标签
用户表示将把文章直接发给 Claude Code，要求其复刻文章中描述的系统。
文章分享了一套让 Claude 做性能优化的提示词技巧：用面向数据设计（DOD）重写代码，把哈希表拍平成数组、指针改为数组索引、AoS 改成 SoA，甚至删光所有缓存，以彻底压榨硬件性能而非用缓存掩盖慢设计。
Addy Osmani 分享了一个 Claude Code 技巧：在 Claude 工作时输入 "ultrathink"，可以提升该轮剩余部分的推理力度，这一功能最近由 Anthropic 的 Adam Wolff 在 CLI 中重新启用。
swyx 分享说，Andrej Karpathy 在其最新项目 Hackertube 中使用了 Claude Opus 5.5 的 medium effort 设置。swyx 认为，对 effort level 的偏好就如同 tabs vs spaces 一样，应根据实际需要来调整；他还引用了自己此前的观点——较低的 effort 搭配带批评的迭代循环，效果胜过设置成超高 effort。
用户实测 Opus 5.5 进行 AI 视频剪辑，称其可生成类似剪映的工作台且产出基本可用，而其他模型基本不可用。
Addy Osmani 分享了 Claude Opus 5.5 的提示词和工作流程技巧，认为用户对新一代模型的提示过于繁复，并介绍了如何在 Claude Code 中利用自主验证、子代理、云端会话和 Projects 功能。
本论文提出一种 POS-signature 检索策略，用于依存句法分析的 in-context learning 示例选择，结果显示其在 UD English Web Treebank 测试集上的标注附着分数优于语义相似度检索基线。
该论文提出 RE-ZS-CoT 框架，通过整合领域专家角色来增强大语言模型的零样本链式推理，并在 20 个 LLM 和 7 个基准上评估，最高提升达 44 个百分点。
EDMA提出了一种基于逻辑熵的多模态问答方法，将答题过程形式化为熵减迭代，并量化各模态对答案的贡献，在多个MMQA基准上显著优于Chain-of-Thought等基线。
HyperHat创始人分享了对60位指挥AI编程智能体的工程师的基准测试结果，发现真正拉开差距的是规格描述质量、机制验证和审查行为——而非提示词技巧，并且大多数人忽略了智能体的部分失败。
帖子介绍Dan Koe的“Human 3.0”人生升级模型，建议将心智、身体、精神、事业四个维度交给AI作为人生教练进行自我审视与提升。
提出工具增强型策略智能体（TASA），通过总结和利用优化轨迹，并结合策略引导的自适应工具规划，提升大语言模型基于提示的组合优化（OPRO）的可追溯性与解的质量。
对 Qwen 3.8 Flash-Next 和 GLM 5.3 Flash 的主观体验比较，指出 QFN 给人的感觉更善于对话和协作，而 GLM 往往跳过讨论，直接开始实施，并请求提供提示词技巧，让 GLM 更具互动性。
Anthropic Claude 团队成员分享的指南文章（中文翻译版），提出在使用 AI 时应从速度、高度、深度、广度四个维度提升雄心，并提供了具体的操作方法和提示词技巧。
Matt Pocock 讨论为 /grill-me 技能添加 GRILL.md 配置文件，让用户能自定义规划阶段的审查重点（如安全性、模块策略）以及逐项或整体提问的方式。
Kent C. Dodds 半开玩笑地指出，教人使用 AI 的一大半工作其实就是提醒他们："你问过你的 agent 这个问题了吗？"
该论文通过一个查询匹配的 SQL-pandas 基准进行受控实验，发现可见思维链（CoT）并非普遍的准确率提升手段，其效果取决于 persona、目标语言、模型配置与内部推理设置，因此推理策略应与模型和任务联合选择，而非采用通用默认方案。
Matt Pocock 分享了何时使用 /grill-with-docs、/wayfinder 或一次性提示来驱动 AI 编码代理的建议：改动很小时直接一次性生成即可；较大的任务先从 /grill-with-docs 开始，必要时再升级到 /wayfinder。
Matt Pocock 认为，随着 AI 模型不断进步，它们使用 skills 的能力也在提升——而好的 skills 应该向模型传达用户的意图，同时不要对模型的执行横加干涉。
Matt Pocock 分享了一个「每日提示词」：/wait-what 命令，用于收集 AI 代理在自主运行数小时后，散落在其上下文窗口中的各种疑问。