关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件
AIGC 领域的最新工具、开源项目以及行业大事件
第一步，打开 AI，把你是谁全都说一遍——在做什么业务、经营哪几件事、什么最重要。想到哪说到哪，不用组织语言，AI 会帮你结构化成清清楚楚的几个板块。
但是有几个要点需要说清楚：我是谁，我现在在做什么，我有哪些身份和项目，长期想经营什么，平时会反复生产什么，哪些事情希望慢慢形成资产。
第二步，没有第二步。让 AI 直接用 Computer Use 上手，它当场就把文件夹建好，还把你电脑里现有的东西全部分好类，马上分完。我用的产品是Floatboat。
走完这一遍你会发现，电脑不再是一个装文件的盒子，而是你这个人的延伸。要人剑合一，首先要让你的剑非常的了解你。
于是我的电脑最后长成了这样：
01-产品｜我在做的产品，核心资产放这
02-好事引力｜我的主业务，现金流引擎
03-内容与课程｜能沉淀、能复利的内容资产
04-个人品牌｜对外表达和影响力的一切
05-学习与参考｜输入区
06-行政与个人｜个人事务区
07-归档
这套结构不一定适合别人。它本来就不是通用模板，而是「我」被翻译成电脑之后的样子。
它的好处也不只是更容易找文件。
每次保存东西，我都会被迫想一下：这属于我正在经营的哪件事？它只是一次性的任务，还是会慢慢变成我的资产？
更好的管理电脑，也更好的管理时间和注意力。
如果对你有启发的，给我点个赞吧。
@aigc1024
现在我的工作流很固定：
ChatGPT 负责思考：
头脑风暴、方案设计、评审。
Codex 负责执行：
写代码、修改项目、批量处理重复工作。
很多最终成果，我还会再交给 ChatGPT 复查一遍。
与其纠结哪个模型最强，不如先想清楚：
这一刻，你需要的是思考、执行，还是评审？
你现在的 AI 工作流是什么？欢迎交流。
@aigc1024
它在跑一个网络攻击能力评测，防护为了测上限被关掉了。然后模型太想解，在沙箱里找出一个零日漏洞逃出隔离、提权上网，推断Hugging Face存着答案，就用偷来的凭证在对方服务器上打出远程代码执行，把答案从数据库里取走。没有源代码，全靠自己摸索。
被作弊的Hugging Face，靠自家开源模型先一步发现、掐断了它。事后这家的CEO说，这大概是同类事件的头一起，也正好说明，AI安全没法靠一家公司关起门来解决。
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
本周打卡朝阳绿道和昌平42公里绿道的前半部分
朝阳绿道的公园都很美，但路窄人多，实在骑着憋屈，不太会再去了
昌平42公里绿道的公园段非常不错，全程树荫，人少景美，过了公园段之后就来到了温榆河段，这段就是和机动车一起走河边的窄路了，不那么舒服
北京的自行车道就是这样，经常骑着骑着就没了
不过这都快六环了，市政已经很努力了，还是期待温榆河下段尽快修完，就能直接骑车去大运河了
@aigc1024
朝阳绿道的公园都很美，但路窄人多，实在骑着憋屈，不太会再去了
昌平42公里绿道的公园段非常不错，全程树荫，人少景美，过了公园段之后就来到了温榆河段，这段就是和机动车一起走河边的窄路了，不那么舒服
北京的自行车道就是这样，经常骑着骑着就没了
不过这都快六环了，市政已经很努力了，还是期待温榆河下段尽快修完，就能直接骑车去大运河了
@aigc1024
包成 Skills。如果 Skills 过长，需要采用渐进式披露的方式拆分成多个文件。
优先引用代码形式：在使用 @ 引用文件时，优先引用代码。比如引用 HTML 模板的效果，通常比只给设计描述或截图效果更好。
使用自动化工具：他们还提到了 `claude doctor` 这个命令，可以自动帮你精简 Skills 和 [claude.md]文件。
详情：claude.com/blog/the-new-rules-of-context-engineering-for-claude-5-generation-models
@aigc1024
优先引用代码形式：在使用 @ 引用文件时，优先引用代码。比如引用 HTML 模板的效果，通常比只给设计描述或截图效果更好。
使用自动化工具：他们还提到了 `claude doctor` 这个命令，可以自动帮你精简 Skills 和 [claude.md]文件。
