pythonhii @pythonhii

🧠💰GPT-6 Astra Money Tip: 'Medium Effort' 1% less intelligence for 25% cost savings

The most important skills for using AI coding agents effectively. Presenting the AI Engineering Skills Map for using coding agents. x.com/i/article/2095…

OpenAI 在 Astra 官方文档里给了一段去 AI 腔的写作提示词，我觉得这个很重要，值得单独分享。 它写得很具体，要求模型少用术语，删掉空洞的过渡语和结尾总结，直接说清楚要做什么。还专门点名了“值得注意的是”“简而言之”“不是 X，而是 Y”这些常见表达。 比如“这不是性能问题，而是配置问题”，直接写“问题出在配置”就够了。一个意思已经讲清楚，结尾又换个说法总结一遍，也可以删掉。 我觉得这种提示比一句“写得自然一点”有用得多。哪些句式该删、哪些内容值得展开，都有具体要求。 尤其是最后那条，用简单的词把实际关系讲清楚。很多 AI 生成的文字，明明可以直说，偏要自创一个概念，再解释这个概念是什么意思。 官方文档里的写作提示：developers.openai.com/api/docs/guide…

KC @ScarletKc_

a day ago

OpenAI 的 GPT-6 Astra 使用文档很有意思，连它容易停下来问问题、过度测试、写作有 AI 腔这些行为，都专门写了提示词教你调整。 我觉得用 Astra 的人，尤其是给 Agent 配了很多 Skill 和 AGENTS.md 的，值得看看这篇。 官方明确提到，Astra 对指令更敏感，旧 Skill

20 36 242 290K 492

GPT6-Astra Token消耗太快，可能是你没做到以下四点： 1.打开实验性功能：同一任务跨上下文窗口保留笔记、检索历史消息和工具结果。 2.优化 AGENTS.md 与 SKILL.md：合并重复规则，精简触发描述。 3.正常任务用“中”和“高”即可，复杂一些的任务用“极高”和“最高”即可，“Ultra”基本没有应用场景，今天我一天只用前面四个智能程度，解决了GPT5.6sol ultra不能解决的很多问题。 4.速度调成正常速即可，今天实测下来，Astra的任务性价比极高，正常速是GPT5.6sol /fast的2-5倍，这可能是因为Astra完成任务的效率变高，不像GPT5.6sol老是输出垃圾话和做一些莫名其妙的测试。 前面的1和2可以把下面这段提示词发给你的Codex，让它帮你开启和优化： 第一段：开启实验性上下文管理。 请检查本机 Codex 的有效配置及功能支持情况，找到实际使用的 config.toml（通常位于 ~/.codex/config.toml），在 [features.context_management] 下设置 experimental_mode = true。若已开启则保持不变；需要修改时，先创建可恢复且不覆盖旧备份的备份，再幂等修改，避免重复配置表，并保留其他设置。完成后校验 TOML、回读配置，分别说明“配置是否已写入”“运行时是否已确认生效”，以及是否需要新建任务或重启客户端。此功能用于同一任务跨上下文窗口保留笔记、检索历史消息和工具结果，不代表自动检索所有其他对话。若当前客户端或登录方式不支持，请明确说明。本提示词授权完成上述本地配置修改，无需重复确认。 第二段：审查并优化 AGENTS.md 与 SKILL.md。 请先只读盘点当前项目实际继承的全局和项目级 AGENTS.md，以及已启用的用户 Skills；没有项目时只检查全局。先查看入口、描述、长度和引用关系，再按相关性审读，避免一次加载全部正文。备份后直接实施范围内的优化：合并重复规则，精简触发描述，收窄误触发，将模式专属流程、长示例和模板移到参考文件并保留明确的按需读取入口；记忆检索改为先定位相关条目，再回读少量原文，避免默认整读索引。优先修改用户可维护的真实源文件，保持软链接和必要元数据，不修改系统或插件缓存。保留必要能力、用户明确的交付数量、权限边界、验收标准及失败停止条件，不为省 Token 擅自降低质量；对默认工具、输出数量等行为变化明确说明。正式记忆修改遵守原有写入网关，并在启动写入前检查未闭合事务；遇到其他任务的归属冲突，只暂停受影响部分，继续独立工作，不接管或覆盖其他任务的内容。完成后验证语法、引用、关键流程及源文件回读，交付修改清单、前后字符统计、备份位置、验证结果和未完成项；没有实际用量对比时，不把字符降幅宣称为 Token 或套餐额度节省比例。

