深度文章

基于社区 Claude Code Skills 经验文转写，梳理 Skills 的适用类型、编写方法、分发机制和团队治理思路。

智谱 GLM-5-Turbo 实测数据显示，测试题数约1.5万，总分准确率71.5%，平均耗时52秒，平均token消耗2934，每千次调用花费60.8元。与GLM-5版本相比，准确率微升0.5%，响应时间从130秒缩短至52秒，提速约60%，token消耗减少17.8%。输出价格从18.0元/百万token上调至22.0元/百万token，总成本基本持平，体现了速度与效率的改进。

Claude Code Skills 的核心问题，是 Token 预算溢出会在 Claude 读取之前悄悄丢弃 Skill 描述。标签：AI、公开构建、Web 开发、生产力。

Claude Code 的 /btw 命令让你可以在主任务继续运行时，通过浮层提出题外问题。本文介绍它如何融入真实工作流。

本文对谷歌Gemini 3.1 Flash-Lite进行了全面体验测试，重点评估其在文本理解、创意写作、代码生成和逻辑推理等方面的能力。测试显示，该模型在文本理解和创意写作上表现扎实，语义判别和创意任务完成度高；实物识别与OCR能力可靠；基础逻辑推理能处理常规问题。然而，在前端代码生成、空间推理和事实准确性方面存在明显短板，如游戏开发频繁缺失机制，复杂逻辑题失败，以及深度调研中的幻觉问题。

我对 Claude 的 100 万 Token 上下文窗口做了实验。长会话的成本高出 3 倍，检索能力也会随上下文规模扩大而下降。本文说明它究竟在什么情况下值得使用。

我得承认，刚开始使用 Claude Code 时，我基本忽略了内置 Skills。网上所有人都在说“去创建你自己的 Skills”，于是我照做了。我为各种事情编写自定义 Skills，也确实靠它们完成了不少工作。

OpenAI GPT-5.4的非推理模式测试评估了该模型在关闭深度思考后的综合能力表现。测试显示，模型在创意写作和代码生成方面表现出色，能够快速生成多种风格的内容和可运行的代码，稳定性突出。然而，在抽象视觉推理、复杂3D场景和数学计算方面存在明显短板，尤其是视觉推理题几乎全部失败。整体而言，GPT-5.4非推理模式是一个“文强理偏”的高速选手，适合速度优先的场景，但不适合硬核推理任务。

可直接用于 Claude Code 的提示词模板，涵盖代码生成、调试、重构、测试、文档等场景。

学习在 Claude Code 中编写提示词的基础：结构、清晰度、上下文，以及如何让 AI 交付你真正想要的结果。

一个 CLI 调用所有 Google Workspace API，输出 JSON，还能与 Bash 顺畅配合。本文介绍作者如何用 gws 取代两个 MCP 服务器，以及这对 AI 智能体工作流意味着什么。

使用代码审查插件作为完整示例，实战构建 Claude Code 自定义斜杠命令，涵盖分支分析、Markdown 报告和反馈实施工作流。

OpenAI GPT-5.4非思考模式实测表明，该模型在关闭深度思考后以快速响应为核心，相比前代在中文场景下整体能力提升。语言与指令遵从维度大幅改善达10.2%，教育、金融等专业领域多数维度得分增长，但Agent与工具调用略有回调，可能与推理深度不足有关。评测显示非推理模式在速度敏感任务中表现稳健，原生Computer Use等能力可用，适配轻量级交互需求。

GPT-5.4的实测数据显示其在性能与效率上实现了显著平衡。模型在约1.5万道中文评测题中平均准确率达72.6%，每次调用平均耗时24秒，平均消耗1364 tokens，每次调用成本约为1.22元。相较于上一代模型，其在教育、金融、语言指令遵从及Agent工具调用等领域的准确率均获得超过5%的提升，响应时间缩短约12秒，体现了全面的优化迭代。

OpenAI GPT-5.3-chat的更新明确指向日常对话场景的实用优化。通过减少模型不必要的拒绝行为、降低幻觉率并整合更优质的搜索结果，该版本在中文环境下展现出更强的综合能力。评测数据证实，其在法律、医疗、金融等多个垂直领域的应用表现均有提升，平均准确率提高13.7个百分点，尽管响应时间有所延长，但整体回复质量得到改善。

本文对谷歌Gemini 3.1 Flash-Lite进行了实测，重点评估其在中文场景下的综合能力表现。测试显示，该模型在医疗、金融和法律等垂直领域的准确率显著提升，分别达到75.6%、76.3%和67.7%，较上一代模型有较大改善。然而，语言与指令遵从能力回调至42.2%，可能反映架构优化中对中文复杂指令处理的权衡。整体上，模型在专业理解方面进步明显，但指令遵从性需进一步观察。

在 BrowseComp 上评估 Opus 4.6 时，我们发现模型在一些案例中识别出了测试，随后找到并解密了答案，这引发了关于联网环境中评测完整性的问题。

Claude Code Skills 与智能体如何把重复劳动变成可复用工作流：19 个智能体、自动加载 Skills 以及真实示例。

本文对阿里Qwen3.5-Plus大模型进行了全面体验测试，重点评估其多模态理解与综合能力。测试表明，该模型在OCR识别、基础逻辑推理及中等复杂度代码生成（如五子棋、计算器）方面表现扎实，多模态感知与长上下文处理能力达到宣称的高水平。然而，在高复杂度前端工程实现、高审美要求的UI设计生成以及嵌套较深的逻辑陷阱识别上，模型仍存在明显不足，显示出其当前的能力边界。