本文介绍了从手动提示到设计AI编码循环的转变，详细说明了如何通过Slate工具构建生产级的AI自主工作流。

本文介绍了如何高效使用Fable 5 AI模型，通过10-80-10系统（规划、执行、审查）和模型路由表，将Fable仅用于规划和审查，执行任务交给更便宜的模型（如Opus、Sonnet、Haiku等），并结合CLAUDE.md配置、/loop命令、/handoff技巧等，降低50%以上的token成本。文章提供了具体的路由表、CLAUDE.md配置、7个高杠杆提示词以及常见错误避免指南，帮助开发者在保持输出质量的同时大幅削减AI开支。

文章针对2026年AI工程师的学习路径，精选了10本必读技术书籍，并提供了分层的阅读顺序。作者首先定义了AI工程师的角色——利用GPT、Claude等现有基础模型构建产品的软件工程师，而非研究人员。书籍分为三个层次：基础层（Python、软件工程、AI素养）、核心层（机器学习直觉、从零构建LLM、AI工程实践）和高级层（提示工程、系统设计、人机协作、AI对齐）。文章还为每本书提供了阅读时间、适用人群和具体的学习方法，并建议结合Claude进行高效阅读。

这篇文章详细介绍了27个提高Claude Code使用效率的技巧，分为初级、中级和高级三个层次。

本文深入讲解Claude Code中的Hooks系统，它不同于CLAUDE.md的软性指导，而是通过可编程的检查点在工具调用前、后等关键时刻执行代码，实现对模型行为的精确控制。文章详细介绍了Hooks的事件系统、如何通过退出码或JSON结果阻止操作、四种注册位置（设置、插件、技能、子代理）及其合并规则、优先级（严格结果优先），并给出了保护生产配置文件的实用示例。核心思想：Hooks是代码而非提示，具有确定性保障。

AI Agent不同于聊天机器人的单次回答，它通过“思考-行动-观察”循环执行任务。文章总结了20个核心概念：基础构建块（Agent、执行循环、状态、协作模式）、配置层（项目配置文件、工作流文件、提示缓存、上下文腐烂）、能力层（MCP协议、实时文档检索、持久记忆）、编排层（子代理、循环代理）、防护栏（沙箱、权限、Hook、提示注入防御、预提交门）、可观测性（追踪、指标）。理解这些底层模式比追逐新框架更重要。

本文提供了6个针对Claude AI的提示词，帮助用户系统化地学习任何技能。这些提示词涵盖学习路径规划、80/20高效学习法、主动回忆测试、一页速查表、精选资源以及费曼学习法。通过强制构建路径、测试、压缩和反馈循环，解决了传统AI问答中结构缺失、难以持久记忆的问题。文章强调真正的学习需要结构而非随机答案，并展示了如何将Claude从答案提供者转变为个人教师、考官和学伴。

这篇文章深入探讨了构建可靠AI系统的六个核心概念：Token与上下文窗口、嵌入与向量搜索、RAG（检索增强生成）、智能体循环、评估以及上下文工程。作者通过一个真实的故障案例（智能体无停止条件导致AWS账单飙升）引入，强调理解底层原理而非盲目使用工具的重要性。文章解释了每个概念的工作原理、常见失败模式及解决方案，并指出上下文工程比提示工程更重要。最后给出了循序渐进的学习建议。总体而言，这是一篇帮助AI工程师从“调参”转向系统化思维的实用指南。

本文介绍了AI工程领域从提示工程到循环工程的转变。两位顶级AI工程师指出，不应再直接提示编码代理，而应设计循环来驱动代理。文章详细解释了循环工程的核心理念、单代理与多代理循环、开放与封闭循环的区别，以及构建有效循环的6个关键组件（自动化、工作树、技能、插件、子代理、记忆）。还探讨了成本问题，指出DeepSeek等低成本模型使循环工程更可行。最后总结了循环工程与提示工程的根本差异：从追求单次输出到设计产生可验证结果的系统。