尧图网站建设 
文档教程人工智能大模型【免费下载链接】awesome-generative-ai-guideA one stop repository for generative AI research updates, interview resources, notebooks and much more!项目地址https://gitcode.com/GitHub_Trending/aw/awesome-generative-ai-guide点击查看免费下载本文基于仓库 youtube/claude-code-16-tips.md 整理成文配套视频速览见 youtube/claude-code-5-levels.md。这是一份可直接交给你的 Agent 执行的 16 条清单覆盖从上下文审核、提示词优化、任务隔离、故障恢复到循环工程共 5 个层级读完本文你可以掌握一套系统化方法先审计并搭建上下文、再优化提问方式、通过任务隔离保持长任务质量、用回退与交接修复坏掉的会话最后把可校验目标、独立检查、上限与闸门、持久记忆四要素组合成能自主运行且不失控、不烧钱的自动化循环。这份清单怎么用原始清单本身就是一个可以直接喂给 Agent 的提示词文件。把它作为配套检查单交给你的 Agent让它对照 16 条逐一评估你的项目现状Read the checklist file in this repository: youtube/claude-code-16-tips.md Go through all 16 tips. Tell me which ones we already do, which ones apply to this project, and which ones do not. For the ones that apply and we are not doing, propose the specific change and wait for me to approve each one before you make it.关键原则层级是层层叠加的。在一个连 Level 1 都没做好的项目上直接套用 Level 5只会得到一条自动化产线更快地产出错误答案。先打好上下文基础再谈自主循环。Level 1上下文审核与初始化Context Audit Setup这一层解决的核心问题是在向 Agent 提问之前先确保喂给它的原料是对的。上下文就是你交给 Agent 的文档、数据、文件与笔记这一层做扎实上层的一切都会更轻松。本层共 4 条技巧。Tip 1先审计你的上下文再信任它过时、互相冲突的文件会让 Agent 自信地给出错误答案——因为它无法判断哪个版本才是当前有效的。因此在依赖任何资料之前先加入一步审计Audit these files before I rely on any of them. List everything that conflicts, is duplicated, is out of date, or is missing, and point to the exact file. Do not fix anything yet. Then we go through the list together and fix them one at a time, based on my calls.注意最后两句先只列问题、不修任何东西然后由你逐条决策修复。审计的产出是分类整理的问题清单数据冲突、重复表述、空头承诺有承诺但无支撑的信息、过时术语等。这一步能让你在进入下一步之前就看清数据不一致的全貌。Tip 2自己写一份身份文件Identity File并保持精炼身份文件是 Agent 每次会话开始时都会读取的简短简介常见载体包括CLAUDE.md、AGENTS.md或你所用工具的 custom instructions。两个要点自己写至少亲自审校。相关研究显示LLM 生成的身份文件反而表现更差、且让用户推理成本上升超过 20%——自己写核心价值在于掌控 Agent 的行为而不是省事。保持精简。该文件在每次会话都会加载臃肿意味着每次任务在你输入任何字之前就白白消耗 token。一个可工作的范例# Working with me ## Who I am I run Acme Analytics. We sell a lightweight analytics tool to early-stage founders. ## How I like to work - Plain, direct language. No corporate filler, no exclamation points. - Show me the option youd pick and why, then the alternatives. Dont make me choose blind. - Match the writing examples in ./examples when I ask for anything customer-facing. ## Hard nos - Never invent a number, a date, or a customer name. If youre unsure, ask. - Never send anything external (email, Slack, social) without showing me first. ## Gotchas - Revenue here always means recognized revenue, not bookings. - Current pricing lives in pricing_current.md. Ignore any older pricing file.