标签：提示词工程

Hello-Agents：69K Star 的《从零开始构建智能体》——Datawhale 出品的中文 Agent 系统性实战教程
Hello-Agents——《从零开始构建智能体》开源教程

项目简介

Hello-Agents 是 Datawhale 开源社区出品的系统性智能体（AI Agent）中文实战教程——《从零开始构建智能体》，16 章内容从智能体原理、经典范式（ReAct / Plan-and-Solve / Reflection）一路讲到自研 Agent 框架、记忆与 RAG、MCP 通信协议、Agentic RL 训练与多智能体综合项目，目标是带你从大语言模型的”使用者”蜕变为智能体系统的”构建者”。目前已斩获 69,381 Stars，并曾登顶 GitHub Trending，是当下最热门的中文 Agent 学习资源之一。

与 Dify、Coze、n8n 这类”流程驱动”的低代码 Agent 平台不同，Hello-Agents 的重心是教你构建 AI 原生（AI Native）智能体——真正以 LLM 推理驱动决策的 Agent。教程配套自研轻量框架 HelloAgents（基于 OpenAI 原生 API 从零实现），让你兼具”用轮子”与”造轮子”的能力。

安装要求和过程

环境要求
- Python 3.10+（具备基础 Python 编程能力即可，无需模型训练背景）
- 任意一个 LLM API Key（OpenAI 兼容接口，如 DeepSeek、通义千问、GLM 等国产模型均可）
- 可选：Jupyter Notebook / VS Code，用于运行配套代码
快速开始
```
# 1. 克隆仓库（含全部 16 章文档 + 配套代码）
git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents

# 2. 安装自研教学框架 HelloAgents（V1.0.0）
pip install helloagents

# 3. 配置模型 API（OpenAI 兼容接口均可）
export LLM_API_KEY="your-api-key"
export LLM_BASE_URL="https://api.deepseek.com/v1"

# 4. 跟随章节运行 code/ 目录下的配套代码
```
不想装环境？可直接在线阅读：国内加速站 | GitHub Pages；官方还提供带 Datawhale 水印的免费 PDF 版本下载。

核心功能
- 16 章完整学习路径：五大部分层层递进——智能体与 LLM 基础 → 亲手实现 ReAct / Plan-and-Solve / Reflection 经典范式 → 记忆·RAG·上下文工程·通信协议等高级技术 → 综合案例 → 毕业设计，每章配可运行代码。
- 自研教学框架 HelloAgents：不依赖任何重型框架，基于 OpenAI 原生 API 从零构建 Agent 框架，穿透 LangGraph / AutoGen 等框架表象理解底层原理。
- Agentic RL 训练实战：第十一章覆盖从 SFT 到 GRPO 的 LLM 训练全流程，是少有的把”训练智能体模型”讲透的中文教程。
- MCP / A2A / ANP 协议解析：系统讲解智能体通信协议，配合智能旅行助手案例演示 MCP 与多智能体协作的真实应用。
- 丰富的 Extra 番外篇：Agent 面试题总结、GUI Agent / Web Agent 实战、Agent Skills 与 MCP 对比、Agent 自进化、Skill 写作最佳实践等 13+ 篇社区共创内容持续更新。
典型使用场景
1. 系统学习 Agent 开发的工程师/学生：按五大部分循序渐进，从手写 ReAct 循环到构建自己的多智能体应用，毕业设计产出可写进简历的完整项目；番外篇的 Agent 面试题总结对求职者尤其实用。
2. 复现深度研究智能体（DeepResearch Agent）：第十四章手把手复现自动化深度研究智能体，理解 OpenAI Deep Research 类产品的任务规划、搜索、综合报告全链路。
3. 构建多智能体模拟应用：第十五章”赛博小镇”将 Agent 与游戏结合，模拟社会动态，是学习 Generative Agents（斯坦福小镇）范式的中文最佳实践入口。
推荐理由

市面上 Agent 教程要么是框架 API 说明书，要么是零散博客，而 Hello-Agents 是我见过体系最完整的中文 Agent 教程：它不满足于教你调用 LangGraph，而是带你从零造一个框架出来——这种”造轮子”式学习对建立底层直觉极其有效。内容覆盖也足够前沿：上下文工程、MCP 协议、GRPO 训练、Agent 自进化这些 2025-2026 年的热点全部收录，且持续更新。Datawhale 社区运营成熟，配套读者群、视频课共创、社区精选投稿一应俱全，完全免费开源。一周内 Star 从 1 万飙到近 7 万足以说明其质量。给想在”Agent 元年”入场的中文开发者：这就是那本该收藏的教科书。

