OpenAI 把 Codex 编排做成了语言无关的规范。

1. 三 大要素：SPEC.md（规范） + elixir/（参考实现） + WORKFLOW.md（仓内配置）
2. 定位升级：从「管 agent」升级到「管工单」
3. 主循环：拉 tracker → 建 per-issue workspace → 跑 Codex app-server
4. 边界：低密预览版，只跑受信环境，无内置沙箱
5. 设计巧思：host 侧注入 tracker 凭据，主动从 Codex 子进程剔除
6. License：Apache-2.0，可绕过 Elixir 按规范自实现

正交思维是用 两个相互独立 的维度搭起一个二维坐标系，把复杂问题压进几个象限里快速归位。

• 本质：两个维度互不影响，合起来能覆盖大多数场景，类似 XY 轴的平面。
• 核心价值：把 N 维问题压成两维，复杂问题瞬间变清晰。
• 经典案例：四象限矩阵——重要/紧急、波士顿矩阵、Ansoff 矩阵。
• 使用三步：选维度 → 验证独立性 → 在坐标系里定位象限。
• 头号陷阱：维度不独立，相关维度让坐标系塌成一条线。
• 适用边界：超过 4-9 个象限区分不清的场景，硬塞两维会丢信息。
• 与其他框架：MECE 解决"怎么拆"，正交思维解决"怎么搭"成坐标系。
• 一句话：好框架不是分类多，而是用最少的维度覆盖最多的可能。

长对话的 Agent Memory 不是「压缩就行」，是分层管理。

1. 问题核心：summary 平等压缩所有内容，用户核心目标和硬性偏好被一起稀释。
2. Working Memory：类似 system prompt 的常驻字段，永久不参与压缩，守住硬性约束。
3. 分段增量摘要：滚动窗口分段保存，每段打时间戳 + 优先级标签，不合并。
4. 向量数据库兜底：摘要丢细节没关系，原文存向量库按需召回。
5. 多 Agent 方案：Coordinator + Observer + Reflect + Retriever 四角色分工。
6. 场景选型：几十轮轻量对话 / 中长期 / 超长期多工具三档，对号入座。

Prompt 注入是 LLM 时代的新型安全威胁。

• 本质：把恶意指令塞进用户输入，劫持 AI 的决策逻辑
• 核心原理：指令优先级劫持 — 模型分不清系统规则和攻击代码
• 三步攻击：识别 prompt 结构 → 构造 payload → 触发执行
• 与 SQL 注入对比：同样利用边界混淆，攻击目标是 AI 语义，防御成熟度差 20 年
• 防御要纵深：输入过滤 + prompt 分层 + 最小权限 + 上下文沙箱 + 输出检测 + 日志监控
• 反直觉：AI 越智能，被攻破后破坏力越大

AI 写 UI 最大问题是都长一个样。两个 skill 解。

1. 问题：默认审美"通用 slop"（AI 批量产的劣质模板）。
2. taste-skill：67.5k stars，"反 slop" 框架，风格库一键装。
3. Impeccable：49.9k stars，23 个命令 + 7 大模块知识库精细打磨。
4. 配合：风格约束 + 渐进打磨可叠加使用。
5. 安装：一行 npx skills add 即装即用。
6. 背景：都源自 Anthropic 官方 frontend-design skill。

多 Agent 协作系统设计有 8 个核心问题，一次讲透。

1. 角色拆分：决策 / 协调 / 执行三层，权限等级分开
2. 上下文传递：选择性注入 + 笔记本模式，避开上下文膨胀
3. 冲突仲裁：分类 + 证据链验证 + 置信度加权升级
4. 死循环破解：状态机 + 令牌桶 + 仲裁 agent
5. 共享记忆：共识 / 私有分层 + 命名空间隔离
6. 可观测性：监控 + 追踪 + 日志 + 全链路 trace
7. 效果评估：完成度 / 效率 / 经济性，必须 AB 对标
8. 错误恢复：澄清 → 规划校验 → 反思 → 仲裁兜底

多 Agent 不是 1+1>2，先看值不值再上。

pen（原 Pencil）是 AI 驱动的 UI 设计画布——自然语言描述需求，AI 出多页面 UI，Claude Code 直接读懂转 React 代码，设计 + 代码从此一个工具链。

1. 核心定位：自然语言描述需求，AI 自动产出可编辑的多页面 UI
2. 最关键的差异：跨多页风格始终统一，Google Stitch 多页后会漂移
3. shadcn UI 风格：实测效果最好，组件库自动扫描调用
4. Sticky Note 微调：拖个便签写 prompt，省 token 局部改组件
5. Claude Code 闭环：核心卖点——选 frame 直接产出 React + Tailwind，像素级复刻
6. Figma 互通：复制粘贴单个 frame 到 pen
7. Git 版本管理：设计稿是 JSON，跟代码一样 git diff
8. 结论：Claude Code 工作流里，pen 是当下最闭环的选择

RAG 和 Skill 不是替代关系，是解决不同问题的两套机制。混着用很容易踩坑。

1. 本质区别：RAG 按语义检索文档，Skill 按触发词加载流程
2. 必须用 RAG：3 类场景——开放域语料、答案分布广、用户不知道要看哪篇
3. Skill 能替代：3 类场景——知识结构化、触发条件明确、需要本地动作
4. 决策框架：是「检索」还是「执行」？前者 RAG，后者 Skill
5. Claude Code 案例：它用 Skill 不用 RAG，但 Skill 内部可以包 RAG
6. 混合方案：Skill 触发 + RAG 检索子语料，渐进式披露

核心结论：把 RAG 当 Skill 用、或者把 Skill 当 RAG 用，都是常见的设计错误。

多数 AI PPT 工具的"图片式幻灯片"根本改不动,ppt-master 用 SVG→OOXML 输出原生可编辑 PPTX,这是质的差别。

1. 核心差异:多数 AI 工具输出图片,ppt-master 输出原生 PPTX,每个形状动画都是独立可编辑对象
2. 风格覆盖:内置 6 大设计风格,涵盖杂志、数据新闻、瑞士网格、玻璃拟态、孟菲斯、复古印刷
3. 自定义模板:支持导入自己的 .pptx 模板,AI 严格遵循品牌样式规范
4. 数据安全:全本地运行,文档内容不上传服务器,只传输 prompt
5. 模型兼容:Claude / GPT / Gemini / DeepSeek / Kimi 全支持,不挑模型
6. 上手门槛:四步走——安装、配置 API、准备素材、自然语言指令,无需编程

核心结论:可编辑性是 AI 工具替代手工制作的前提,输出图片等于把"最后一步"甩给用户。

三个原因：

1. 信息爆炸：AI 一次吐出的内容远超人能消化的密度，配图塞满模块，看完记不住结论。
2. 宏观对、微观不对：大方向常对得上，细节总差，要反复打磨 prompt。结合上条放大了消耗。
3. 承担更多：AI 让原本不归你干的事也变成了你干的事，加上行业卷效率，总量更大。

三个缓解动作：

1. 加密度上限：配图任务要求"一张图最多 3 个元素"，超出就拆。
2. 前置成功标准：每个 AI 任务先写一句"我需要什么具体结果"，再开工。
3. 明确责任边界：AI 干哪些、你干哪些，不因为 AI 能干就揽过来。