结构上建议包含四块Who I am你是谁/公司做什么、How I like to work协作偏好与沟通风格、Hard nos红线如禁止编造数字、禁止未经确认外发、Gotchas领域陷阱词与文件时效规则。写完后用一条测试验收每一行删掉任何一句缺失也不会改变 Agent 行为的句子。关于身份文件的设计细节仓库中 youtube/how-ai-agents-work.md 也把它列为 AI Agent 四大组成部件之首identity、tools、triggers、memory可交叉阅读。Tip 3用真实范例展示好是什么样与其用形容词描述你想要什么不如直接指向真实范例。写冷邮件时Connect to my Gmail, pull the cold emails I wrote to [X, Y, Z], and write this new one in the same style.更进一步把范例沉淀为可复用模板Look at those emails and build me a style template for cold emails to potential clients.技巧要点给一个范围——一个直白的范例加一个更难的范例让 Agent 抓住意图而非复制表面模式。演示中 Agent 能自动提炼出范例邮件里的触发价值点 软性请求等模式此后每封新邮件都复用同一套模板行为就被编码化了。Tip 4关掉你不用的工具每个已连接的工具都会把完整工具描述加载进上下文且是在每条消息中都加载——即使你从不调用它。连接的工具越多选错工具的路径也越多。相关基准测试显示同一任务在 46 个可用工具下失败、缩减到 19 个工具仍在上下文窗口内后通过。只保留你实际调用的工具其余一律关闭既省 token 又提准确率。这一条与 youtube/how-ai-agents-work.md 中工具连接必须关注 scopes读/写/发送权限、先只连邮件/日历/任务系统三个核心场所的建议互为印证。Level 2提示词优化Prompt OptimizationLevel 1 保证了 Agent 拿得到正确的信息这一层解决如何问。共 3 条技巧其中第 7 条能在长对话中省下约 90% 的成本。Tip 5让它先采访你模型通常能察觉请求含糊但很少停下来追问而是直接猜测。与其第一次就写出完美提示词不如让 Agent 先问够问题Before you write anything, ask me questions one at a time until you have everything you need. Do not start until I say go.演示中Agent 提出的问题甚至包含你自己没想到的细节帮你把需求钉得更牢而不是让你一个人预先穷举所有变量。Tip 6要求它引用来源这是降低幻觉最有效的一招。只要任务基于某份文档就强制它指向原文行Using only the document above, answer [question]. Quote the exact line behind every claim. If the answer is not in the document, say not stated.注意可以跳过think step by step——当前模型在未被告知的情况下也会自行推理这属于提示词层面的老技巧见仓库 free_courses/agentic_ai_crash_course/part6_planning_in_agents_reasoning_models.md 中对 Chain-of-Thought 演进为按设计训练推理LRM的论述。Tip 7上下文在前问题在后利用前缀缓存面对一份大文档 一串问题把文档只粘贴一次放在最上面问题堆叠在其下。稳定块在顶部会被缓存复用后续每个问题都比重新粘贴更便宜、更快[paste the document] Using only the document above, [your question].Next, from the same document: [another question].原理是各大模型 API 的prompt caching / prefix caching从顶部开始缓存保持不变的稳定前缀命中缓存缓存价格可比新提示词低至 90%。规则稳定的东西放上面当前缀问题与对话放下方。Level 3任务隔离Task Isolation对话越长Agent 质量越容易劣化——这是有研究支撑的现象context rot上下文腐烂。本层 3 条技巧解决如何在长而乱的任务里让 Agent 保持锐利。Tip 8每个任务开新对话上一任务的一切都留在上下文里争夺注意力、烧 token。切换任务时务必开新会话。收益双份质量大幅提升不再被无关上下文干扰成本下降不再为别的任务的 token 付费。一句话一个任务一个对话one task, one chat。Tip 9只给它该给的东西跨 18 个模型的研究ChromaContext Rot表明同样的信息放在短聚焦提示词里效果优于埋在大段文本里。能塞进上下文窗口 ≠ 能被用好。做任务时只拉取与当前任务相关的数据例如限制 Agent 可访问的文件夹或建设一个 wiki 作为统一知识源。Tip 10把进展压缩进一个文件任何跨越多个会话的任务都应该主动做压缩Write a compact progress file called progress.md with exactly this: the goal, the key decisions we have made and why, what is still open, and the single most important thing to do next. Keep it tight, no filler.Agent 自带的自动压缩会替你做决定、决定什么该存活自己写则意味着你来选择。