下载地址
- GitHub 仓库：https://github.com/datawhalechina/hello-agents
- 在线阅读（国内加速）：https://hello-agents.datawhale.cc
- 在线阅读（GitHub Pages）：https://datawhalechina.github.io/hello-agents/
- PDF 下载：GitHub Releases | Datawhale 国内下载
- 自研框架 HelloAgents：https://github.com/jjyaoao/helloagents
项目数据：69,381 Stars | 语言：Python / Markdown | 出品：Datawhale 开源社区（数据截至 2026-07-29）
2026年7月29日
Claude Cookbooks：Anthropic 官方维护的 Claude 实战范例集（50K+ Stars）
Claude Cookbooks 是 Anthropic 官方在 GitHub 上开源维护的 Jupyter Notebook 范例集，已收获 50.4K+ Stars、5.9K+ Forks，MIT 许可证。它像一本持续更新的”Claude 实战菜谱”，用可以直接复制运行的代码片段，手把手教开发者把 Claude API 用到生产里——覆盖文本分类、RAG、工具调用、Agent SDK、Skills、多模态、扩展思考、第三方集成等几乎所有主流场景。

无论是刚接触 Claude API 的新手，还是要把 Claude 嵌入自家产品的资深工程师，都能在这里找到即拿即用的最佳实践。所有 Notebook 都用 Python 写成，但概念同样适用于任何支持 Claude API 的语言。

为什么需要它？

很多人第一次调用 Claude API 只能写出”问个问题拿个回答”的脚本——但生产里要面对的是：结构化输出、上下文管理、长文档解析、Agent 工作流、RAG 检索、工具调用循环、子智能体拆分…这些工程化能力的最佳范式，往往不是 API 文档里那几段示例能覆盖的。Cookbooks 正是 Anthropic 工程师团队把生产经验沉淀下来的”答案库”。

安装要求和过程

环境要求
- Python 3.10+（项目用 uv 管理依赖）
- Jupyter Lab / VS Code Jupyter 扩展
- 一个 Anthropic API Key（前往 anthropic.com 免费注册）
快速安装
```
# 1. 克隆仓库
git clone https://github.com/anthropics/claude-cookbooks.git
cd claude-cookbooks

# 2. 安装依赖（项目使用 uv，也可用 pip）
pip install -r requirements-dev.txt
# 或：uv sync

# 3. 配置密钥
cp .env.example .env
# 编辑 .env 填入你的 ANTHROPIC_API_KEY

# 4. 启动 Jupyter
jupyter lab
```
核心功能

1. 基础能力 Recipes

capabilities/ 目录里包含文本分类、RAG 检索增强、长文摘要、结构化 JSON 输出四大基础用法。每个 Recipe 都配了独立 Notebook，从最小调用示例一路演化到生产级实现。

2. 工具调用与函数集成

tool_use/ 演示了 Claude 如何调用外部工具——从最简单的计算器、SQL 查询，到完整的多步骤客服智能体。这是把 Claude 从”聊天机器人”升级成”可执行 Agent”的关键能力。

3. Claude Agent SDK

claude_agent_sdk/ 是新近加入的官方 Agent SDK 范例，示范如何用 Python SDK 构建可独立运行的智能体应用、调度工具、规划子任务。

4. Agent Skills 技能系统

skills/ 目录展示如何为 Claude 编写模块化技能——把专业能力封装成可复用的 Skills，让 Agent 在不同场景下按需调用。

5. 多模态能力

multimodal/ 覆盖图像理解、图表解读、表单/PDF 内容提取、视觉最佳实践等，配合 Claude 强大的视觉模型可直接处理扫描件、合同、PPT。

6. 扩展思考与设计模式

extended_thinking/ 与 patterns/ 深入推理模式、子智能体协作、提示词缓存、评估驱动开发（Eval-Driven Development）等高阶范式。

7. 第三方集成

third_party/ 给出Pinecone 向量数据库、Wikipedia、VoyageAI Embeddings等流行服务的对接范例，把 Claude 嵌入现有技术栈成本极低。

8. 微调与可观测性

finetuning/ 和 observability/ 提供模型微调与生产链路观测的端到端代码，是把 Claude 部署到线上服务的最后一块拼图。

典型使用场景

场景 1：快速搭建企业知识库 RAG

复制 capabilities/retrieval_augmented_generation 与 third_party/Pinecone 两个 Notebook，半天就能搭起一个基于 Pinecone + Claude 的企业知识问答系统。Notebook 里连如何切分文档、嵌入、检索、重排序、生成都一步步跑通。

