是接受单人单负载的观察性结论，不能当团队效率数据用。
一位后端架构师基于掘金开发者 ZzT 的账单拆解与三份独立统计，给出四条 Claude Code 省额度习惯：换话题就开新会话、离开超过一小时前先收尾、把子 agent 缓存 TTL 调到 1h、合盖前确认任务已结束。
能拿走四条会话习惯和两个配置项 subagentPromptCacheTtl 与 idleCompaction，落到本地模型部署和软件工厂的额度治理上，前提是数据来自他人账单拆解，作者未实测省多少。
《AI 私有化实战》第 5 讲给出并发容量算法：并发显存 = 权重 + 路数 × 每路上下文 × 每 token 缓存，实测每 8192 token 占 96 MiB KV 缓存，约 12 KiB/token。
能拿走并发显存公式（权重+路数×每路ctx×每token缓存，实测12 KiB/token）和 --ctx-size 必须随 --parallel 一起乘的判据，落到本地模型部署；代价是要自己读 /props 的 n_ctx 并量首字延迟 p95，压测脚本还得同时读 reasoning_content。
作者在自家 AI 客服系统上做了四层成本优化，单位对话成本降 68%，但总额只降 21%。
能拿走四层降本做法，文档切块300-500字加top-4检索、小模型分流、前缀与语义缓存、两轮无进展转人工，落到客服产线；前提是自建成本打点并按场景聚合。
文章讲解 EAGLE 与 EAGLE-3 如何借助 Target Model 的隐藏特征训练轻量 Drafter 来加速投机解码，最终候选仍由 Target 批量验证。
能拿走 vLLM 里 method=eagle/eagle3 的配置差异和 K 值调优思路，落到本地模型部署的 Decode 加速上，代价是 Drafter 权重与 KV Cache 额外占用，高并发下 K 过大可能负收益。
TesterArmy 的 e2e 框架把一条端到端测试拆成两部分，稳定结果交给 locator 和 expect 断言，易碎路径交给 agent.act 用自然语言驱动，没有 agent 步骤的用例不产生模型调用。
可把现有 e2e 套件按失败成本拆开，稳定结果留给 expect 断言、易碎路径交给 agent.act，靠回放跳过未变界面的模型调用；代价是首次铺开仍要付全量推理账单，且 1.0 前配置会变。
作者发布命令行工具 tenmin，把番剧素材到解说成片拆成 ingest、translate、signals、script、docgen、voice、timeline、audio、render、check 十个可单独重跑的阶段，最终输出 MP4。
能拿走十阶段流水线拆分和按产物新鲜度做阶段缓存的做法，落到视频产线可只重跑受影响阶段；代价是 OCR 限 macOS、ASR 限 Apple Silicon，渲染要带 libass 的 FFmpeg。
作者在 Windows + RTX 3080 20GB 上用 ComfyUI portable 加 ComfyUI-GGUF 跑通 Qwen-Image-2.1 Q4 文生图，验证配置为 768×768 单张 8 步采样，单次含加载耗时 53.36 秒。
能拿走一套 Windows ComfyUI 跑 Qwen-Image-2.1 Q4 的完整配置，含三份权重用途、8 步 sigma 序列和改插件后必须重启后端的坑，前提是 RTX 3080 20GB 且只验证了 768×768 文生图。
作者在 8 核 CPU、16G 内存的旧笔记本上跑 qwen3:8b 量化模型，逐个试了 Ollama 六个参数，结论是只有 num_thread、num_ctx、keep_alive 三个真有用。
能直接抄走 num_thread 填物理核数、num_ctx 压到 2048、keep_alive 设 -1 三组配置，落到本地模型部署线；代价是上下文压小后长文档会静默截断，无独显时提速上限约 3 到 6 字/秒。
作者用 Codex Skill 把知识解说视频链路拆成 DeepSeek 分镜、Qwen-TTS 逐句配音、汇影AI 素材检索和 capcut-meta 生成剪映草稿四段，各环节定好输入输出契约。
能拿走强制 visual/comment 二分类的分镜提示词与 JSON Schema，把文案到剪映草稿的机械环节自动化，落到视频产线；代价是要自己处理素材链接过期、片段重叠和编码不统一。
作者用 31 篇中文技术笔记和 30 条唯一答案问题，离线跑了 4 种切分乘 3 种召回的 24 组配置，上下文预算固定 1200 字，纯关键词召回命中率 53%，纯向量 40%，混合召回最高 73%。
能直接拿走一套离线 RAG 评测配置，31 篇笔记 30 题、1200 字预算固定，对比 4 种切分乘 3 种召回，落到知识沉淀线；代价是结论绑中文技术笔记语料，换领域要重跑。
作者拆解 TypeSafe AI 于 2026 年 9 月 15 日发布的 Jev 模型，它不做逐字生成，而是用 Choice、Score、Noul 三个原语在单次前向传播中并行输出分类、打分和布尔概率。
能拿走 Choice/Score/Noul 三个原语的请求写法与读法，把工单路由、严重度打分、是否升级人工拆成并行判别，落到软件工厂的前置分流层；代价是中文长文本准确率低、无状态回溯，必须配置信度阈值和兜底。
得物技术发布《昇腾 910C 大模型推理优化实践》下篇，在 vllm-ascend 源码、算子层和 MTP 投机解码三处做优化，Qwen3.5-35B-A3B 在 c=1 下 TPOT 从 8.2ms 压到 5.0ms。
能拿走一整套昇腾 910C 上 vllm-ascend 的改法，包括多流重叠 shared expert、block_table CPU 快路径、词表并行 argmax 和 910C 融合算子，落到本地模型部署这条线；代价是要改 vllm-ascend 源码并重编 AscendC 算子，且收益集中在 c≤8 低并发。
文章把 Prompt、Context、Harness、Loop 四代工程串成一条线，提出循环工程的核心是闭环而非自动，并拆出自动调度、工作隔离、技能沉淀、工具连接、子代理互审加状态记忆六个零件。
能拿走六件套循环结构（自动调度、工作树隔离、SKILL.md 沉淀、MCP 连接、子代理互审、状态文件）和五条可循环判定条件，落到软件工厂线；代价是 token 成本可达聊天 4 倍以上、多 Agent 15 倍，且 47 轮状态机极难调试。