prompt 的撰写技巧只是“术”的层面，不能说不重要，但是更底层的东西“道”，“道”是你的认知层级，思维方式，和看穿本质的能力。“问的问题”本身是最重要的，你问出什么问题，远比你怎么问更致命。因为提问本身就暴露了你思考的天花。

相当于武功里面的，招式 vs 内功，张无忌学的太极拳为啥招式都忘记了，打出来，还那么厉害？

举个例子：
1. “帮我写一篇中国咖啡外卖市场的调研报告。”
2.“我想写一篇关于中国咖啡外卖市场的调研报告。请帮我分析一下市场规模、主要玩家（瑞幸、星巴克、Manner）的商业模式和优劣势，并预测一下未来的发展趋势。”
3. 见图

白天又在工作场景里深度用了一天 Fable 5 ， 有种去年 10 月份 Opus4.5 发布时候的感受，

体感上 Fable 5 这应该是个非常大的模型，厚重、稳定、聪明，语言表达精准、优美、克制，聊起来非常痛快，

还特别有主见，经常坚持自己的想法，关键是有些场景你会发现它的坚持是对的，是我自己确实没想到，这种感觉在整个仓库级别的架构设计、大规模重构、跨仓库联动的时候尤其明显，非常精准，

而且速度快得离谱，比 Opus 4.8 快多了，不知道是不是在这个模型上加大了算力，今天再回头用 4.8，跟弱智一样，

贵是有道理的，有机会的话，强烈建议大家都去用一下。

Claude Fable 5 的表现令我震惊，解决了一个困扰了我很久的难题，

孩子的太空教育项目有一个宇宙尺度级别的演示环节，从银河系出发，到附近的星系、本星系团、室女座超星系团、拉尼亚凯亚超星系团，一直拉到可观测宇宙的尺度，这个东西相当庞大复杂，之前用 Opus 4.8/4.7/4.6，GPT-5.5/5.4 来回折腾了很久，反反复复，要么做出来物理参数全对但没法给小孩看，要么视觉上太假太糙，不够直观不够震撼，总之就是达不到”小孩看了会’哇’“的那个标准，只能凑活的看，凑活着理解，

但 fable 5 一次性搞定了，40 分钟，效果非常的丝滑、顺畅，视觉效果牛的一批，

当然这里面很重要的一点就是 prompt 一定要告诉他目标是什么，什么样的效果是好的

在复杂架构设计方向，Opus 4.8 还是打不过 GPT-5.5，但这次新出的 Ultra Code 模式，很值得大家去试，效果非常好。

我拿 GPT-5.5 Pro 做的架构设计，让 Opus 4.8 Max 去挑毛病，基本一个 bug 都找不出来，

但一切到 Ultra Code，它会为了“找 bug、找设计漏洞”这件事，动态拉起一个 workflow，专门编排一套多 agent 流程去干，结果完全不一样，bug 一个接一个被挖出来，还能挖好几轮，GPT-5.5 Pro 已经改了好几轮了，

单模型能力没赢，但借助工程编排能力，采用大量的算力、loop 循环对抗验证后，把 Opus 单打独斗时根本使不出来的劲，硬生生逼了出来，效果也是真的好！

Anthropic 这套操作其实很常规，业界冒出好的设计模式，它就很顺手地“抄”进来。OpenClaw 那种手机端多 channel 联动，后来成了 Claude Code channels 加 Telegram 插件，Hermes 那种动态 DAG 的多 agent 编排，这次也进了 4.8 的 dynamic workflow，也就是这个 UI 非常炫酷的 Ultra Code 模式。

这件事再一次证明，模型能力再强，真到高难度、要稳定交付的地方，最后扛事的还是工程能力，也就是现在越来越重要的 harness 工程。

对我们自己设计 Agent 也一样，不能只指望模型自由发挥，关键任务还是要拆 workflow、定角色、做反复校验、把不确定性压进工程框架里。

最终效果 = model + harness。

Opus4.8 语言混乱的问题还没解决，说话看不懂已经比 Opus4.7 强多了，但是还比不上 Opus4.6 ，

纯 coding 能力的突飞猛进，带来了语言能力的下降，看来 Anthropic 最近被逼的压力很大，为了赶时间，没能平衡好模型各个维度的性能， 乱了自己的节奏的感觉