场景 2：构建带工具调用的客服 Agent

参考 tool_use/customer_service_agent.ipynb 的代码结构，把你的订单查询 API、退款流程、商品库存接口注册成 Claude 可调用的工具，立即得到一个能回答”我的订单到哪了”的多轮 Agent。

场景 3：批量处理 PDF/扫描件

用 multimodal/ 里的 PDF 解析与表单提取 Recipe，配合 Claude 视觉模型，搭建合同关键条款抽取、发票识别、报告摘要等自动化工作流。

场景 4：评估驱动的提示词迭代

misc/building_evals.ipynb 给出用 Claude 自身来评估另一批 Claude 输出质量的工程范式——适合团队协作打磨生产级 Prompt，让提示词的优化变成可量化、可回归的过程。

推荐理由

用 Cookbooks 这半年，最大的感受是：它不是”玩具示例”，而是真正从生产里长出来的代码。
- 覆盖全面：从基础调用到 Agent SDK，从 RAG 到微调，几乎所有 Claude 应用方向都有现成 Recipe，避免重复造轮子。
- 持续更新：紧跟 Anthropic 的功能发布（比如 Claude 4 系列、扩展思考、Agent SDK、Skills 都是最近几个月加入的新章节）。
- 可读性极强：每个 Notebook 都是”一段说明 + 一段代码 + 一段输出”的节奏，能当教程读，也能当模板抄。
- 社区友好：MIT 许可，欢迎提 PR；CLAUDE.md 里甚至写了让 Claude 帮忙做贡献的指南（meta！）
- 企业可商用：MIT 协议允许商业使用，没有 Apache-2.0 那种专利条款的顾虑。
对国内开发者来说，唯一需要注意的是 Anthropic API 的访问渠道——可以走官方、AWS Bedrock、Vertex AI 或合规中转服务。模型本身支持中文，是 Claude 进军中文 AI 应用开发的官方”最佳实践手册”。

下载地址
- GitHub 仓库：https://github.com/anthropics/claude-cookbooks
- 官方 API 控制台：https://www.anthropic.com
- Claude API 文档：https://docs.claude.com
- Anthropic Discord 社区：https://www.anthropic.com/discord
- 配套免费课程：anthropics/courses
- 许可协议：MIT License
用 Cookbook 抄答案，把 Claude 真正用进生产——这可能是 2026 年最值得收藏的 AI 工程仓库之一。
2026年7月27日
Outlines：15K Star 的 LLM 结构化输出库，让大模型 100% 生成合法 JSON
项目简介

Outlines 是由 .txt（dottxt）团队开源的 LLM 结构化输出（Structured Outputs）库——它在生成阶段就保证大模型输出严格符合你指定的类型或结构（枚举、整数、Pydantic 模型、JSON Schema、正则、上下文无关文法），从根源上消灭”解析失败、JSON 残缺”问题。项目在 GitHub 上已收获 15,200+ Stars，被 NVIDIA、Cohere、HuggingFace、vLLM 等信任并采用，vLLM 的 Structured Output 后端正是基于它的 outlines-core。

一句话：别再用正则和 try/except 去”修补”模型输出了——Outlines 让模型从一开始就只能生成合法结构：model(prompt, output_type)。

