Crypto36

[Berryxia.AI @berryxia]

Claude 每天搞花活，今天又推出Claude Manged Agents 。

宝玉老师详细了总结了其核心内容，我给大家来个一图流。

[币世王 🦅 @0xKingsKuan]

Claude Max 用户哭了！Anthropic 官方不给的消费明细被我 3 分钟搞定（��省 2000+ 元）

最近 Max 计划（20x）用得飞起，可每次打开 Claude 网页，只有一个可怜的进度条告诉我还剩多少。到底用了多少 token？花了多少钱？哪个项目最吃 token？用了哪个模型最贵？

官方一个字都不说！

我快被逼疯了，直到刷到这个 GitHub 项目 phuryn/claude-usage。它直接把 Claude Code 偷偷写在你本地的 JSONL 日志全部吃掉，秒变本地仪表盘！

🟢

它到底有多香？

✅ 完整展示 input/output token、缓存读写、模型分布
✅ 按天、按项目、按模型自动统计 + 漂亮图表
✅ 真实成本估算（按 Anthropic API 最新价格，2026年4月数据）
✅ Pro / Max 用户终于看到进度条背后的真相
✅ 零依赖！纯 Python 标准库，git clone 后一行命令启动
• ✅ 自动刷新 + 支持过滤 + 可分享链接

我装上后第一件事就是跑 python https://t.co/QxDq2HHk1E dashboard，浏览器打开 localhost:8080，看到过去一个月的账单后……我沉默了。

原来我上周一个重构项目就吃掉 180 万 token，成本按 API 价算快 500 块了！
要是继续这么用下去，这个月 Max 计划的性价比直接变智商税。

🟢🟢

3 分钟安装教程（Mac / Windows / Linux 通用）

# 1. 克隆仓库
git clone https://t.co/LbVkm16r4L
cd claude-usage

# 2. 直接启动（会自动扫描历史日志 + 打开浏览器）
# Mac / Linux
python3 https://t.co/QxDq2HHk1E dashboard

# Windows
python https://t.co/QxDq2HHk1E dashboard

第一次运行会把你所有历史会话全部解析，之后增量扫描，速度飞快。

🟢🟢🟢

额外命令：

• python https://t.co/QxDq2HHk1E today → 看今天用了多少
• python https://t.co/QxDq2HHk1E stats → 历史总览
• python https://t.co/QxDq2HHk1E scan → 手动刷新

🟢🟢🟢🟢

为什么我强烈推荐所有人装？

1. 省钱：知道哪个项目在“偷偷吃 token”，及时优化 prompt 或换模型
2. 清醒：再也不用对着进度条心慌慌
3. 数据驱动：真正把 Claude 当生产力工具，而不是快乐水
4. 完全本地：数据不上传，隐���安全，开源 MIT 协议，想改就改

目前这个项目才刚火，419 stars，但已经在开发者圈子刷屏了。作者是产品方向的大佬（Product Compass），代码干净到离谱，简直是 Claude 生态的良心之作。

行动起来吧！这可能是 2026 年最值得装的 Claude 工具之一！

[皓樂芒 @howlemont]

微软，总算出了个好东西。

开发了一款工具，

可以将几乎任何格式pdfs，word，docs，excel，PowerPoint，Audio，YouTube 网址

转换为Markdown文件，
众所周知Markdown 是AI 大语言模型最青睐的格式。

没有自定义解析器。没有损坏的布局。没有混乱的文本。

只是干净、结构化的标记，

只需一次安装

https://t.co/gyZGOdceG7

[老张来了 @laozhang2579]

https://t.co/e2jwnF1Aak

[DAN KOE @thedankoe]

You as a single person have more power today than a 20 person company of the past. That's insane. The internet gave you the ability to learn anything. Social media gave you the leverage to reach anyone. AI is giving you the ability to create almost anything. Please don't waste it

[Yanhua @yanhua1010]

https://t.co/9bLSQxoY8u

[Joooe｜NodeZ @0xJoooe]

今天 Claude Code CLI 的原始码意外泄漏，里面有一份 54KB 的 system prompt（系统提示词）组装逻辑。发现 Anthropic 工程师写 prompt 的方式跟多数人想的很不一样。

一、把 prompt 拆成独立段落区块，每段只管一件事

Claude Code 的 system prompt 不是一整段文字，而是由 getSimpleSystemSection()、getSimpleDoingTasksSection()、getSimpleToneAndStyleSection() 等十几个函式各自产��，最后拼接起来。