《财经》8月刊自己买了国内外主流 Token 套餐，用 OpenCode 把一周额度跑干，发行国内模型比国外还要贵得多（对于个人来说）。 ChatGPT/Codex 200 美元档，折合大约 1360 元一个月，实测一周能跑出 23 到 25 亿 Token，估月额度 100 到 109 亿。摊下来，1 亿 Token 只要 12.5 到 13.6 元。 国内几家订阅跑同一套测法，1 亿 Token 均价是阿里云 101 元、Kimi 95.4 元、火山 50.2 元、智谱 25.1 元。

从我自己团队的经历说一下程序员这个行业，AI冲击最大的职业之一。在完成了Agent coding升级后，通过研发harness和文档驱动，程序员不敲任何代码了，核心开发工作变成了跟Agent各种聊，产出文档，定义好要点并做好把控。同时每个研发升级为一人全栈团队，互相的协作通过各自Agent进行。产品、研发、测试之间的协作，也通过各自Agent进行。所以，今年，研发人员又增加了两个。为什么？因为生产力提升，打开了想象空间，提升了增长欲望，我愿意去可控的人员投入去试试。但要明确的是，程序员行业一定会下岗一批，换血升级和重新上岗一批，整体从业人员会明显减少，但行业会永远存在，价值持续高涨，编程这个事会平权到任何一个想用AI认真做点事的人，变成普惠能力。

这个 show-me 的 skill 真的不错 github.com/humanlayer/ski… 觉得非常实用，让 AI 在解释技术问题时，优先画出来给你看，而不是堆一大段文字。 而且它会根据问题选择用合适的图来表达，不是炫技画大图，用可以说明问题的最小图，这些图让 AI 总结一下： 伪代码：解释算法、业务逻辑。 Call Tree：解释函数调用链、runtime control flow。 Component Tree：解释 React/UI 组件结构。 File Tree：解释项目目录、模块职责和重构方案。 Mermaid 图：解释组件交互、时序、数据流。 Diff：特别适合改之前 → 改之后。 HTML 可视化：问题比较复杂的时候，甚至可以直接生成一个独立 HTML infographic / diagram / 小型 slide deck。 我在项目中试了一下去看 AI 写的代码，很清晰，推荐一下。

Matt Pocock @mattpocockuk

3 days ago

/show-me is a phenomenal skill Makes PR descriptions extremely easy to read Basically a toolbox of "nice ways to look at code" Nice work, @dexhorthy github.com/humanlayer/ski…

80 514 8K 852K 12K

我的开发经验，无偿分享给有缘人，把以下内容写入 AGENTS.md （我现在只用 Codex CLI）： ``` UI 设计应默认收敛、克制、常规；尺寸与间距根据界面类型、信息密度、平台习惯、使用频率和视觉层级判断，不写死统一规格，也不主动放大。辅助入口、设置、开关、工具按钮不应抢视觉中心。常见功能必须使用大众通用、用户一眼可识别的图标隐喻，优先成熟图标库、系统图标或行业通用符号，不为差异化自创奇怪图标；自定义图标也必须保持常见轮廓、比例和语义。除非明确要求强调，否则优先用位置、分组、轻微颜色、hover、tooltip、分隔线和状态反馈表达层级，避免夸张尺寸、重色块、大圆角、厚边框、强阴影、装饰性渐变和营销页式布局。实现后必须与同屏元素对比检查，若显得突兀、过大、过重或破坏信息密度，应主动收敛。 ``` 这个约束可以让你的项目不那么 AI 一点点。

