神刀墨客

前两天我在看一篇关于编程智能体的分享，里面有一句话我印象很深：现在真正拉开差距的，往往不是模型本身，而是包裹在模型外面的那一层运行框架。 这话听起来有点反直觉。因为过去一年里，我们讨论最多的，始终还是

今天在github上闲逛时偶然间看到一个名为 system_prompts_leaks 的项目，汇总了各种顶级模型的系统提示词。除了引人注目的旗舰模型外，其中还包含了各家模型的不同版本以及许多顶级工具

Anthropic 内部目前有几百个 Skills 在活跃使用。Thariq 是 Claude Code 团队的成员，上周他把这几百个 Skills 里沉淀下来的使用经验整理成了一篇文章。 开篇第一句

最近，Andrej Karpathy 做客了一档播客。节目的名字很耸动：The End of Coding: Agents, AutoResearch, and the Loopy Era of AI

在开发 video-helper 这个项目初期，我一度觉得写代码变成了一件特别爽的事。需要个什么功能，直接丢给大模型，几秒钟代码就出来了。 但这股新鲜感没维持多久。当 video-helper 从一个

OpenClaw 启示录：跨越聊天框的 45 天 2026 年初，如果你问一个技术圈的朋友最近在聊什么，十有八九会听到"龙虾"。 不是餐厅里的那种。是 OpenClaw——一个让 AI 真正长出"手脚

工程界常说"缓存决定一切"，而这一法则同样适用于 AI Agent。对于一个要频繁调用大模型的系统来说，推理成本和响应延迟是绕不开的两座大山，而 Prompt Caching 恰恰是撬动这两个问题的关

说来惭愧，起初萌生做这么一个项目的想法，源于我期末时那几个速通的夜晚。但是这里需要先叠个甲，需要速通并不是我因为我平时懒散哈，而是对于某些科目我认为和我自己的目标规划没有太多的联系，所以我更希望短时间

众所周知，在一个agent中，大模型通过Tool calling来实现各种各样的功能，但是工具的方式多种多样，它可能是bash命令，可能是已经备受认可的skills，也可能通过直接运行代码实现。 那么