作者做了一个叫 salt.md 的工具，把每个任务做成一个页面，智能体读取页面上的规则、完成工作并在页面上留下笔记，这样从 Claude 切换到 Codex 时，Codex 能知道 Claude 之前做了什么。作者主要用 Claude Code 开发，有时用 Codex，并称最大的经验是让智能体写下为什么这么做，而不只是做了什么。项目已开源在 github.com/saltmd/salt.md。
Awaiting translation
作者用 5 个 Python 任务、Haiku 4.5 和 Sonnet 5.5 各跑两遍共 40 次，对比俄语和英语提示词的 token 消耗与成本。俄语提示词平均每任务多 12 个 token，但单次运行平均读取约 22.2 万输入 token，其中 94% 是每轮从缓存重读的系统提示词、工具说明和项目文件，语言差异只占约 0.005%。
Awaiting translation
In February I hooked up 11 MCP Servers to my coding agent. Just the tool list in an empty session ate up 34,000 tokens, with Datadog alone contributing over two hundred tools. The agent got slower and kept picking the wrong tools.
Why it matters: I'm writing this up because 11 MCP Servers of my own blew up my context, and it showed me that tools and knowledge belong in different containers.
作者通过 Langfuse 代理测得 Claude Code 默认系统提示词接近 50k token，于是关闭 artifact、workflows、bundled skills 和反馈草稿等用不到的功能，把初始系统提示词降到约 15k token。
Awaiting translation
作者提出智能体配置不应只有允许和禁止两档，而应增加 ask first 中间档，用于推送远端、非本地数据库的 schema 迁移、安装新依赖、修改 CI 或部署配置这类需要先停下说明命令的操作。
Awaiting translation
Beads 为编码智能体提供一个直接放在代码仓库里的轻量 issue 追踪器，智能体可以创建、更新和关闭 beads（issue），并查询它们之间的依赖关系。
Awaiting translation
Claude Code 跳过 CLAUDE.md 里的规则，通常不是文件本身有问题，而是规则没加载、被冲突规则覆盖，或本就不该由上下文文件来强制。作者列出五种原因：会话启动目录不对、嵌套文件尚未加载、两个文件互相矛盾、冲突藏在 import 或 .claude/rules/ 里、以及规则需要的是权限或 Hook 这类强制手段而非提示。
Awaiting translation
文章从认知科学角度分析 Vibe Coding 的兴起：自然语言提示词消除了编程语法门槛，让任何人都能把脑中的想法直接变成可运行的应用。但作者指出，用户脑中的心智模型越模糊，对技术需求的描述就越不精确，也就越依赖 AI 厂商补全细节，这正是厂商获利的关键。作者认为“先澄清需求”（Clarify First）才是 AI 工程的未来。
Awaiting translation
The author open-sourced claudemanager, a local daemon that Claude Code points to via ANTHROPIC_BASE_URL. It only changes the request's Authorization header to route sessions to the Max account with the most remaining capacity in its 5-hour, weekly, and per-model windows, switching at custom thresholds before those windows fill up.
Why it matters: The author also open-sourced a local proxy that automatically distributes Claude Code traffic across multiple Max accounts based on remaining quota, and logs requests along the way.