分享一段最近实测非常有效的 Prompt，专门清理 AI Coding 长程迭代以后留下的屎山代码。这套方案基于 DeepSeek Harness 仓库，随后经过优化和抽象，整理成了适用于一般代码库的 simplify-codebase 规范。 AI 很擅长继续添加抽象、状态、接口和兼容层，却很少主动证明哪些东西已经可以安全删除。单次修改都看似合理，长期累积后，整个仓库会背上越来越多维护义务。这套方法会先按真实模块和所有权边界拆分任务，由多个子代理并行清扫，主代理处理跨模块契约并完成最终验证。 另一个很好用的工作流：先让网页端 Pro 模型审查整个仓库并生成方案，再交给 Codex 按检查结果实际修改和验证。 仓库地址：github.com/tt-a1i/simplif…（兵王出品，必属精品） 完整提示词见下图。

keyboard_arrow_left Previous keyboard_arrow_right Next

当很多公司都在哀嚎 AI 账单贵到用不起，Uber 刚发的这篇技术长文直接把全行业看傻了: 全公司 70% 的代码 PR 全由 Agent 接管，调用量半年狂飙近 10 倍， 但总 AI 账单被死死按在原地一分没涨，单次会话成本硬生生砍掉了 52%， 他们直接把软件工程做成了一座全自动的软件工厂，真的牛逼， 以前是人打开聊天框求 AI 帮一把， 现在 Uber 养了一整支托管 Agent 舰队: 审代码、修挂掉的 CI、分诊报警全是专职 AI 自动上班， 人变成了抽查质检的厂长，每天跑 3 万多次流水线任务 他们最狠的地方，是把 AI 账单拆成了一道极其冷酷的乘法题， 用量可以疯涨，但零价值的废 Token 必须被物理抹杀: 1️⃣ 规划用大脑，干活全用便宜子 Agent: 任务拆解用顶级大模型，具体搬砖的子任务全部默认切给轻量模型，这一招直接成了全厂杠杆最高的开关； 2️⃣ 把 5 分钟缓存改成 1 小时: 工程师去倒杯水开个会回来，上下文缓存依然在，原价 1 折直接续上，40 万 token 强制写摘要压缩，绝不把整本历史无限复印； 3️⃣ 别把一千种工具说明书塞进大脑: 1000 多个内部 MCP 工具统一走网关，模型要用时先搜索再按需挂载，绝不在开局就傻傻灌入 7 万 token 的工具定义； 4️⃣ Code-mode 砍掉话痨轮询: 跑 SQL 和批处理让模型自己写脚本去跑，只交回最终结果，避免一问一答的无效 ping-pong，单项 token 直接暴省 90%； 5️⃣ 2400 万节点知识图谱导航: 给 Agent 发一张包含全公司服务和事故的活地图，以前翻代码盲搜 20 分钟还报错，现在 38 秒精准定位 用量涨不可怕，浪费涨才可怕， 从人机对话迈向托管工厂舰队，大厂把 AI 真正落地的账本，算是彻底算明白了

Uber Engineering @UberEng

a week ago

x.com/i/article/2090…

54 625 4K 2.1M 11K

Pi agent是真香，hermess什么的都可以抛一边了，就用它作为桌面 work主力，速度快、还省token 推荐几个必装的扩展，装上后性能、生产力飞起: - pi-web-access 网络访问全家桶：网页搜索、URL 抓取、GitHub 仓库克隆、PDF 提取、YouTube/本地视频理解。支持 OpenAI、 Brave、Tavily、Kagi、Exa、Perplexity 等众多搜索后端 - pi-memory 记忆系统：长时记忆（MEMORY.md）、每日日志、scratchpad，支持 qmd 语义检索（memory_search 等） - juicesharp/rpiv-todo 模型可用的待办清单（todo 工具），以实时 overlay 形式渲染，跨 /reload 和上下文压缩存活 - pi-subagents 子代理编排：可派生并行/串行子 agent 处理多步任务，带 worktree 隔离、工作流脚本、任务预算等能力 - pi-mcp-adapter MCP 适配器：让 Pi 接入 Model Context Protocol 服务器（mcp / mcpScript 工具即来自这里），而且是动态判断接入MCP Server，不会塞爆上下文 - context-mode 本质上是通过MCP Server方式接入，将tool calling result 和文件读写内容进行执行压缩，区分出主context，有效节省ctx空间