每个 section 用 # 标题 开头，像 # System、# Doing tasks、# Tone and style、# Output efficiency。彼此不重叠、不矛盾。

这代表什么？当你的 prompt 超过 500 字，把它结构化成多个 section 的效果会远好于一段长文。因为模型在处理指令时，section 标题本身就是一个分类锚点（anchor），让它更容易判断「这条规则属于哪个范畴」。

二、负面指令要带反例（counter-example），不要只说「不要」

原始码里有一段：
Don't add features, refactor code, or make "improvements" beyond what was asked. Don't create helpers, utilities, or abstractions for one-time operations.
（不要添加功能、重构代码、或做超出要求范围的「改进」。不要为一次性操作建立辅助函式、工具或抽象层。）

注意它不是写「保持简单」这种抽象指令，而是列出具体的「不要做 X、不要做 Y」。每一条都是一个可被客观判断的行为。

写「语气不要太浮夸」几乎没用，但写「不要用感叹号、不要用『震惊』『颠覆』『史诗级』等词」就很有效。模型需要的是可以做二元判断（binary judgment）的边界，不是模糊的形容词。

三、用 "X is better than Y"（X 比 Y 好）帮模型做取舍

原始码里有一句设计哲学：
Three similar lines of code is better than a premature abstraction.
（三行相似的代码，比一个过早的抽象化更好。）

这不是规则，是价值判断。它告诉模型「在两个都合理的选项之间，选这边」。

这个技巧的核心是：很多时候模型不是不会写好的内容，而是不知道你的偏好方向。给它一个明确的取舍原则（trade-off principle），比给十条规则更有效。

四、量化限��比形容词有效 10 倍

Claude Code 内部有一段只对 Anthropic 员工启用的指令：
Keep text between tool calls to ≤25 words. Keep final responses to ≤100 words unless the task requires more detail.
（工具调用之间的文字保持在 25 字以内。最终回复保持在 100 字以内，除非任务需要更多细节。）

25 字、100 字，这是具体的数字。不是「简洁」、不是「精炼」、不是「尽量短」。

但要注意：数字不是越严越好，而是要匹配你的实际需求。先跑几次不带限制的版本，看看自然长度落在哪个区间，然后用数字去固定那个区间。

五、用 scenario → action（情境 → 动作）取代模糊规则

Claude Code 不写「遇到错误要冷静处理」，它写的是：
If an approach fails, diagnose why before switching tactics — read the error, check your assumptions, try a focused fix. Don't retry the identical action blindly, but don't abandon a viable approach after a single failure either.
（如果一个方法失败了，先诊断原因再换策略——读错误信息、检查你的假设、尝试针对性修复。不要盲目重试同样的动作，但也不要因为一次失败就放弃一个可行的方法。）

这是一个完整的决策树：失败 → 先诊断 → 再修正 → 不盲目重试 → 也不轻易放弃。

套到文案场景：「如果素材是数据报告 → 用数据做开头。如果素材是产品更新 → 用功能变化做开头。如果素材是市场事件 → 用时间线做开头。」

这比写「根据素材类型调整开头」有效得多，因为模型不需要自己判断「调整」是什么意思。

六、把输出风格拆成两层：结构层和语气层

Claude Code 把「怎么组织内容」和「用什么语气」分成两个独立的 section。
# Output efficiency（输出效率）管结构——先���结论、跳过铺垫。
# Tone and style（语气与风格）管语气——不用 emoji、引用要标路径。

这两层不互相干扰。你可以要求「结构用倒金字塔（inverted pyramid）」但「语气用对话式（conversational）」，不会矛盾。

一个 section 定义「这篇推文的信息架构（information architecture）是什么」，另一个定义「用什么人设口吻说」。分开调整的弹性比混在一起大很多。

Anthropic 的工程师不是靠「写出聪明的话」来让模型听话，而是靠结构设计。每一条指令都是可以被单独验证、单独替换的模块。

如果你也在用 LLM 做内容生产，试试把你的 prompt 用这个框架重写一次。通常不需要加更多指令，只需要把现有的指令整理得更清楚。

@AnthropicAI @claudeai

[Xiao Tan @tvytlx]

https://t.co/i4jBHevGEi

[Yanhua @yanhua1010]

https://t.co/RGxJqEMiOn

[Boris Cherny @bcherny]

I wanted to share a bunch of my favorite hidden and under-utilized features in Claude Code. I'll focus on the ones I use the most.