详情：claude.com/blog/the-new-rules-of-context-engineering-for-claude-5-generation-models
@aigc1024
Anthropic 讲解了随着模型的提升，应该如何更新自己的上下文规则，推荐看看。
随着 Fable 5 和 Opus 5 的发布，他们精简了 80% 的系统提示词，但在编程测评上没有任何损失。
其核心问在于，Claude 的提示词只是它获取上下文的一小部分，更多的上下文来自于系统提示词、Skills、claude.md 以及 Memory。
这里的难点在于：上下文是跨多个请求通用的，不能像单个提示词那么具体。
他们之前对 Claude Code 的约束过度了，而且经常存在互相矛盾的指令（约束越多，冲突的概率就越大）。
像 Fable 5、GPT 5.6 这种新模型，完全能够靠上下文和自己的判断力处理很多事情，因此没必要过度约束。
他们总结了过去到现在关于上下文转变几条趋势：
1. 从“给规则”到“让 Claude 运用判断力”：比如旧版会写“默认不写注释”，新版可以改成“写出与周围代码一致的代码”，这样它自己就会去匹配周围代码的注释密度、命名和习惯。
2. 从“给具体示例”到“设计接口”：给具体示例容易让模型变得死板。现在可以给一些设计接口（比如脚本文件的设计），让参数更具表达力，以此来引导它，而不是塞给它具体的示例。
3. 从“全部前置的上下文”到“渐进式披露”：把代码审查、验证等相互独立的信息放在不同的 Skills 里面，按需调用。模型可以通过文件搜索去查找，而不需要一次性塞入。
4. 不在系统提示词和工具描述里重复提示：直接把用法写进工具描述里，不再到系统提示词里去强调。
5. 从“手动记录”到“自动记忆”：以前是在 claude.md里存记忆，现在直接由模型自动记忆，不再依赖手写输入。
6. 从“简单规则”到“丰富的引用”：以前规则非常单一，现在可以把图片、HTML 文件、测试文件、测试代码、函数甚至是评分标准，都作为模型的上下文塞进去。
---
关于如何将这些原则运用到你自己的上下文管理中，有以下几点建议：
系统提示词定位：在系统提示词里明确告诉 Claude 在什么产品里做什么。如果你在构建 Agent，需要投入精力重新编写系统提示词。
保持 [claude.md]或 [agent.md]的轻量：把仓库用途和说明性内容花在最核心的地方（比如已知的坑或缺陷上）。避免把 Claude 一看代码就能懂的事情非要写进 [claude.md]里。
多用 Skills 进行模块化：把需要按需查找的信息打包成 Skills。如果 Skills 过长，需要采用渐进式披露的方式拆分成多个文件。
优先引用代码形式：在使用 @ 引用文件时，优先引用代码。比如引用 HTML 模板的效果，通常比只给设计描述或截图效果更好。
使用自动化工具：他们还提到了 `claude doctor` 这个命令，可以自动帮你精简 Skills 和 [claude.md]文件。
详情：claude.com/blog/the-new-rules-of-context-engineering-for-claude-5-generation-models
@aigc1024
随着 Fable 5 和 Opus 5 的发布，他们精简了 80% 的系统提示词，但在编程测评上没有任何损失。
其核心问在于，Claude 的提示词只是它获取上下文的一小部分，更多的上下文来自于系统提示词、Skills、claude.md 以及 Memory。
这里的难点在于：上下文是跨多个请求通用的，不能像单个提示词那么具体。
他们之前对 Claude Code 的约束过度了，而且经常存在互相矛盾的指令（约束越多，冲突的概率就越大）。
像 Fable 5、GPT 5.6 这种新模型，完全能够靠上下文和自己的判断力处理很多事情，因此没必要过度约束。
他们总结了过去到现在关于上下文转变几条趋势：
1. 从“给规则”到“让 Claude 运用判断力”：比如旧版会写“默认不写注释”，新版可以改成“写出与周围代码一致的代码”，这样它自己就会去匹配周围代码的注释密度、命名和习惯。
2. 从“给具体示例”到“设计接口”：给具体示例容易让模型变得死板。现在可以给一些设计接口（比如脚本文件的设计），让参数更具表达力，以此来引导它，而不是塞给它具体的示例。
