「もうプロンプトは書かない」 Claude Code生みの親が明かす“ループエンジニアリング”の衝撃（ITmedia ビジネスオンライン）｜ｄメニューニュース（NTTドコモ）
高潜力 88
Boris Cherny · Sun Nov 01 2026 04:47:38 GM
Claude Code创始人Boris Cherny提出'循环工程'概念：不再手动输入提示词，而是设计让AI自主循环运作的系统，由循环自动向AI发出指令并判断任务执行。2026年起Cherny本人已不再直接写代码，通过手机审批AI提交的PR。这一理念在硅谷技术社区引发广泛讨论。
核心观点 - – 编程范式转变：从'写提示词'到'设计让AI自主循环的系统'（Loop Engineering）
- – Boris Cherny 2026年起不再手写代码，每天通过手机审批数十个AI生成的PR
- – OpenAI工程师Peter Steinberger在X上的相关帖子获500万次曝光，引爆社区讨论
- – 人类角色从'执行者/提示者'转变为'循环架构师与审批者'
AI编程工具AI Agent工作流自动化Claude CodeLoop Engineering预测分析趋势
Andrej Karpathy — everything, newest first · ppll
高潜力 88
Andrej Karpathy · Fri Oct 02 2026 08:00:00 GM
Andrej Karpathy 分享了对 LLM 能力边界的多维度观察：LLM 正从工具演变为自主执行复杂任务的代理，推动「可抛弃式定制软件」成为新范式；人类工作将上移至「监督与理解」层；同时他支持 AI 行业协同放缓前沿研发以保障安全。
核心观点 - – LLM 已内化地理空间知识（经纬度→陆地/水体分类），证明其从互联网压缩中获得了超越文本的世界模型
- – 「可抛弃式定制软件」成为新范式：当智能与代码趋于充裕，按需生成、用完即弃的大型定制软件工件（Web App、视频解说）开始具备经济合理性
- – 人类工作重心将从执行上移至抽象层的监督与理解，LLM 承担越来越多的自主执行工作
- – Karpathy 公开支持 Dario Amodei 的「行业协同减速」提案，显示顶级技术领袖对 AI 安全的态度趋于一致
- – LLM 测试范式正在演变：从简单图像生成任务迁移至长时（~2小时）、高预算（~$10）、复杂代码生成任务（5500行 Three.js）
- – 「长篇漫谈式 Prompt」被提出为高效 LLM 协作模式，通过更多上下文 bits 帮助模型理解目标
LLMAI Agent软件开发范式AI安全Vibe Coding抽象层级分析预测评论
karpathy — AI & Machine Learning | Blogs Are Back
高潜力 88
Andrej Karpathy · Sun Nov 01 2026 01:00:00 GM
Andrej Karpathy 在其个人博客中探讨 AI/LLM 领域的前沿思考，包括对 LLM 作为'首次接触非动物智能'的哲学性判断、2025年LLM年度范式变迁回顾（RLVR等），以及用 Claude Opus 5.5 自建 YouTube 替代品的实践尝试。内容兼具深度研究视角与动手实验精神，是目前 AI 领域最具参考价值的个人博客之一。
核心观点 - – LLM 被定义为人类与非动物智能的'首次接触'，但因训练数据全为人类产物而模糊了边界
- – 2025年LLM领域最重要范式转变之一是 RLVR（基于可验证奖励的强化学习），取代了此前主导的 RLHF 路线
- – Karpathy 亲身实验：对 YouTube 算法推荐质量不满，直接用 Opus 5.5 构建个人 YouTube 替代品，体现了'用 AI 自建工具'的实践范式
- – 博客内容涵盖从 AI 哲学到日常工具（睡眠追踪、数字卫生）的广泛议题，写作风格清晰，具有斯坦福深度学习课教学级别的可读性
LLMAI研究机器学习RLVR强化学习内容平台AI哲学分析评论预测教程
Greg Isenberg's agent stack for running a company
高潜力 88