安装要求和过程

环境要求
- Python 3.9+（建议 3.10 以上）
- 按需选择后端：本地推理需 transformers / llama.cpp（配相应硬件），或走 vLLM / Ollama 服务端，或直接用 OpenAI / Gemini API（无本地算力要求）
- 操作系统不限，CPU 也能跑（配合 API 或 Ollama）
快速安装
```
# 基础安装
pip install outlines

# 按后端安装可选依赖（示例）
pip install outlines[transformers]   # 本地 transformers 模型
pip install outlines[vllm]           # vLLM 服务
pip install outlines[openai]         # OpenAI API
```
30 秒上手
```
import outlines
from typing import Literal
from transformers import AutoTokenizer, AutoModelForCausalLM

MODEL = "microsoft/Phi-3-mini-4k-instruct"
model = outlines.from_transformers(
    AutoModelForCausalLM.from_pretrained(MODEL, device_map="auto"),
    AutoTokenizer.from_pretrained(MODEL),
)

# 情感分类：输出只可能是这三个值之一
sentiment = model(
    "Analyze: 'This product completely changed my life!'",
    Literal["Positive", "Negative", "Neutral"],
)
print(sentiment)  # "Positive"

# 提取数值：保证返回合法 int
temperature = model("What's the boiling point of water in Celsius?", int)
print(temperature)  # 100
```
核心功能
1. 类型即约束，贴合 Python 类型系统：Literal 做多选一、int/float 做数值、Pydantic 模型/JSON Schema 做复杂对象、正则约束字符串格式、CFG 文法约束复杂语法——一行 model(prompt, type) 全部搞定。
2. 生成期保证合法，而非事后修补：基于约束解码（constrained decoding），在每个 token 采样时就屏蔽非法选项，输出 100% 可被 model_validate_json 解析，不存在破损 JSON。
3. 一套代码横跨所有模型：统一接口支持 transformers、llama.cpp（本地），vLLM、Ollama（服务端），OpenAI、Gemini（API），换模型/换供应商不改业务代码。
4. 函数签名即 Schema 的 Function Calling：把 Python 函数直接当输出类型传入，Outlines 自动从签名推断结构，返回可直接 **kwargs 调用的参数字典。
5. Jinja 提示词模板与可复用应用：outlines.Template 把复杂 Prompt 从代码中分离，支持 few-shot 模板文件复用，方便工程化管理。
典型使用场景

1. 客服工单自动分诊

把自由格式的用户来信一步解析为结构化工单（优先级枚举 / 类别 / 是否需主管介入 / 行动项列表），直接驱动自动路由与升级告警——priority 字段只可能是 low/medium/high/urgent 四个合法值，下游逻辑零防御代码。

2. 电商商品自动归类与信息抽取

批量把商品描述转成 主类目/子类目/属性列表/品牌 结构化数据，喂给库存和搜索系统；同理可做文档分类（财报/合同/技术文档）、事件信息抽取，甚至用 Union 类型优雅处理”信息不足则返回 I don’t know”的兜底。

3. 生产级 Agent / RAG 管道的可靠胶水层

Agent 的工具调用参数、RAG 的引用格式、多步工作流的中间态，全部用 Pydantic 模型锁死结构。vLLM 等推理引擎已内置其核心库，本地部署大模型时开启结构化输出几乎零成本。

推荐理由
- 解决的是 LLM 工程化第一痛点：任何把 LLM 输出接入程序的人都被破损 JSON 折磨过。Outlines 的思路是”让非法输出根本不可能被生成”，比重试+修复的方案优雅一个量级。
- 学习成本极低：会写 Python 类型注解就会用，10 分钟能跑通第一个例子；README 附 6 个可直接抄的生产级示例。
- 学术与工业双背书：源自论文《Efficient Guided Generation for Large Language Models》，NVIDIA、HuggingFace、vLLM、Cohere 都在用，不是玩具项目。
- Apache-2.0 宽松许可：商用无忧；核心 outlines-core 用 Rust 重写，约束编译速度快，生产可用。
- 实测感受：约束解码对本地小模型提升尤其明显——Phi-3 这类 3B 级模型配合 Outlines 做分类/抽取，可靠性直逼裸用大一个数量级的模型，非常适合降本场景。
下载地址
- GitHub 仓库：https://github.com/dottxt-ai/outlines
- 官方文档：https://dottxt-ai.github.io/outlines/
- PyPI：https://pypi.org/project/outlines/（pip install outlines）
- 官方博客：https://blog.dottxt.co/
项目信息（截至 2026-07-23）：15,256 Stars · 809 Forks · Python · Apache-2.0 许可 · 由 .txt（dottxt-ai）团队维护
2026年7月23日
mattpocock/skills：把顶级工程师的经验，打包成 AI 编码智能体的「技能库」
mattpocock/skills 是 TypeScript 布道师 Matt Pocock 日常使用的「AI 编码智能体技能库」——它不教你写 prompt，而是把数十年的工程经验浓缩成一组小而可组合、跨模型通用的 /skills 指令，专门修复 Claude Code、Codex 等编码智能体最常犯的四种失败模式。目前已在 GitHub 收获 17.8 万+ Stars，是近期最火的 AI 工程化开源项目之一。

一、安装要求和过程

环境要求
- Node.js 18+（用于 skills.sh 安装器，npx 一行搞定）
- 一个支持 skills 的编码智能体：Claude Code / Codex / 任意 Agent-Skills 标准 harness
- 可选：GitHub 或 Linear 账号（/triage 技能需要对接 issue 追踪器）
方式一 · 可改副本（推荐，想魔改就选它）
```
npx skills@latest add mattpocock/skills
```
选择要安装的技能与目标 agent，务必勾选 /setup-matt-pocock-skills；随后在 agent 中运行一次该命令完成仓库配置（选择 issue 追踪器、triage 标签、文档存放位置）。