有用户反映 Claude Code 每周一和周二高峰时段上下文消耗翻倍、输出质量差 20 倍，性能糟糕到"Codex 级别"。该用户据此猜测新模型 Fable 5.5 可能在一两天内发布，并抱怨每次新模型发布前都要先经历这段性能低谷期。
Awaiting translation
dex@dexhorthyAI score4040Dex Horthy 给 @humanlayer_dev 的上下文工程建议：会话在压缩或新开时丢失上下文，应把所有上下文和决策写进 artifacts 里的文档（设计。
Awaiting translation
一名用户抱怨用 Dot 代替自己管理 Codex 会话时体验很差：它会忘记不同项目的上下文、忘记该做什么、被要求发提醒时先撒谎后又称做不到，还容易放弃，并且不提示自己正在"思考"。该用户质疑，Dot 本应作为统一界面自行管理这些会话，但实际表现让他怀疑自己并非目标用户。
Awaiting translation
Rust 开发者 NikTimf 在 Habr 撰文说，自己仍然害怕用 AI 写代码，原因不是生成质量差，而是生成量太大、后续没人真正看懂。他列举了具体代价：多个智能体之间要反复传递上下文，答案冲突时还得自己判断谁对；公司只允许本地或自研模型时，用惯强模型的人很难退回；同事充当 meat proxy 转发 AI 答案，理解任务和推进实现的活仍落在自己身上。
Awaiting translation
一位没有编程基础的作者讲述自己从 Bolt、Claude 到 ChatGPT 的 Vibe Coding 经历，最终用 12 个阶段、171 小时编排运行时间搭出 Linux 原生个人智能体编排工具 B.O.T.S.。
Awaiting translation
作者发布 windvane，一个 MIT 许可、无依赖的 Claude Code 插件，用 Python 引擎在会话中自动看护上下文：recorder 根据任务列表、编辑、提交和上一条回复起草检查点，模型一次调用即可接受或改一个字段；插件监控上下文填充，在检查点落盘后于下一个回合边界压缩，并自行发一条提示让模型从检查点继续。
Awaiting translation
作者发布 Claude Code 插件 quota-audit（v1.3.0），读取 ~/.claude/projects/*/*.jsonl 中的逐条 token 用量，按项目、Skill 和 5h/24h/7d 窗口拆解成本，并列出限流命中的具体时间和被阻塞的仓库，数据只在本机处理。
Awaiting translation
作者提出在调整智能体配置前先回答两个问题：冷启动时 harness 发送多少 prompt token，其中多少来自工具 schema，并用服务商 tokenizer 实测而非按字符估算。
Awaiting translation
作者因厌倦反复向 Claude 解释昨天做了什么，开发了 Mac 应用 DayDream，记录你在 Mac 上的工作内容，并让 Claude、Cursor 或 ChatGPT 通过 MCP 基于这些记录回答“我今天做了什么”或“我上次做到哪了”。
Awaiting translation
Spill 是一个 Apache-2.0 开源工具，通过 Hook 拦截超过 32 KiB 的 MCP 工具返回，将其存为本地 DuckDB 表（~/.spill/spill.duckdb），智能体只拿到一个紧凑描述符，再用 SQL 查询而不是读入 5 万 token 的原始 JSON。
Awaiting translation
Why it matters: Spill 把超大 MCP 返回落到本地 DuckDB，让智能体用 SQL 取数，为上下文窗口紧张提供了一种可复用的思路。
作者结合 Upwork 官方 MCP Server 和自研 doceval 的 MCP Server，总结出构建与使用 MCP Server 的四点经验。
Awaiting translation
作者开发了 PeakOS，一个展示所有 Claude Code 会话、花费和休息提醒的桌面应用，核心逻辑放在 Hook 里，插件只发布一个 Rust 可执行文件，无参数时从 stdin 读取一条 Hook 事件 JSON，带 record 时由 Skill 写入数据，带 statusline 时输出状态栏。
Awaiting translation
作者因反复向 Claude Code 重述项目决定，做了 jevmem：每条消息后由 TypeSafe AI 的 Jev 判断是否值得保留，是则往仓库的 JEVMEM.md 写一行，下个会话把相关行送回 Claude，改主意就划掉旧行，团队通过 git 共享同一文件。
Awaiting translation
The author has open-sourced the Project Athena v9.9.9 kernel (MIT License), a local-first memory and governance framework built to solve the problems of Claude Code needing repeated corrections, sub-agents overstepping their bounds and modifying files, and losing state when it hits the quota limit mid-task.
Why it matters: The author validated a CLAUDE.md slimming and local-memory approach across 1900 sessions, and provides a directory structure and verification rules you can reuse directly.