3. 从“全部前置的上下文”到“渐进式披露”：把代码审查、验证等相互独立的信息放在不同的 Skills 里面，按需调用。模型可以通过文件搜索去查找，而不需要一次性塞入。
4. 不在系统提示词和工具描述里重复提示：直接把用法写进工具描述里，不再到系统提示词里去强调。
5. 从“手动记录”到“自动记忆”：以前是在 claude.md里存记忆，现在直接由模型自动记忆，不再依赖手写输入。
6. 从“简单规则”到“丰富的引用”：以前规则非常单一，现在可以把图片、HTML 文件、测试文件、测试代码、函数甚至是评分标准，都作为模型的上下文塞进去。
---
关于如何将这些原则运用到你自己的上下文管理中，有以下几点建议：
系统提示词定位：在系统提示词里明确告诉 Claude 在什么产品里做什么。如果你在构建 Agent，需要投入精力重新编写系统提示词。
保持 [claude.md]或 [agent.md]的轻量：把仓库用途和说明性内容花在最核心的地方（比如已知的坑或缺陷上）。避免把 Claude 一看代码就能懂的事情非要写进 [claude.md]里。
多用 Skills 进行模块化：把需要按需查找的信息打包成 Skills。如果 Skills 过长，需要采用渐进式披露的方式拆分成多个文件。
优先引用代码形式：在使用 @ 引用文件时，优先引用代码。比如引用 HTML 模板的效果，通常比只给设计描述或截图效果更好。
使用自动化工具：他们还提到了 `claude doctor` 这个命令，可以自动帮你精简 Skills 和 [claude.md]文件。
详情：claude.com/blog/the-new-rules-of-context-engineering-for-claude-5-generation-models
@aigc1024
随着 Fable 5 和 Opus 5 的发布，他们精简了 80% 的系统提示词，但在编程测评上没有任何损失。
其核心问在于，Claude 的提示词只是它获取上下文的一小部分，更多的上下文来自于系统提示词、Skills、claude.md 以及 Memory。
这里的难点在于：上下文是跨多个请求通用的，不能像单个提示词那么具体。
他们之前对 Claude Code 的约束过度了，而且经常存在互相矛盾的指令（约束越多，冲突的概率就越大）。
像 Fable 5、GPT 5.6 这种新模型，完全能够靠上下文和自己的判断力处理很多事情，因此没必要过度约束。
他们总结了过去到现在关于上下文转变几条趋势：
1. 从“给规则”到“让 Claude 运用判断力”：比如旧版会写“默认不写注释”，新版可以改成“写出与周围代码一致的代码”，这样它自己就会去匹配周围代码的注释密度、命名和习惯。
2. 从“给具体示例”到“设计接口”：给具体示例容易让模型变得死板。现在可以给一些设计接口（比如脚本文件的设计），让参数更具表达力，以此来引导它，而不是塞给它具体的示例。
3. 从“全部前置的上下文”到“渐进式披露”：把代码审查、验证等相互独立的信息放在不同的 Skills 里面，按需调用。模型可以通过文件搜索去查找，而不需要一次性塞入。
4. 不在系统提示词和工具描述里重复提示：直接把用法写进工具描述里，不再到系统提示词里去强调。
5. 从“手动记录”到“自动记忆”：以前是在 claude.md里存记忆，现在直接由模型自动记忆，不再依赖手写输入。
6. 从“简单规则”到“丰富的引用”：以前规则非常单一，现在可以把图片、HTML 文件、测试文件、测试代码、函数甚至是评分标准，都作为模型的上下文塞进去。
---
关于如何将这些原则运用到你自己的上下文管理中，有以下几点建议：
系统提示词定位：在系统提示词里明确告诉 Claude 在什么产品里做什么。如果你在构建 Agent，需要投入精力重新编写系统提示词。
保持 [claude.md]或 [agent.md]的轻量：把仓库用途和说明性内容花在最核心的地方（比如已知的坑或缺陷上）。避免把 Claude 一看代码就能懂的事情非要写进 [claude.md]里。
多用 Skills 进行模块化：把需要按需查找的信息打
https://github.com/zli12321/LHTB
AI探索 | Hermes/OpenClaw｜优质资源｜优质信息
iyishu)｜优质信息
