共 7 篇文章
模型越来越强， harness该留下什么？
模型变强后harness该删什么留什么：结合删掉61%本部门框架实践与Anthropic删80%系统提示词的转向，指出冗余指令会收窄模型搜索空间、被字面执行为负收益；主张规则改判据、放开路径收紧验收、先建评测、指令沉降到工具层，并按L0-L3分层判断内容是否会被模型内化。适合Agent工程化团队。
如何让 GPT-6 Astra 顺利跑完任务（AGENTS.md 设置指南）
针对 GPT-6 Astra 在 Codex 中'逐条读规则、每条都信、并因此中途停手'的特性，本文给出 AGENTS.md 设置指南：与其堆砌硬性约束，不如大幅精简 skills/、hooks/、config.toml 与 agents 配置；并讲清 model_auto_compact、上下文预算等机制，避免模型因陈旧规则在任务完成前自停。
OpenAI 刚刚公开了 GPT-6 Astra 的提示词写法
GPT-6 Astra 更智能却更爱停下提问、过度测试。OpenAI 官方给出五类提示词写法：主动推进把任务执行到底、明确用户指令与技能建议的优先级、减少套话用连贯文字、并行任务时明确子代理分工、让测试与改动范围相匹配。文中附每类完整提示词原文，并建议把长期规则写入 AGENTS.md，提醒超级模型时代应重新扫描旧 Skill。
OpenAI 亲自教你，如何用好 GPT-6 Astra
OpenAI 发布《Rethinking skills and prompts for GPT-6 Astra》教程，核心结论是：面对 GPT-6 Astra 这类强模型，应大幅删减 skills、AGENTS.md 与任务提示词里的硬性规则——指令越多反而越挡住模型发挥。文章点名三个常见误区，说明为何'删提示词'比'堆提示词'更有效。
Anthropic 工程师代码产出提升 8 倍：背后的上下文工程系统
Anthropic 工程师代码产出提升 8 倍，关键不在更好的提示词而在更完整的上下文：文章把上下文拆成记忆、指令、示例、文件、先前操作、工具结果、状态七部分，主张用全局/项目/任务三层栈、AGENTS.md、记忆文件与 MCP 给 Claude 喂足信息。结论直白——提示词只占工作量 1%，上下文工程才是 AI 编码扩产的根本。