长任务中途还可以用这一条反向检查它到底记住了什么Summarize everything you currently have in context.Level 4故障恢复Failure Recovery长对话中途腐烂反复忘记、重复已修复的错误时的两条关键动作都是现代 Agent 最被低估的能力。Tip 11回退到最后一个正确的点一条稍微跑偏的指令可能被后续所有工作层层叠加放大就地修正只会把更多混乱堆在上面。Claude Code 中双击 Escape 或输入/rewind选中跑偏之前的那条消息其后所有内容退出上下文再带着你已知的信息从干净节点重新提问。Codex 提供轻量版本编辑更早的消息但不会撤销文件改动。Tip 12整条线程烂透时交接并重启重置但要保留决策。触发信号同一件事被纠正超过两次。Write a handoff into progress.md: keep [the specific things worth keeping], and drop everything else.然后开新会话、加载该文件、继续。不要和腐烂的线程硬扛——这是 Anthropic 官方博客也认可的做法。这与 Level 3 的 Tip 10 衔接成一套压缩 → 交接 → 重启流水线。Level 5循环工程Loop Engineering这一层让 Agent 脱离逐轮 babysit自主运行并随时间改进。一个循环必须同时具备以下 4 个要素缺一个就会空转、卡死或账单飞涨要素作用缺失后果可自我校验的目标有明确完成标准永远做不完独立于执行的检查判定通过/失败的人与干活的人分离自我打分偏向通过上限与闸门Cap Gate停止条件 可接触范围无限跑、无限烧钱可持续学习的记忆运行前读、运行后写的文件每次运行都从零开始Tip 13给出它能自行校验的目标Keep an eye on the competition永远不会完成Check all 5 competitors and report what changed since yesterday可以。写不出可校验的目标说明任务还没准备好变成循环。Tip 14检查必须与执行分离判定通过/失败的一方要与产出工作的一方分离——让 Agent 给自己的产出打分它天然偏向通过。Tip 15加上上限和闸门且设在工具层cap防止它无限运行烧钱gate限定它能触碰的范围。这两者要在工具权限/配额层面设置而不是只写在提示词里——只活在提示词里的规则模型可以说服自己绕过它。Tip 16给它一份会学习的记忆一个开始前读取、结束后更新的文件让每次运行都知道上一次看到了什么。这正是 free_courses/agentic_ai_crash_course/part7_memory_in_agents.md 中讨论的长期记忆semantic/episodic/procedural在操作层面的最小实现写结构化记忆 → 按需检索 → 用于 grounding 下一步动作。四要素合一的完整循环指令Every morning, check these 5 competitors: [their pricing pages, blogs, and LinkedIn]. Compare each against the snapshot in progress.md and flag only what actually changed, then save the updated snapshot back to that file. Post a short summary to my Slack: what changed, and for which competitor. Stop once youve been through all five, and dont take any action beyond reading and posting that summary.逐条对照可校验目标5 家竞品逐一检查并报告、独立检查与 progress.md 快照对比、只 flag 真实变化、cap 与 gate遍历完 5 家即停、只读发摘要不做其他动作、记忆读写 progress.md 快照。运行纪律先盯住第一轮运行陪它跑一两轮再放手让它无人值守确认它在检查真实的东西而不是玩弄检查机制宣布自己完成。另外循环只适合你足够了解、知道完成定义、能写出停止标准的任务——否则你连 check 和 gate 都定义不出来。关于可校验目标、独立评估的思想可进一步参考仓库的评估主题页 topics/evaluation.md 与 ai_evals_for_everyone想把这一整套能力落到真实 Agent 系统上可沿着 paths/agent-builder.md 的路线Agentic AI Crash Course → Agentic RAG → Evals → 安全推进。这 16 条背后的研究依据清单并非拍脑袋配套视频页 youtube/claude-code-5-levels.md 给出了关键结论的来源此处如实转述Gloaguen 等人ETH Zurich 与 LogicStar.ai2026 年 2 月在 138 个真实 Python 任务上LLM 生成的仓库级上下文文件使任务成功率下降约 23%同时推理成本上升超 20%开发者手写文件同样存在成本上升因此自己写的理由是对行为的掌控而非免费收益。Tip 2Chroma《Context Rot》2025 年 7 月跨 18 个模型同一事实放在短提示词中优于埋在大文本中。Tip 9Liu 等人《Lost in the Middle》2023上下文窗口中的位置决定信息被利用的程度。Tip 7、9Drew Breunig《How Long Contexts Fail》2025 年 6 月量化版 Llama 3.1 8b 在 GeoEngine 基准上46 个工具可用时任务失败、19 个工具时通过且两者都在上下文窗口之内——工具过载的证据。Tip 4Anthropic《Effective context engineering for AI agents》最小集合、高信号 token这一框架正是 Level 3 背后的思想。