arxiv cs.CL 的业界分享，已提炼为实战手册候选
企业 AI Agent 技能描述优化中，仅用一次 LLM 重写（配合正负样本反馈）就能达到 79.2% F1，与人工调优的 79.4% 几乎无差，且将单技能优化时间从 120 分钟降至 3.8 分钟（32 倍加速）。 创意点：构建 Agent 路由系统时，无需复杂的迭代优化 pipeline，直接把 FP/FN 案例喂给 LLM 做一次重写即可；训练-验证 F1 差值大时说明需要架构级介入而非修文本。 原文：https://arxiv.org/abs/2606.30775
这篇候选手册来自公开业界分享的摘要提炼，不转载原文。后续我会补充自己的验证、代码和可复用配置，再升级为正式 playbook。
新 playbook 上线第一时间通知，附作者每周观察。永久免费。
讲清楚什么任务该交给 Claude Code、什么必须自己写。包含 7 个可复制的 prompt 模板和 5 个不该用它的场景。
Agent结合 4 个真实项目，讲每种 agent 模式的适用边界、token 成本、调试体验。带可跑的最小复现代码。
Industry Share研究表明多阶段 prompt chaining 方法在自动化学术报告生成中达到 100% 成功率，相比优化后的单次 prompt 基线（50% 失败率）可靠性显著提升，同时 ROUGE-L F1 分数略优（0.507 vs 0.486）。 创意点：论文证明 prompt chaining 能有效解决复杂生成任务的失败和不一致问题，工程师在做多步骤 AI Pipeline（如报告生成、代码合成、多跳推理）时，可将单一 LLM 调用拆分为多个确定性阶段，显著降低 production 环境的运行时错误率。 原文：https://arxiv.org/abs/2607.27210