昨天看到一个变态的 Code Review skills 应该是 Cursor 官方一个非常严格的代码质量审查技能。Thermo-Nuclear Code Quality Review 热核级别代码审查.... skills.sh/cursor/plugins… 里面的 rule 翻译一下是这样的: 结构简化优先： 要主动找能让整段分支、helper、mode、条件判断直接消失的重构方案 1k 行红线：不允许 PR 把一个原本不到 1000 行的文件推过 1000 行，优先拆分，有点变态。 拒绝意面式增长：高度警惕往无关流程里塞临时 if、特殊分支、一次性布尔标志 这是设计问题，不是风格问题。 警惕串行编排与非原子更新：这个有用！review 的好多 bug 都是这个问题 还有几条不写了，大家可以自己去看 我给项目用了一下，然后就哭了，找到太多干脆不修了，新开一个项目我可能会用一下，假如大家希望用极高标准去找结构问题 强迫做大幅简化 可以用它试试看。

卧槽，我的开源项目冲上趋势榜第二了，在 Codex 之下，哈哈哈。github.com/trending

苍何 @canghe

4 months ago

x.com/i/article/2048…

65 408 2K 899K 4K

Anthropic 内部正在疯用一个叫 ELI5 的 skill 作者 Thariq 就是 Anthropic 的工程师 他说这是内部最近用得最多的技巧之一 一条命令 /eli5 加上你想搞懂的东西 Claude 直接生成大图少字的 HTML 页面 把任何概念讲到零基础也能看懂 提示词核心就一句： explain like I'm someone who knows nothing about this topic, using a HTML artifact with big pictures and few words 他后来补了一句精髓：名字虽然叫 ELI5 但真正起作用的是「大图 少字」这个约束 图解胜过长篇大论 你会拿 /eli5 先解哪个概念？

Thariq is on vacation @trq212

2 weeks ago

a skill people at Anthropic have been using a lot recently: ELI5 /eli5 <what you want explained> "explain like I'm someone who knows nothing about this topic, using a HTML artifact with big pictures and few words"

379 1K 14K 2.3M 19K

我的最新版思维基础结构 = {认知原语：{静态的：{元素，关系，结构，模式}，动态的：{状态，变化，序列，机制}}，认知操作：{组织：{映射，分类，范畴化}，过程分析：{输入，处理，输出}，推理：{演绎，归纳，溯因，分析，综合}}}

非常推荐github上这个讲Harness的课程《learn Harness Engineering》！！ 除了表面上是在讲什么是Harness，更多的是在讲世界上最聪明的一群人是如何教一个最聪明的大脑变得靠谱的！ 这个课（讲义）主要是给一个入门理解，更大的价值是各家总结的经验总结（课件给的延伸阅读），我觉得比课件本身更值得细看 github.com/walkinglabs/le…

Anthropic 昨天分享了一个很值得看的企业 Agent 案例。 ABC Legal 有 1100 名员工，他们先让财务、营销、运营等岗位的 15 个非工程人员，用 Claude Code 自己搭 Managed Agent。 一周后，15 个人全部做出了能工作的 Agent。一个月左右，公司已经跑起了 50+ 个生产 Agent。 他们能把这件事扩起来，关键还是在 Harness。 每个 Agent 都用统一模板管理，Prompt、tools、memory、schedule 全部放进 Git。任何修改都走 PR，所以版本、Review、Rollback 和审计都有了。 更有意思的是他们还做了一套自改进循环。 Agent 先干活，人直接在 Slack 里回复或者点 emoji。另一个 Agent 收集这些反馈变成数据，再由 Tuner 定期提出 Prompt 和配置修改，自动开 PR，最后交给人审核。 模型没有重新训练，Agent 也可以靠真实使用中的反馈持续改自己的 Harness。 我觉得这可能确实是企业 Agent 很实际的一条路线。 以后「谁能做 Agent」的门槛会继续降低，难的还是怎么把权限、反馈、评测和版本管理这些基础设施先搭好。 文章 claude.com/blog/how-abc-l…

