深度文章

Claude 不断攻克我们的一道性能工程 take-home 技术题；我们从三轮迭代中学到了什么。

按类别整理我在 Claude Code 中使用的自定义斜杠命令，以及它们如何加快我的工作流。

美团 LongCat-Flash-Thinking-2601 的体验测试全面评估了模型的能力，包括工具调用、基础推理和视觉理解。测试发现，该模型在工具类网页开发上表现亮眼，如水印处理工具功能完整交互丝滑，复利计算器UI专业图表实时，公众号排版工具核心功能跑通，实用性强；部分游戏实现出色，如技能五子棋完成度高逻辑清晰。然而，基础推理频繁出错，立体几何推理过程有幻觉，推理陷阱题被套，字符串反转乱序

AI 编程工具没有状态，每个会话都要重新开始。解决办法不是把一切都塞进 CLAUDE.md，而是构建分层上下文系统：让经验沉淀在文档里，由专业智能体按需加载。

用可视化方式回顾 Claude Code 工具九个月的演进历程。从 MCP 到斜杠命令、智能体与 Skills，理解每一种工具背后的设计理念。

基于社区 Claude Code 入门长文转写，整理规划模式、CLAUDE.md、上下文管理、提示词、MCP、Hooks 和自动化工作流的实用方法。

全面掌握 Claude Code 的 Skills 系统：了解斜杠命令的工作方式、可用的内置技能，以及如何为自己的工作流创建自定义 Skills。

让智能体变得有用的能力，也让它们难以评估。能够在不同部署中奏效的策略，会组合多种技术，以匹配被测系统本身的复杂度。

MiniMax-M2.1在编程相关基准测试中提升了性能，体验测试覆盖了六大板块。在大数计算中，模型响应虽慢但结果正确；立体几何推理准确；视频理解在多模态测试中为强项。具体数据表明，模型在黄金矿工、太空射击等代码任务完成度高，但3D场景如体素花园全面翻车。测试包括OCR识别、图像理解等，提供完整prompt供参考。

Steve Klabnik 写给软件开发者的 Claude 入门指南：先理解工具、从只读对话开始，再逐步过渡到更复杂的问题。

智谱GLM-4.7是智谱AI 2025年中的旗舰大模型，主打Agentic Coding能力。本次测试评估了其综合表现，结论显示模型在基础推理、创意写作及调研分析等任务上具备扎实且稳定的能力，尤其文本理解与创意生成表现亮眼。然而，在复杂代码生成（如3D场景渲染）与多模态视觉理解等任务上存在明显短板，指令遵循也偶有偏差，距离其宣称的“新标准”尚有差距。

Claude Code Skills 能把重复流程封装起来，让 Claude 自动审查代码、落实项目约定，并帮助团队保持一致的质量标准。

评测分析了阿里qwen3-max-preview-think模型在实际应用场景中的适用性。该模型在需要深度推理的场景如Agent任务中表现突出，Agent能力提升22.7%，但响应时间延长至182秒，对实时性要求高的应用构成制约。成本敏感场景需谨慎考虑，每千次调用费用86.8元，远高于非思考版本。语言理解能力下降可能影响指令执行，专业领域如教育、金融表现下降，适合特定推理任务而非通用实时交互。

通过一系列测试用例，谷歌gemini-3-flash-preview的表现数据被详细记录和分析。数学推理中，大数乘法计算错误，但空间推理和逻辑陷阱题正确；文本处理如字符串反转和语义判别准确无误；创意内容质量高，职场话术贴合语境；多模态能力方面，OCR识别复杂表格准确，视频理解不错。然而，大数口算翻车，视频细节识别不足，这些数据揭示了模型在特定任务上的可靠性和局限性。

阿里qwen-plus-think-2025-12-01的实测结果为评估其实际应用价值提供了参考。模型在教育、法律、金融及医疗等垂直领域的任务准确率普遍下滑，这可能影响其在相关场景下的输出可靠性。成本的增加与性能的回落并存，使得其在当前竞争激烈的模型市场中定位显得复杂。值得注意的是，agent能力的提升表明模型在工具调用与任务执行方面进行了优化，这或许预示着其在自动化流程类应用中的潜在优势

本次实测聚焦MiniMax-M2.1在各能力维度的具体变化。模型在金融（+11.1%）、法律（+5.6%）、Agent（+5.4%）等多个垂直领域准确率显著提升，但在语言与指令遵从能力上下降了3.2%。这表明新版在强化专业领域表现的同时，在基础语言理解上存在一定的性能权衡。

智谱 GLM-4.7 实测表明，新版本在编程专用模型中实现了多维度性能提升。相比 GLM-4.6，准确率从 68.1% 升至 71.5%，排名上升至第五位。在推理与数学计算、教育、医疗与金融等领域的准确率均有显著增长，分别提升 6.0、5.1、6.0 和 6.5 个百分点。语言理解能力也改善 4.7 个百分点，但 Agent 与工具调用能力略有下降 1.8 个百分点，显示模型在整体优化中存在权衡。

过去几个月里，Claude Code 悄然成为普通开发者能够接触到的、最受关注且应用最广泛的真实智能体系统之一。

本次评测基于约1.5万道测试题，量化分析了MiMo-V2-Flash模型的关键性能指标。思考模式平均耗时81秒，单次调用消耗约3994个token；非思考模式耗时59秒，消耗1299个token。其思考模式总分准确率为62.0%，在当前主流模型中排名第55位，与部分顶尖商用模型存在约10个百分点的差距，但在同档位开源模型中处于中等水平。