分享我对科技、设计和开发的思考
当 Prompt 因为不断追加规则而变得臃肿、导致 AI 注意力失焦时，我们需要像重构代码一样重构 Prompt。本文提供了一套“五步分层重构法”（分层架构、外置知识、参考文件一致性、指令三明治、结构化格式），帮助开发者有效管理长提示词。
本文揭示了在编写 Prompt 时使用“不要”、“严禁”等否定指令的弊端。通过剖析大模型的正向选择机制、粉红大象效应及训练本能，提出将“禁止黑名单”改为“正向白名单”的优化策略，从而有效提高 AI 执行的精准度。
本文通过一个两万行代码项目、耗时两周四遍重构失败的真实案例，深度剖析了AI面对冗长Prompt时“越强调越读不动”的4个底层原因（注意力U形曲线、静默择一、粉红大象效应、上下文淘汰赛），建议开发者放弃堆砌约束，给Prompt“瘦身”。
作者分享了其在AI Coding项目中从“裸用”AI到引入“Harness”（一套外部化结构约束体系）的完整历程与心得。文章通过真实项目踩坑案例，阐述了Harness的核心价值、搭建方法、适用场景以及维护机制，并强调了“AI Coding是面向文档编程”和“Harness是活文档”的核心观点。
文章剖析了日常使用AI时“反复调教”的痛点，提出将一次性的“Prompt”进化为可沉淀的“Skill”资产。通过分享四类真实Skill的搭建过程和三大实操经验，指导用户打造属于自己的AI护城河。
AI 编程中的四类常见失败模式：架构选型偏差、复杂任务一次性执行导致上下文混乱、过早宣称完成、跨对话丢失项目上下文；并给出从需求澄清、现状评估、PRD、前后端技术方案、任务拆解到逐步执行与测试验证的文档驱动 SOP。核心观点是：人负责架构决策与质量把关，AI 负责在充分上下文和明确验收标准下完成细粒度实现。
Anthropic的AI编程工具Claude Code因npm包配置失误，意外泄露了51万行TypeScript源码。本文从泄露事件入手，深度解析源码中揭示的六大工程核心：分层Prompt架构、五层安全锁、精细化的缓存成本优化、高效的Fork并行机制、数据驱动的上下文压缩策略以及低层反篡改机制。这些发现揭示了Anthropic在“如何用好模型”上的深厚工程积累。
本文详细介绍了一款基于 Claude 的自动化热点追踪工具 (ai-hotspot-tracking-skill)，帮助内容创作者只需10秒即可并行扫描8大国内外信息源，自动分类推送到IM工具，彻底解决自媒体人的“选题焦虑”。
本文手把手教你如何使用 Claude Code 结合 ModelScope 的 Z-Image-Turbo 模型 API，搭建自动化的自媒体文章配图工作流，实现一句话免费高效生成高质量配图。
当我发布新文章时收到通知。不发垃圾邮件,随时可退订。
在浏览器中接收即时推送通知。