Tip 9快速复盘五级进阶一览Level 1 上下文审核与初始化先审计资料Tip 1→ 自己写精炼身份文件Tip 2→ 用范例展示好输出Tip 3→ 关掉无用工具Tip 4让 Agent 停止猜测。Level 2 提示词优化让它采访你Tip 5→ 要求引用来源Tip 6→ 上下文在前、问题在后吃前缀缓存红利Tip 7。Level 3 任务隔离每任务新会话Tip 8→ 只给相关上下文Tip 9→ 主动压缩进展到文件Tip 10。Level 4 故障恢复回退到最后正确点Tip 11→ 线程烂透就交接重启Tip 12。Level 5 循环工程可校验目标 独立检查 工具层上限/闸门 会学习的记忆四要素缺一不可Tip 13–16。大多数用户止步于 Level 2完整走完五级你才从会用提示词进阶到会运营 Agent。全套清单与逐条提示词在 youtube/claude-code-16-tips.md更多视频配套资源见 youtube/README.md。赞分享文档教程人工智能大模型【免费下载链接】awesome-generative-ai-guideA one stop repository for generative AI research updates, interview resources, notebooks and much more!项目地址https://gitcode.com/GitHub_Trending/aw/awesome-generative-ai-guide点击查看免费下载相关推荐Claude Code 与 Codex 的五个操作层级16 条研究支撑的提效与降本实践指南Claude Code 与 Codex 的五个操作层级16 条研究支撑的提效与降本实践指南 导读 本文以本仓库 youtube/claude code 5 l文档教程人工智能大模型生成式 AI 综述论文速查手册基于 awesome-generative-ai-guide 的九大主题研究地图生成式 AI 综述论文速查手册基于 awesome generative ai guide 的九大主题研究地图 本篇技术指南围绕仓库中的 research_u文档教程人工智能大模型10倍提升AI效率Awesome Generative AI项目性能优化终极指南10倍提升AI效率Awesome Generative AI项目性能优化终极指南 在当今AI驱动的时代生成式人工智能Generative AI正以前所未人工智能大模型文档上一篇Verk与其他Elixir作业库对比何时选择Verk下一篇Basic Pitch深度解析Spotify开源音频转MIDI技术的创新架构与实战应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 awesome-generative-ai-guide 实战手册：让 Claude Code 提升 10 倍的 16 条研究型技巧（五级进阶框架）
文档教程人工智能大模型【免费下载链接】awesome-generative-ai-guideA one stop repository for generative AI research updates, interview resources, notebooks and much more!项目地址https://gitcode.com/GitHub_Trending/aw/awesome-generative-ai-guide点击查看免费下载本文基于仓库 youtube/claude-code-16-tips.md 整理成文配套视频速览见 youtube/claude-code-5-levels.md。这是一份可直接交给你的 Agent 执行的 16 条清单覆盖从上下文审核、提示词优化、任务隔离、故障恢复到循环工程共 5 个层级读完本文你可以掌握一套系统化方法先审计并搭建上下文、再优化提问方式、通过任务隔离保持长任务质量、用回退与交接修复坏掉的会话最后把可校验目标、独立检查、上限与闸门、持久记忆四要素组合成能自主运行且不失控、不烧钱的自动化循环。这份清单怎么用原始清单本身就是一个可以直接喂给 Agent 的提示词文件。把它作为配套检查单交给你的 Agent让它对照 16 条逐一评估你的项目现状Read the checklist file in this repository: youtube/claude-code-16-tips.md Go through all 16 tips. Tell me which ones we already do, which ones apply to this project, and which ones do not. For the ones that apply and we are not doing, propose the specific change and wait for me to approve each one before you make it.关键原则层级是层层叠加的。在一个连 Level 1 都没做好的项目上直接套用 Level 5只会得到一条自动化产线更快地产出错误答案。先打好上下文基础再谈自主循环。Level 1上下文审核与初始化Context Audit Setup这一层解决的核心问题是在向 Agent 提问之前先确保喂给它的原料是对的。上下文就是你交给 Agent 的文档、数据、文件与笔记这一层做扎实上层的一切都会更轻松。本层共 4 条技巧。Tip 1先审计你的上下文再信任它过时、互相冲突的文件会让 Agent 自信地给出错误答案——因为它无法判断哪个版本才是当前有效的。