Greg Isenberg
创始人Greg Isenberg分享了其50人公司的完整Agent工作流：从语音笔记到产品规格、并行代码构建、自动化测试，再到错误修复PR，实现产品全流程Agent化管理。其核心原则是一个Agent负责一个平台、廉价模型做分拣、最强模型负责上线，并将每次错误转化为新技能。该帖子获得1.1万次收藏，成为目前最具参考价值的Agent实操案例之一。
核心观点 - – 端到端Agent工作流：语音笔记 → 竞品分析 → 产品规格 → 并行构建 → 多角色测试 → 错误修复PR → 漏斗复盘
- – 模型分层策略：廉价模型做分拣，Opus等旗舰模型负责最终上线内容
- – 一Agent一职责原则，避免职责混乱导致的质量下降
- – 输出评分机制：每个Agent输出LLM打1-10分，低于8分自动打回重做
- – 错误即资产：每次Agent失误写成技能文档，防止重复
- – 人类仍负责创意反馈与关系维护，Agent负责执行循环
AI Agent产品研发创业工具工作流自动化Claude Code案例分析实操教程
The Startup Ideas Podcast | Greg Isenberg | All You Can Books | AllYouCanBooks.com
高潜力 84
Greg Isenberg
Greg Isenberg 与 Varick 的 Vas 对谈，核心主张是 AI 的价值不来自模型本身，而来自先做流程再造、再把 agent 嵌进客户的既有系统（Salesforce、NetSuite、Slack）。他们给出了一套 FDE（前置部署工程师）的完整作业方法：访谈 + 流程挖掘 + 步骤分类（删除/纯代码/agent/人工决策），并用案例证明效果——某 50 亿美元上市软件公司、应付账款流程把每张发票成本从 31 美元压到 6 美元。节目把 FDE 从一份高薪职业延伸成一门可创业的生意（AI roll-up 与五天起步计划）。
核心观点 - – AI 的回报来自流程再造，而不是把模型接到旧流程上；顺序是先重设计流程，再在其中构建 agent。
- – 流程映射有可复制的三步：做访谈、挖掘系统记录（system of record）、翻既有文档，而不是听客户口述。
- – 把每个流程步骤归入四个桶：直接删除、用普通代码解决、交给 agent、保留人工判断——这是决定要不要上 AI 的关键分流。
- – Agent 要建在客户已经在用的工具里（Salesforce、NetSuite、Slack），而不是另起一个客户端，否则永远推不动。
- – 销售话术按买方的 KPI 定制，用改造前后指标对比来证明效果（如每张发票 31 美元降到 6 美元）。
- – 顶级 FDE 的三种能力组合：领域知识 + 生产级工程 + 客户沟通，稀缺性解释了其高收入。
- – FDE 不只是岗位，也是创业切入点：AI roll-up（批量收购传统服务型公司后做流程再造）以及五天起步计划。
- – 模型选择不是核心变量，代码/agent/人工的边界判断才是；区分 sidekick（副驾式）与 background agent（后台自主）两种形态。
AI 落地与企业服务创业机会与商业模式Agent 与工作流自动化职业发展（FDE）分析教程
ככה עובד מי שבנה את קלוד קוד: בוריס צ'רני | פלג דרור
高潜力 82
Boris Cherny · Fri Oct 30 2026 12:13:26 GM
בוריס צ'רני, יוצר Claude Code באנתרופיק, שיתף ב-2026 ארבעה הרגלי עבודה מרכזיים: הרצת מספר סשנים במקביל, שימוש ב-Plan Mode לפני כל משימה, קובץ CLAUDE.md שמתעדכן מכל טעות, ומנגנון שבו Claude בודק את עצמו. הפוסט זכה ליותר מ-8.2 מיליון צפיות וממחיש כי ההבדל האמיתי נמצא בהרגלים ולא בהגדרות טכניות.