方式二 · Claude Code 原生插件（只读、常新、省心）
```
/plugin marketplace add mattpocock/skills
/plugin install mattpocock-skills@mattpocock
```
装好后再跑一次 /setup-matt-pocock-skills。两种哲学：skills.sh 把技能复制进项目任你改；插件把它们作为只读束订阅更新。

二、核心功能

整套技能围绕「软件工程基本功」展开，把对齐、TDD、架构、评审变成 Agent 拿来即用的小工具：
- 对齐优先：/grill-me 与 /grill-with-docs——动手前先让 Agent 把你「拷问」一遍，并用 CONTEXT.md 沉淀项目共享语言，从根上消除需求歧义与啰嗦。
- 测试驱动与诊断：/tdd（红-绿-重构循环）、/diagnosing-bugs（复现→最小化→假设→插桩→修复→回归），让 Agent 真正跑起「代码运行反馈」闭环。
- 架构纪律：/to-spec、/improve-codebase-architecture、/codebase-design——对抗「一坨烂泥」，鼓励深模块、小接口。
- 流程编排：/implement、/code-review、/research、/wayfinder、/triage——把需求拆成可追溯的工单与规格，并以并行子智能体做「规范 + 标准」两轴评审。
- 可组合、跨模型：所有技能与具体模型解耦，Claude Code / Codex / 其他 Agent 都能用；用户主动触发（User-invoked）与 Agent 自动调用（Model-invoked）两类技能分工清晰。
三、典型使用场景
- 接手新项目前的「对齐会话」：用 /grill-with-docs 先和 Agent 把需求与领域术语聊透，生成 CONTEXT.md；后续每次对话都更省 token、更精准，变量/函数命名也跟着统一。
- 写带测试的新功能：用 /implement 驱动 /tdd，先写失败测试再实现，最后 /code-review 把关——提交前质量稳，回归风险低。
- 拯救腐烂的代码库：定期跑 /improve-codebase-architecture，扫描可深化的模块并生成可视化 HTML 报告，按图索骥重构，避免软件熵增失控。
四、推荐理由

这不是又一个「流程框架」（GSD/BMAD/Spec-Kit 那类会把过程控制权收走），而是把工程基本功变成 Agent 拿来即用的小工具——轻量、可改、不绑架你。最让我惊艳的是 CONTEXT.md 共享语言：用一句话把「section 里的 lesson 被 materialize」说清，代码命名、导航、token 消耗全跟着受益。两种安装方式恰好对应两种心态：想魔改就 fork 副本，想省心就装插件订阅更新。17.8 万 Stars、MIT 协议、几乎零上手成本，强烈建议所有用 Claude Code / Codex 的开发者装一套。

五、下载地址
- GitHub 仓库：https://github.com/mattpocock/skills
- skills.sh 安装页：https://skills.sh/mattpocock/skills
- 作者 Newsletter（更新与新课技能）：https://www.aihero.dev/s/skills-newsletter
许可：MIT ｜语言：Shell/Markdown ｜ Stars：178.9K+ ｜创建于 2026-02，持续高频更新
2026年7月21日
Ponytail：让 AI 编码智能体像最懒的高级开发一样思考，代码量直降 54%
你肯定见过那种人：长马尾、圆框眼镜、在公司待得比版本控制系统还久。你给他看五十行代码，他看都不看，沉默两秒，用一行把它换掉——而且一次跑通。Ponytail 就是把这位”最懒的高级开发”塞进了你的 AI 编码智能体。

它不是一个新模型，也不是一个新 IDE，而是一套规则集 / Skill：在动手写代码前，先逼 Agent 在”懒惰阶梯”上逐级确认——这东西真的需要存在吗？代码库里已经有了吗？标准库能解决吗？浏览器原生支持吗？……直到最后一步才允许写出”最小可用”的代码。结果是在真实 FastAPI + React 仓库上实测：代码量少 54%、成本降 20%、速度快 27%，安全性 100% 不打折。

一、项目简介

Ponytail 是一个跨 20+ AI 编码智能体（Claude Code、Codex、Cursor、Windsurf、Cline、Gemini CLI、Copilot CLI、Aider、Kiro、Zed、Hermes Agent、OpenCode、Qoder 等）的”极简工程规则集”，教 Agent 像最懒的高级开发一样思考——能不写就不写，能复用就复用，用最小必要代码解决问题，同时永不削减安全、校验与可访问性护栏。