因此在依赖任何资料之前先加入一步审计Audit these files before I rely on any of them. List everything that conflicts, is duplicated, is out of date, or is missing, and point to the exact file. Do not fix anything yet. Then we go through the list together and fix them one at a time, based on my calls.注意最后两句先只列问题、不修任何东西然后由你逐条决策修复。审计的产出是分类整理的问题清单数据冲突、重复表述、空头承诺有承诺但无支撑的信息、过时术语等。这一步能让你在进入下一步之前就看清数据不一致的全貌。Tip 2自己写一份身份文件Identity File并保持精炼身份文件是 Agent 每次会话开始时都会读取的简短简介常见载体包括CLAUDE.md、AGENTS.md或你所用工具的 custom instructions。两个要点自己写至少亲自审校。相关研究显示LLM 生成的身份文件反而表现更差、且让用户推理成本上升超过 20%——自己写核心价值在于掌控 Agent 的行为而不是省事。保持精简。该文件在每次会话都会加载臃肿意味着每次任务在你输入任何字之前就白白消耗 token。一个可工作的范例# Working with me ## Who I am I run Acme Analytics. We sell a lightweight analytics tool to early-stage founders. ## How I like to work - Plain, direct language. No corporate filler, no exclamation points. - Show me the option youd pick and why, then the alternatives. Dont make me choose blind. - Match the writing examples in ./examples when I ask for anything customer-facing. ## Hard nos - Never invent a number, a date, or a customer name. If youre unsure, ask. - Never send anything external (email, Slack, social) without showing me first. ## Gotchas - Revenue here always means recognized revenue, not bookings. - Current pricing lives in pricing_current.md. Ignore any older pricing file.结构上建议包含四块Who I am你是谁/公司做什么、How I like to work协作偏好与沟通风格、Hard nos红线如禁止编造数字、禁止未经确认外发、Gotchas领域陷阱词与文件时效规则。写完后用一条测试验收每一行删掉任何一句缺失也不会改变 Agent 行为的句子。关于身份文件的设计细节仓库中 youtube/how-ai-agents-work.md 也把它列为 AI Agent 四大组成部件之首identity、tools、triggers、memory可交叉阅读。Tip 3用真实范例展示好是什么样与其用形容词描述你想要什么不如直接指向真实范例。写冷邮件时Connect to my Gmail, pull the cold emails I wrote to [X, Y, Z], and write this new one in the same style.更进一步把范例沉淀为可复用模板Look at those emails and build me a style template for cold emails to potential clients.技巧要点给一个范围——一个直白的范例加一个更难的范例让 Agent 抓住意图而非复制表面模式。演示中 Agent 能自动提炼出范例邮件里的触发价值点 软性请求等模式此后每封新邮件都复用同一套模板行为就被编码化了。Tip 4关掉你不用的工具每个已连接的工具都会把完整工具描述加载进上下文且是在每条消息中都加载——即使你从不调用它。连接的工具越多选错工具的路径也越多。相关基准测试显示同一任务在 46 个可用工具下失败、缩减到 19 个工具仍在上下文窗口内后通过。只保留你实际调用的工具其余一律关闭既省 token 又提准确率。这一条与 youtube/how-ai-agents-work.md 中工具连接必须关注 scopes读/写/发送权限、先只连邮件/日历/任务系统三个核心场所的建议互为印证。Level 2提示词优化Prompt OptimizationLevel 1 保证了 Agent 拿得到正确的信息这一层解决如何问。共 3 条技巧其中第 7 条能在长对话中省下约 90% 的成本。Tip 5让它先采访你模型通常能察觉请求含糊但很少停下来追问而是直接猜测。与其第一次就写出完美提示词不如让 Agent 先问够问题Before you write anything, ask me questions one at a time until you have everything you need. Do not start until I say go.演示中Agent 提出的问题甚至包含你自己没想到的细节帮你把需求钉得更牢而不是让你一个人预先穷举所有变量。Tip 6要求它引用来源这是降低幻觉最有效的一招。