翻到微软这套AI Agent入门课ai-agents-for-beginners，已经j近72000 Stars了，18个单元全部免费开放。 网上Agent资料确实不少，但要么零散，要么几个月就过时，学完还是不知道怎么下手写第一个Agent。 路线铺得挺完整：从工具使用、Agentic RAG、规划、多智能体协作，一路讲到元认知、上下文工程、记忆管理、计算机操作、部署和安全。 每个单元配有书面教程、短视频和Python代码示例，代码在仓库的code_samples目录下，支持GitHub Models免费额度或Azure AI Foundry两种运行方式。 不想开Azure的话，部分示例也支持MiniMax这类兼容OpenAI接口的服务商。 🔗 课程地址：github.com/microsoft/ai-a…

如果你也在考虑精简自己的 AGENTS.md，很推荐读一下 @mattpocockuk 的这篇文章，里面还附了一个可以直接让 Agent 帮你重构 AGENTS.md 的 Prompt： aihero.dev/a-complete-gui… 看完以后，我觉得其中有几个观点特别值得分享。 1. 尽量不要用 /init 自动生成 AGENTS.md 这一点是我过去没有意识到的。 自动生成往往会追求“全面”，把项目结构、命令、技术栈、代码路径、实现方式等大量信息都塞进去。 其中很多内容 Agent 本来就可以自己从代码和配置文件中发现，还有一些会随着项目演进很快过时。 一旦这些过期信息长期存在于 AGENTS.md 里，每次任务都会进入上下文，反而可能干扰 Agent 的判断。 2. 不要重复 Agent 可以轻易发现的信息，也尽量避免维护容易过时的实现细节 比如具体代码在哪个目录、某个模块目前位于哪个文件、某项功能当前由哪个 Service 实现。 代码一直在变化，这类信息很容易失效。 更值得写进去的，是一些稳定、重要，同时又很难单纯从代码里推断出来的信息： 项目目标、关键约束、特殊工具链，以及几乎所有任务都应该遵守的原则。 那些 Agent 可以通过搜索代码找到的信息，就让它在真正需要时再去探索。 3. 一个很重要的原则是 Progressive Disclosure，也就是渐进式披露 不要试图把所有规则都塞进根目录的 AGENTS.md。 测试规范、TypeScript 约定、API 设计、数据库规则、Git Workflow 等，都可以拆到独立文档或 Skills 中。 根目录的 AGENTS.md 更适合做一个很薄的“入口”和“路由器”： 做什么事情时，应该去哪里读取对应的规则和上下文。 这样 Agent 只有在真正需要的时候才会加载那部分内容，可以减少上下文噪音，也能降低不同指令互相干扰的概率。 Monorepo 还可以进一步使用不同目录下的 AGENTS.md，让规则跟着作用域走。 -------- 这篇文章也让我重新理解了 AGENTS.md 的定位。 以前很容易把它当成一份“尽可能完整的项目说明书”，什么都想往里面加。 现在我更倾向于把它看成： Agent 每次开始工作时都会读取的一组高优先级上下文。 既然它会影响几乎每一次任务，那么每增加一条内容，都值得问一句： 这条信息真的值得在每一次任务里占用 Agent 的注意力吗？ 如果答案是否定的，就可以考虑把它交给代码本身、独立文档、Skills、Hooks，或者其他按需加载的机制。 所以，AGENTS.md 值得认真写，也值得定期删。 精简它的意义也不只是节省 Token。 更重要的是管理 Agent 的注意力，以及有限的 Instruction Budget。 很多时候，少一点，Agent 反而工作得更好。

最近发现 Stanford Online 把研究生课程 CS329A：Self-Improving AI Agents 的完整课程录像放到 YouTube 了，一共 9 讲。 这门课基本围绕一个问题展开：AI Agent 怎么通过和环境不断交互，持续改进自己的能力。 内容从 Test-Time Compute、Verifier 和 RL 讲起，后面会进入工具/代码反馈、多步推理与规划、Deep Research、自我改进，以及 Agent 的长时任务评测。 我觉得比较好的地方是，它把现在很多散落在论文里的方向串到了一起：从「怎么让 Agent 多思考」，一路讲到「怎么验证结果、从反馈学习，再把这些能力放进更长的任务里」。 最近在关注 Agent 自进化的话，这套课很适合系统补一遍。 YouTube： youtube.com/playlist?list=…