二、安装要求与过程

环境要求
- Node.js：Claude Code / Codex 插件会运行两个轻量 Node.js 生命周期 hook，需要 node 在 PATH 上（nix/nvm 用户注意非交互 shell 的 PATH）。没有也没关系——Skill 照常工作，只是常驻激活会保持静默。
- 任一支持的 AI 编码助手：覆盖 20+ 平台，无需统一环境。
- 零配置：不需要任何配置文件；可选 ~/.config/ponytail/config.json 或 PONYTAIL_DEFAULT_MODE 环境变量设置默认强度（lite/full/ultra/off，默认 full）。
快速安装（以 Claude Code 为例）
```
/plugin marketplace add DietrichGebert/ponytail
/plugin install ponytail@ponytail
```
⚠️ 两条 /plugin 命令需分两次发送才能生效。

其他平台的极简安装：
- Codex：codex plugin install ponytail@ponytail
- Cursor / Windsurf / Cline：复制仓库里的 .cursor/rules/ponytail.mdc（或对应 rules 文件）到项目
- Gemini CLI：gemini extensions install https://github.com/DietrichGebert/ponytail
- OpenCode：在 opencode.json 加 {"plugin":["@dietrichgebert/ponytail"]}
- Hermes Agent：hermes plugins install DietrichGebert/ponytail --enable
- 更多（Kiro、Zed、Qoder、Pi、Devin、OpenClaw、Amp、Jules、Swival、CodeWhale…）见仓库 docs/agent-portability.md
三、核心功能

1. 七阶”懒惰阶梯”（Ladder of Laziness）

在写代码前，Agent 会停在第一个成立的台阶上：
```
1. 这东西需要存在吗？      → 不需要：跳过（YAGNI）
2. 代码库里已经有了？      → 复用，别重写
3. 标准库能搞定？          → 用它
4. 平台原生能力？          → 用它（比如 <input type="date">）
5. 已安装的依赖里有？      → 用它
6. 一行能解决？            → 一行
7. 只有到这步才：写最小可用
```
关键是它在”理解问题之后”才跑这把梯子：先读被改动触碰的代码、追真实的调用流，再选台阶。对”怎么解”偷懒，但对”读懂”绝不懈怠。

2. 四档强度 + 子代理注入

/ponytail [lite|full|ultra|off] 切换力度，ultra 留给”这个代码库个人得罪了你”的时刻；规则集会自动注入通过 Agent 工具派生的每一个子代理（可用 PONYTAIL_SUBAGENT_MATCHER 正则按 agent 类型做白名单）。

3. 六个专门命令（Skills）
- /ponytail-review：审查当前 diff 的过度设计，直接给你一份”删除清单”
- /ponytail-audit：不止看 diff，全仓审计过度工程
- /ponytail-debt：把延后的 ponytail: 捷径汇总成账本，防止”以后再说”变”永远不做”
- /ponytail-gain：展示 benchmark 实测的收益记分牌
- /ponytail-help：命令速查
4. 懒而不怠（Lazy, not negligent）

信任边界校验、数据丢失处理、安全、可访问性，永远不在削减之列。这也是它和裸”写一行代码”提示最根本的区别——后者在基准测试里安全性从 100% 掉到了 95%。

5. 极致的可移植性

同一套规则用 20+ 平台的原生格式分发：Claude Code 插件、Codex 插件、Cursor rules、Windsurf rules、.clinerules、AGENTS.md、.kiro/steering、.qoder/rules、Gemini extension、OpenCode 插件、Hermes 插件、OpenClaw skills、Copilot instructions……你在不同工具间切换，规则无缝复用。

四、典型使用场景

场景 1：过度膨胀的日期选择器

你只想要个日期选择。普通 Agent 会装 flatpickr、写 wrapper 组件、加样式表、顺带开一场关于时区的讨论。Ponytail 下：
```

<input type="date">
```
实测：日期选择器从 404 行降到 23 行，颜色选择器 287 → 23——因为它伸手去够原生的 <input>，而不是搬一个组件库进来。

场景 2：真实仓库的 feature 开发

作者用无头 Claude Code 编辑真实 FastAPI + React 仓库（tiangolo 的全栈模板），跑 12 个真实工单，同一 Agent 开/关 Ponytail 各 n=4（Haiku 4.5）对比：