Claude Code Agent Teams 的实现方案架构图，很形象，模拟人类的小团队的分工协作机制。

团队创建、任务分工（task list）、成员相互沟通（mailbox）、权限隔离（permittion）、质量检查（hooks） 等

未来 Agent 的组织结构，会越来越像人类的组织结构 ！

今日发现 Hermes Agent 的 Kanban 设计的很精彩，它不是简单给多个 Agent 提供一个共享文件，而是把“人类组织协作机制”抽象成了 Agent Runtime 中的底层支持，

多个 Agent 虽然上下文彼此隔离，但通过共享任务状态、交付物、评论、依赖关系和运行记录，依然能够像真实团队一样协作推进同一个目标，

这本质上非常像人类敏捷研发中的 Scrum 站会机制，产品、设计、开发、测试并不共享彼此完整上下文，但会围绕同一个任务卡片、验收目标和阻塞问题持续同步，

Hermes Kanban 做的，其实是把这套“组织协作协议”原生搬进了 Agent Teams 中，而且实现了一个非常精彩的产品闭环。

多 Agent 系统最终拼的 ，可能不是模型能力 ，而是 Agent 之间的组织协作能力 ！

这两天做 Agent 开发选型，一个很强的体感是：Agent 的主战场正在从 Python 转向 TS，

更准确地说，变化不只是语言迁移，而是这一代 Agent 的核心能力开始从“模型调用”转向“执行系统”，

过去很多 LLM 应用主要围绕 RAG、Prompt 编排、embedding、数据处理和模型服务展开，所以 Python 是天然主场，

但现在的“执行型 Agent ”要进入真实工作环境，要接 CLI、IDE、文件系统、terminal、权限审批、流式事件、插件系统、任务恢复和多轮执行，

这背后就是近期火爆的的Agent Harness，

Agent Harness 可以理解为包在模型外面的一层执行底座：它负责上下文管理、工具调用、状态保持、权限控制、任务循环、错误恢复和人类审批，把一个只会生成文本的模型，变成一个能持续推进任务的软件执行体。

这也解释了为什么 Claude Agent SDK、Codex SDK、OpenCode、Pi 这些新一代 Agent 框架越来越偏 TS，

TS 适合做类型清晰的 SDK 边界，Node 适合处理事件流、子进程、CLI、IDE 和 Web UI，npm 生态又方便快速分发插件和工具，

再叠加几家领先 AI 公司早期产品选型带来的路径依赖，文档、示例、插件、社区贡献都开始向 TS 聚集，

所以Agent 从模型应用走向任务执行系统之后，台前运行层的技术栈发生了迁移，

Python 还会继续留在模型层、RAG、数据处理和评测体系里，但执行型 Agent 的宿主层，TS 正在变成更自然的选择，

Node 这波也挺有意思，绕了一圈，居然在 Agent 时代又杀回来了，

技术没有高低，但生态有先后，

这一次，Python 可能真的要从 Agent 框架的台前，退到幕后了！

我们这一代的竞争，本质上还是和自己的同类，自己同等段位的人类竞争，无论怎么加持 AI，

而我们的孩子呢，却极有可能变成直接跟 AI 竞争，而不是那个时候的人了，

如果真的是这样，对孩子的改怎么教育，还去报这么多的培训班，把成绩提高点？

上周刚发表的一篇论文 WildClawBench 的评测结果指出，同样的模型在不同 harness 下的效果差异非常大，如下图，

开源 Agent 框架对开源模型的适配非常好，最差的就是 claude code ， 你看看身边有多少使用 claude code 的 Agent，把模型更换成国产开源模型的，看到这个是不是得哭了，

当然，gpt-5.4 在 codex 的加持下分数还是最高的，这里可以推演到 Opus4.7 在 claude code 下应该分数也不低，只有对模型足够了解，且为模型做充足的适配， 效果才能好！

codex 的用户，不需要图片理解的编码任务，优先使用 5.3-codex-Spark xhigh ，速度快到令你怀疑一切！