只要任务基于某份文档就强制它指向原文行Using only the document above, answer [question]. Quote the exact line behind every claim. If the answer is not in the document, say not stated.注意可以跳过think step by step——当前模型在未被告知的情况下也会自行推理这属于提示词层面的老技巧见仓库 free_courses/agentic_ai_crash_course/part6_planning_in_agents_reasoning_models.md 中对 Chain-of-Thought 演进为按设计训练推理LRM的论述。Tip 7上下文在前问题在后利用前缀缓存面对一份大文档 一串问题把文档只粘贴一次放在最上面问题堆叠在其下。稳定块在顶部会被缓存复用后续每个问题都比重新粘贴更便宜、更快[paste the document] Using only the document above, [your question].Next, from the same document: [another question].原理是各大模型 API 的prompt caching / prefix caching从顶部开始缓存保持不变的稳定前缀命中缓存缓存价格可比新提示词低至 90%。规则稳定的东西放上面当前缀问题与对话放下方。Level 3任务隔离Task Isolation对话越长Agent 质量越容易劣化——这是有研究支撑的现象context rot上下文腐烂。本层 3 条技巧解决如何在长而乱的任务里让 Agent 保持锐利。Tip 8每个任务开新对话上一任务的一切都留在上下文里争夺注意力、烧 token。切换任务时务必开新会话。收益双份质量大幅提升不再被无关上下文干扰成本下降不再为别的任务的 token 付费。一句话一个任务一个对话one task, one chat。Tip 9只给它该给的东西跨 18 个模型的研究ChromaContext Rot表明同样的信息放在短聚焦提示词里效果优于埋在大段文本里。能塞进上下文窗口 ≠ 能被用好。做任务时只拉取与当前任务相关的数据例如限制 Agent 可访问的文件夹或建设一个 wiki 作为统一知识源。Tip 10把进展压缩进一个文件任何跨越多个会话的任务都应该主动做压缩Write a compact progress file called progress.md with exactly this: the goal, the key decisions we have made and why, what is still open, and the single most important thing to do next. Keep it tight, no filler.Agent 自带的自动压缩会替你做决定、决定什么该存活自己写则意味着你来选择。长任务中途还可以用这一条反向检查它到底记住了什么Summarize everything you currently have in context.Level 4故障恢复Failure Recovery长对话中途腐烂反复忘记、重复已修复的错误时的两条关键动作都是现代 Agent 最被低估的能力。Tip 11回退到最后一个正确的点一条稍微跑偏的指令可能被后续所有工作层层叠加放大就地修正只会把更多混乱堆在上面。Claude Code 中双击 Escape 或输入/rewind选中跑偏之前的那条消息其后所有内容退出上下文再带着你已知的信息从干净节点重新提问。Codex 提供轻量版本编辑更早的消息但不会撤销文件改动。Tip 12整条线程烂透时交接并重启重置但要保留决策。触发信号同一件事被纠正超过两次。Write a handoff into progress.md: keep [the specific things worth keeping], and drop everything else.然后开新会话、加载该文件、继续。不要和腐烂的线程硬扛——这是 Anthropic 官方博客也认可的做法。这与 Level 3 的 Tip 10 衔接成一套压缩 → 交接 → 重启流水线。Level 5循环工程Loop Engineering这一层让 Agent 脱离逐轮 babysit自主运行并随时间改进。一个循环必须同时具备以下 4 个要素缺一个就会空转、卡死或账单飞涨要素作用缺失后果可自我校验的目标有明确完成标准永远做不完独立于执行的检查判定通过/失败的人与干活的人分离自我打分偏向通过上限与闸门Cap Gate停止条件 可接触范围无限跑、无限烧钱可持续学习的记忆运行前读、运行后写的文件每次运行都从零开始Tip 13给出它能自行校验的目标Keep an eye on the competition永远不会完成Check all 5 competitors and report what changed since yesterday可以。写不出可校验的目标说明任务还没准备好变成循环。Tip 14检查必须与执行分离判定通过/失败的一方要与产出工作的一方分离——让 Agent 给自己的产出打分它天然偏向通过。Tip 15加上上限和闸门且设在工具层cap防止它无限运行烧钱gate限定它能触碰的范围。这两者要在工具权限/配额层面设置而不是只写在提示词里——只活在提示词里的规则模型可以说服自己绕过它。Tip 16给它一份会学习的记忆一个开始前读取、结束后更新的文件让每次运行都知道上一次看到了什么。这正是 free_courses/agentic_ai_crash_course/part7_memory_in_agents.md 中讨论的长期记忆semantic/episodic/procedural在操作层面的最小实现写结构化记忆 → 按需检索 → 用于 grounding 下一步动作。