对比项代码量 Token 成本耗时安全

Ponytail -54% -22% -20% -27% 100%

裸”YAGNI+一行”提示 -33% -14% -21% -30% 95%

Ponytail 是唯一一个每项指标都下降、且全程 100% 安全的方案。省下的成本和延迟只是”顺手”的副作用。

场景 3：代码审查与技术债治理

提 PR 前跑 /ponytail-review，让它帮你揪出过度工程化的代码并给出删除清单；/ponytail-audit 做整仓体检；/ponytail-debt 防止”以后再说”变成”永远不做”。这比人工 code review 更狠，也更不近人情——但代码更健康。

五、推荐理由（个人心得）
- 哲学站得住脚：它从没把”最少 token”当目标，目标是”只写任务真正需要的”。代码小是因为必要，不是因为炫技压缩。这点戳中了我——太多”极简”提示是以砍掉边界校验为代价的。
- 数据诚实得罕见：作者主动承认早期单轮 benchmark 有基线水分，老老实实用 agentic 基线重测，给出均值 -54% 而不是挑最好看的数字。这种克制在开源圈不多见。
- 跨平台分发太香：我同时在 Claude Code 和 Cursor 之间横跳，同一套规则零摩擦复用，不用维护两份 prompt。
- 该狠的地方真狠：review / audit / debt 三个命令简直是”代码洁癖患者”的福音。
当然也有边界：对已经极简的代码它收益趋近于零；在会”深思熟虑每一步”的 terse 推理模型（如 GPT-5.5）上，反而可能因思考 token 增加而变慢——所以它最擅长的是那些”爱过度构建”的 Agent。一句话：把 Ponytail 交给爱加戏的 Agent，把自由留给真正需要创造力的你。

六、下载地址
- 🌐 官网：https://ponytail.dev
- 🐙 GitHub：github.com/DietrichGebert/ponytail
- 📦 npm：@dietrichgebert/ponytail
- 📊 基准与复现：仓库 benchmarks/ 目录
许可证：MIT ｜语言：JavaScript ｜当前 Star：85K+
2026年7月18日
Hallmark：一个”拒绝 AI 味”的设计技能，让 Claude Code / Cursor / Codex 产出不像模板套出来的页面
一、项目简介

Hallmark 是由 Together AI 开源的一个「设计技能（Skill）」，专门给 Claude Code、Cursor、Codex 这类 AI 编程助手注入一套反”AI 味”（Anti-AI-slop）的设计规则：它会为目标自主挑选宏观结构、从 20 套主题中”着装”、跑 57 道”烂大街”检测闸门加一遍自检，让产出的页面彼此像不同的网站，而不是同一套模板换色。

二、安装要求和过程

环境要求：Node.js（用于 npx）、并安装 Claude Code / Cursor / Codex 中的任一 AI 编码助手；也可以纯拷贝文件手动安装，无需额外依赖。

快速安装（推荐）：
```
npx skills add nutlope/hallmark
```
随时重新运行即可更新到最新版本。若不想走 npx，也可手动把仓库里的 SKILL.md + references/ 拷贝到对应目录：
- Claude Code：~/.claude/skills/hallmark/
- Cursor：.cursor/rules/hallmark.mdc（取 SKILL.md 正文，无需 frontmatter）
- Codex：~/.codex/skills/hallmark/（个人）或 .codex/skills/hallmark/（项目级）
三、核心功能
1. 四大”动词”工作流：默认直接构建新 UI；audit 给现有代码打分挑刺（只列清单不改代码）；redesign 推倒结构、保留文案/信息架构/品牌后重塑；study 从你欣赏的设计里提取”DNA”（宏观结构、字体配对、色彩锚点），并明确拒绝像素级抄袭与付费模板，可输出可移植的 design.md。
2. 57 道反 AI-slop 检测闸门 + 发布前自检：拒绝每个 LLM 都被训练进的”分布内默认项”——渐变紫、玻璃拟态、千篇一律的圆角卡片网格。
3. 20 套主题 + 宏观结构引擎：针对每个 brief 自主挑选主题、结构与工艺，不同需求产出截然不同的页面形态，而非同一模板的换色。
4. Custom 自定主题（新增）：当创意意图超出目录主题时，切换为 Custom 从零设计——量身配色、字体与排版，同样受 57 道闸门约束，底层无模板。
5. 自包含产物 + 可移植：每个页面都是独立的 HTML + CSS，并在 CSS 注释中盖戳宏观结构；study 还能导出 design.md 交给其他 AI 工具接力。
左：Distil 内容抽取 API ｜右：Cold Snap 唱片厂牌 —— 不同 brief，完全不同的气质