核心观点 - – הרצת 5-10 סשנים של Claude במקביל ממקסמת תפוקה על ידי עבודה על משימות מרובות בו-זמנית
- – Plan Mode (Shift+Tab פעמיים) מונע טעויות יקרות - תיקון בשלב התכנון עולה משפט אחד, לעומת סבב שלם אחרי 300 שורות
- – קובץ CLAUDE.md משותף שמתעדכן עם כל טעות יוצר 'זיכרון מוסדי' שמשפר את תפוקת הצוות לאורך זמן
- – Claude שבודק את עצמו הוא הטיפ שבוריס מגדיר כהכי חשוב - self-verification loop
- – הסוד הוא הרגלים ולא קובץ הגדרות חכם
Claude CodeAI Coding ToolsAnthropicDeveloper WorkflowProductivity教程分析
Aakash Gupta's Post
高潜力 82
Boris Cherny
Claude Code创始人Boris Cherny提出了现代AI提示词的三大核心原则：清晰表达需求、控制模型努力程度（影响成本与速度）、以及定义验证标准。作者强调旧式的超长提示词已过时，当前顶尖模型更需要清晰简洁的指令和明确的完成标准。尤其是'验证机制'（Judge设计）是被大多数人忽视却最关键的步骤。
核心观点 - – 现代大模型（如Opus 5.5）不再需要超长少样本提示或思维链脚手架，简洁清晰的指令效果更好
- – 提示词需明确三要素：任务目标、期望努力程度（影响成本4倍差异）、验证/判断标准
- – Opus 5.5 Max模式比Medium模式在基准测试上高出约10分（58 vs 48），但成本高4倍，建议低effort+多轮迭代
- – 设计高质量的'Judge'（验证者角色）是被忽视的最重要步骤，需为具体任务定制评判者人格
- – AI使用范式正从'长提示优化'转向'harness（工具链）思维'，提示本身反而应该更简单
- – 避免缩写歧义（如DN可能被误读为'do'而非'do not'）
AI提示工程LLM应用ClaudeAI工作流生产力工具教程分析
How Anthropic Engineers Use Claude Code: 8 Habits From Their Own Talks - Artimind
高潜力 82
Boris Cherny · Sun Nov 01 2026 22:29:10 GM
Anthropic工程师分享了8个使用Claude Code的核心习惯，核心观点是应给AI明确目标和验收标准而非详细步骤，并建立独立的验证机制。这些习惯与一年前的最佳实践相反，强调更高层次的目标设定和更好的质量检查。
核心观点 - – 给AI结果导向的指令（目标+护栏+验收标准），而非逐步操作列表
- – 让Claude先通过提问来澄清需求，再生成规格文档
- – 将计划和方案渲染为HTML页面以便交互审阅
- – 在任务流程中内置验证机制，让Claude自我检查输出
- – 用独立会话来评审和攻击已完成的工作，避免同一会话自我评分
- – 要求专业方法论而非角色扮演（persona）
- – 让Claude直接访问原始数据并执行重复性工作，而非人工传递
- – 模型更新后应从头重建CLAUDE.md和技能配置
AI工具使用Claude CodeAI编程助手开发工作流提示工程教程最佳实践
Andrej Karpathy's AI project gives Hacker News its own YouTube
高潜力 82
Andrej Karpathy · Mon Nov 02 2026 14:00:01 GM
Andrej Karpathy 用约2小时构建了 HackerTube——一个 YouTube 风格的视频发现平台，整合了 Hacker News 评论中近20年的视频推荐，使用 Claude Opus 5.5 和 Claude Sonnet 进行数据处理与垃圾过滤。该项目展示了 AI 驱动的全栈开发能力，从原始评论数据到可用产品的完整链路极度压缩。项目涉及 5.04 亿输入 token，其中 90% 命中缓存，有效控制了成本。
核心观点 - – Claude Opus 5.5 用于高质量数据下载与过滤，Claude Sonnet 用于高吞吐量批处理任务（垃圾检测），体现了按任务复杂度选型的最佳实践
- – 90% token 缓存率大幅降低成本，说明合理设计 prompt 结构对大规模 LLM 项目的经济性至关重要
- – 2小时完成从零到上线，人工干预仅3步（API Key、VPS、域名），验证了 Claude Code 工作流在复杂数据工程任务中的实际效率
- – 6454个视频、39834条评论、150个主题分类——项目规模已超出个人手工处理范围，AI 是唯一可行路径
- – 项目完全依赖浏览器本地状态存储，无需账号体系，降低了冷启动门槛
AI工程LLM应用开发内容发现ClaudeKarpathy快速原型分析评论
Karpathy says engineering moves up from the model to the graph · Esscher
高潜力 82
Andrej Karpathy · Wed Nov 04 2026 10:00:00 GM
Karpathy提出AI工程栈的演进路径：从模型层向上依次经过提示词、智能体、循环到图结构。他还建议使用由语言模型维护的Markdown知识库，以跨会话保存信息来源、推理过程和决策历史。这一框架已被从业者广泛采纳为实际系统设计指导。
核心观点 - – AI工程栈演进层级：模型 → 提示词 → 智能体 → 循环 → 图
- – 图（Graph）是当前AI系统工程的核心抽象层
- – 建议用LLM维护Markdown wiki实现跨会话的知识持久化
- – 该框架已被一线从业者视为实用的系统设计参考
AI工程智能体系统多智能体图提示工程知识管理分析预测