开源工具 Repowise 发布 Lens，借助新的 Claude Code mods 在 Claude 工作时展示代码库索引。输入 /lens 可看到仓库地图，文件在 Claude 搜索、读取和编辑时高亮，编辑某文件时所有导入它的文件也会亮起，视频中 Django 的 query.py 一行注释点亮 12 个文件，conf/init.py 点亮约 248 个。
Awaiting translation
有用户在 Claude Code 上下文变大、准备运行 /compact 前，会先告诉 Claude“我要压缩了再继续”，Claude 随后回复已总结要点。该用户认为这样做能减少 /compact 后重要信息丢失，但表示从未实际测试过，效果似乎取决于具体情况：有时只总结聊天内容，有时最新状态也会写入 memory。
Awaiting translation
作者在开源看板 ticket-tracker 中让无头 Claude Code 会话处理工单，遇到需要人决策的问题时调用 ask_question 并结束本轮，进程退出后由编排器用 claude -p --resume 加同一 session id 恢复，答案作为下一条提示词传入。
Awaiting translation
有用户观察到 GPT 6.1 似乎更省 token，猜测原因是后训练或注入机制让模型感知到上下文剩余量，从而产生压力。例如模型会主动提及"还剩约 26k""37000 token 上下文已用 28000、剩 18000"等剩余额度，并据此压缩工作范围。
Awaiting translation
Geoffrey Huntley 发布 Jiti，一个通过对话让 LLM 扩展运行中 Lisp 应用的小型内核，源码已在 GitHub 开源。用户提出需求后，OpenAI 模型借助注册工具检查、修改并执行 Lisp 代码，被接受的函数会作为普通 Lisp 函数永久保留，后续调用无需再次推理。作者认为这种免编译、边运行边生长的开发方式，比传统 CI/CD 编译流程更值得探索。
Awaiting translation
作者把 Claude Code 的笔记库放进私有 GitHub 仓库，用 SessionStart 和 Stop 两个 Hook 调用 20 行 bash 脚本，在会话开始时 clone 或 pull、每次回答后 commit 并 push，从而在台式机和笔记本之间同步 114 条笔记。
Awaiting translation
CortHeXis 2.0 以 Apache-2.0 开源发布，是一个可独立运行在任意支持 MCP 的智能体旁边的记忆引擎，作者称其正是自家产品在用的同一套代码。
Awaiting translation
一位 GPU 云平台创始人把团队从 5 人缩到 2 人后，围绕 Claude 自建了一套多仓库开发编排工具 Shiploop，并已开源。它用一个 advisor 会话负责思考和规划，worker 各自在独立 git worktree 中写代码以避免并行冲突，同时跨会话管理上下文、保留失败经验，并把每个任务先写入队列文件防止会话中断丢工作。
Awaiting translation
作者为 AI 编码智能体配置了 5 个 Skill，解决三周后智能体反复重写同一个 helper 文件、忘记项目约定、不写测试的问题。
Awaiting translation
The author points out that CLAUDE.md and built-in memory in tools like Cursor and Claude Code only cover a single machine or a single repository, so they can’t share team decisions across tools and members. As a result, the same architectural trade-offs get explained over and over again.
The author built the MCP server pulpie-mcp so AI coding agents can scrape web pages and docs into complete Markdown themselves, keeping tables, code blocks, links, and images intact.
The author released the cache-warmer plugin to fix a problem: after you step away from Claude Code for more than 5 minutes, the next prompt has to rewrite the prompt cache at full price, so costs pile up over long sessions and the first reply gets slower.
A developer built a small Mac app for personal use with Claude, relying on readme.md and session_state.md to track project state. After each code change, they had Claude run git commit push main to push to GitHub, and frequently used /clear.
Uber Engineering 介绍了其 MCP Gateway 的设计，该平台在发布时托管了 800 多个 MCP server 和 5000 个工具，让已有的 HTTP、gRPC、TChannel 服务无需改动即可通过 MCP 访问。
Awaiting translation
作者在 Linux 机器上用 pip install hindsight-api==0.10.2 安装开源记忆服务 Hindsight，并设置 HINDSIGHT_API_LLM_PROVIDER=none，在无 LLM API Key 的情况下测试其最低可用能力。
Awaiting translation
OpenAI 负责 ChatGPT 和 Codex 的 Tibo Sottiaux 在 Lenny's Podcast 访谈中表示，让用户自己搭循环、画流程图、反复调教工作流只是过渡，真正会赢的是 Dots 这类会学习、永远在线的 agent。
Awaiting translation
针对 GPT-4、Claude 3.5 等 LLM 在多轮对话中出现的上下文遗忘和迎合用户（sycophancy）问题，123sudo 推出项目感知工作区 9xChat，将 AI 锚定到本地项目文件而非脆弱的聊天历史，并支持在同一窗口并排运行 GPT-4 与 Claude 3.5 互相写码和审查，上下文保留在本地且不用于训练。
Awaiting translation