四、典型使用场景
1. 给新产品做落地页 / 官网原型：输入一句 brief（如”一个酸面团 App 的首页”），Hallmark 直接产出有独特气质的 hero 页，而不是 ChatGPT 默认那种蓝色渐变卡片。
2. 给”AI 味”过重的现有页面做体检与改造：用 audit 给老页面打分列出顽疾清单，再用 redesign 保留文案与品牌、推翻结构重做，得到截然不同的”指纹”。
3. 向优秀设计”借 DNA”而不抄袭：把竞品或灵感图的截图 / URL 喂给 study，提取其结构、字体与配色锚点用于自己的项目，且明确拒绝像素克隆与付费模板。
五、推荐理由（个人使用心得）

做 AI 辅助前端最破防的就是”一眼 AI 生成”——紫渐变、玻璃卡片、无限圆角。Hallmark 把资深设计师的”反套路直觉”固化成可复用的规则集，等于给编码助手配了个审美总监。它最妙的地方是”同样的指令、不同的 brief，产出像不同站点”，这对想快速产出有辨识度原型的独立开发者 / 小团队太香了。MIT 许可、一键 npx 安装、可移植 design.md，几乎零门槛。

注意：它是”设计技能”而非独立 App，需要搭配 Claude Code / Cursor / Codex 使用；审美风格偏编辑 / 杂志 / 独立品牌感，若你要的是中规中矩的企业后台风，它可能”太有性格”。

六、下载地址
- 官网 / 在线 Demo：https://www.usehallmark.com
- GitHub 仓库：https://github.com/Nutlope/hallmark（⭐ 11.6K · MIT）
- 安装命令：npx skills add nutlope/hallmark
2026年7月17日

对比项	代码量	Token	成本	耗时	安全
Ponytail	-54%	-22%	-20%	-27%	100%
裸”YAGNI+一行”提示	-33%	-14%	-21%	-30%	95%

标签： 提示词工程

Hello-Agents：69K Star 的《从零开始构建智能体》——Datawhale 出品的中文 Agent 系统性实战教程

项目简介

安装要求和过程

环境要求

快速开始

核心功能

典型使用场景

推荐理由

下载地址

Claude Cookbooks：Anthropic 官方维护的 Claude 实战范例集（50K+ Stars）

为什么需要它？

安装要求和过程

环境要求

快速安装

核心功能

1. 基础能力 Recipes

2. 工具调用与函数集成

3. Claude Agent SDK

4. Agent Skills 技能系统

5. 多模态能力

6. 扩展思考与设计模式

7. 第三方集成

8. 微调与可观测性

典型使用场景

场景 1：快速搭建企业知识库 RAG

场景 2：构建带工具调用的客服 Agent

场景 3：批量处理 PDF/扫描件

场景 4：评估驱动的提示词迭代

推荐理由

下载地址

Outlines：15K Star 的 LLM 结构化输出库，让大模型 100% 生成合法 JSON

项目简介

安装要求和过程

环境要求

快速安装

30 秒上手

核心功能

典型使用场景

1. 客服工单自动分诊

2. 电商商品自动归类与信息抽取

3. 生产级 Agent / RAG 管道的可靠胶水层

推荐理由

下载地址

mattpocock/skills：把顶级工程师的经验，打包成 AI 编码智能体的「技能库」

一、安装要求和过程

二、核心功能

三、典型使用场景

四、推荐理由

五、下载地址

Ponytail：让 AI 编码智能体像最懒的高级开发一样思考，代码量直降 54%

一、项目简介

二、安装要求与过程

环境要求

快速安装（以 Claude Code 为例）

三、核心功能

1. 七阶”懒惰阶梯”（Ladder of Laziness）

2. 四档强度 + 子代理注入

3. 六个专门命令（Skills）

4. 懒而不怠（Lazy, not negligent）

5. 极致的可移植性

四、典型使用场景

场景 1：过度膨胀的日期选择器

场景 2：真实仓库的 feature 开发

场景 3：代码审查与技术债治理

五、推荐理由（个人心得）

六、下载地址

Hallmark：一个”拒绝 AI 味”的设计技能，让 Claude Code / Cursor / Codex 产出不像模板套出来的页面

一、项目简介

二、安装要求和过程

三、核心功能

四、典型使用场景

五、推荐理由（个人使用心得）

六、下载地址

标签：提示词工程