四要素合一的完整循环指令Every morning, check these 5 competitors: [their pricing pages, blogs, and LinkedIn]. Compare each against the snapshot in progress.md and flag only what actually changed, then save the updated snapshot back to that file. Post a short summary to my Slack: what changed, and for which competitor. Stop once youve been through all five, and dont take any action beyond reading and posting that summary.逐条对照可校验目标5 家竞品逐一检查并报告、独立检查与 progress.md 快照对比、只 flag 真实变化、cap 与 gate遍历完 5 家即停、只读发摘要不做其他动作、记忆读写 progress.md 快照。运行纪律先盯住第一轮运行陪它跑一两轮再放手让它无人值守确认它在检查真实的东西而不是玩弄检查机制宣布自己完成。另外循环只适合你足够了解、知道完成定义、能写出停止标准的任务——否则你连 check 和 gate 都定义不出来。关于可校验目标、独立评估的思想可进一步参考仓库的评估主题页 topics/evaluation.md 与 ai_evals_for_everyone想把这一整套能力落到真实 Agent 系统上可沿着 paths/agent-builder.md 的路线Agentic AI Crash Course → Agentic RAG → Evals → 安全推进。这 16 条背后的研究依据清单并非拍脑袋配套视频页 youtube/claude-code-5-levels.md 给出了关键结论的来源此处如实转述Gloaguen 等人ETH Zurich 与 LogicStar.ai2026 年 2 月在 138 个真实 Python 任务上LLM 生成的仓库级上下文文件使任务成功率下降约 23%同时推理成本上升超 20%开发者手写文件同样存在成本上升因此自己写的理由是对行为的掌控而非免费收益。Tip 2Chroma《Context Rot》2025 年 7 月跨 18 个模型同一事实放在短提示词中优于埋在大文本中。Tip 9Liu 等人《Lost in the Middle》2023上下文窗口中的位置决定信息被利用的程度。Tip 7、9Drew Breunig《How Long Contexts Fail》2025 年 6 月量化版 Llama 3.1 8b 在 GeoEngine 基准上46 个工具可用时任务失败、19 个工具时通过且两者都在上下文窗口之内——工具过载的证据。Tip 4Anthropic《Effective context engineering for AI agents》最小集合、高信号 token这一框架正是 Level 3 背后的思想。Tip 9快速复盘五级进阶一览Level 1 上下文审核与初始化先审计资料Tip 1→ 自己写精炼身份文件Tip 2→ 用范例展示好输出Tip 3→ 关掉无用工具Tip 4让 Agent 停止猜测。Level 2 提示词优化让它采访你Tip 5→ 要求引用来源Tip 6→ 上下文在前、问题在后吃前缀缓存红利Tip 7。Level 3 任务隔离每任务新会话Tip 8→ 只给相关上下文Tip 9→ 主动压缩进展到文件Tip 10。Level 4 故障恢复回退到最后正确点Tip 11→ 线程烂透就交接重启Tip 12。Level 5 循环工程可校验目标 独立检查 工具层上限/闸门 会学习的记忆四要素缺一不可Tip 13–16。大多数用户止步于 Level 2完整走完五级你才从会用提示词进阶到会运营 Agent。全套清单与逐条提示词在 youtube/claude-code-16-tips.md更多视频配套资源见 youtube/README.md。赞分享文档教程人工智能大模型【免费下载链接】awesome-generative-ai-guideA one stop repository for generative AI research updates, interview resources, notebooks and much more!项目地址https://gitcode.com/GitHub_Trending/aw/awesome-generative-ai-guide点击查看免费下载相关推荐Claude Code 与 Codex 的五个操作层级16 条研究支撑的提效与降本实践指南Claude Code 与 Codex 的五个操作层级16 条研究支撑的提效与降本实践指南 导读 本文以本仓库 youtube/claude code 5 l文档教程人工智能大模型生成式 AI 综述论文速查手册基于 awesome-generative-ai-guide 的九大主题研究地图生成式 AI 综述论文速查手册基于 awesome generative ai guide 的九大主题研究地图 本篇技术指南围绕仓库中的 research_u文档教程人工智能大模型10倍提升AI效率Awesome Generative AI项目性能优化终极指南10倍提升AI效率Awesome Generative AI项目性能优化终极指南 在当今AI驱动的时代生成式人工智能Generative AI正以前所未人工智能大模型文档上一篇Verk与其他Elixir作业库对比何时选择Verk下一篇Basic Pitch深度解析Spotify开源音频转MIDI技术的创新架构与实战应用创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考