Here goes.

[美酱AI @meijiangAI]

🚨重磅：一位Anthropic前研究员泄露了Claude内部提示词手册。

不是猜测，直接来自建造者。

你正在浪费Claude 35%的推理能力，因为一个常见错误。

以下是Anthropic外无人知晓的10个提示词：

[darkzodchi @zodchiii]

https://t.co/VDdlDgL4nk

[Mr Panda @PandaTalk8]

https://t.co/AP9LPDT4Gi

[Tony出海 @iamtonyzhu]

TailwindCSS 设计大神的这个视频强烈推荐，

一小时视频可以学 3 样东西，
1. 提高英语，
2. 学 Claude code，
3. 学习产品设计。

[暖暖爱AI @nuannuan_share]

🚨 Anthropic 刚放出一门免费的 2 小时 Claude Code 大师课

不是概念课，
是真教你怎么用 AI 写代码、跑自动化、做项目。

如果你想把 AI
真正接进开发流程，
这门课非常值得收藏。

🔗 https://t.co/8cZfOIGOCO

[木马人 @cnyzgkc]

我测试了上百个Claude Code Skill，最后只留了这10个~

[AYi @AYi_AInotes]

这篇可以说是 skill 的终极指南了，

真正让Skills从能用变神器的，是3个反常识的最佳实践，

分类只是骨架，真正让他们把Skills用到生产级的，是踩了无数坑之后磨出来的实战经验，其中最戳我的三个点，直接推翻了我之前对提示词工程的所有认知。

第一个，也是最反常识的：
别写「应该怎么做」，要把「千万别踩的坑」放在最前面，专门建一个Gotchas区。

我们写提示词，总喜欢把所有的规则、要求、规范，一股脑堆在开头，总觉得写得越细，AI越听话。但他们内部的结论是：你给AI越多的「应该怎么写」，反而越让它失去对组织专属的深度理解，变成了个只会按模板��的机器。

真正有用的，是「我们之前踩过什么坑，这么干会出什么问题」。比如他们的billing-lib技能，开头不是写「这个库有10个函数，用法是xxx」，而是先写Gotchas区：
「1. 别用createCharge这个函数，2024年10月之后已经废弃了，用createTransaction替代，用了会导致计费失败；
2. amount字段的单位是分，不是元，之前有3次线上事故都是因为这个；

3. 调用前必须先checkUserPermission，否则会触发权限告警」。

就这么一个简单的调整，AI调用这个库的错误率，直接降了80%。因为AI最擅长的，是在规则内做推理，而你给它划的「绝对不能碰的红线」，比100条「应该怎么做」都有用。

第二个，用文件系统做「渐进披露」，别把所有东西都塞在一个文件里。

很多人用Skills，喜欢把所有规则、模板、例子，全写在一个README.md里，结果就是上���文爆炸，AI根本记不住，前面写的规则，后面就忘了。

他们的做法是：主README只写这个技能是干什么的、什么时候触发、核心红线是什么，剩下的详细模板、参数规范、例子，全部分拆到子文件夹里的md文件里，比如assets/quote-templates.md、scripts/reverse-prompt.js。AI只有在需要用到这个部分的时候，才会去读取对应的文件，平时不会占用上下文，也不会被无关信息干扰。

这就像你给新员工培训，不会把公司所有的规章制度、操作手册，全在第一天塞给他，而是先告诉他核心职责和红线，剩下的东西，等他需要干对应的活的时候，再给他对应的手册。既不会让他信息过载，又不会漏关键信息。

第三个，用On-Demand Hooks，给技能加「触发开关」，而不是让它全程都生效。

很多人用Skills，会把所有技能都默认开启，结果就是AI在不需要的时候，也会调用技能，反而把事情搞复杂。比如你只是想让AI写个简单的文案，它却非要调用code review的技能，给你挑一堆没用的毛病。

他们的做法是，给高频的、特定场景的技能，加一个斜杠触发的钩子，比如/deep-pierce，只有你输入这个钩子的时候，AI才会调用对应的技能，其他时候完全不生效。比如他们内部的/security-review钩子，只有你需要做安全审计的时候才触发，平时写代码不会干扰；还有/oncall-handbook，只有线上故障的时候才调用，不会在日常开发里瞎蹦出来。

这三个组合拳打下来，Skills就从一个「静态的提示词文件」，变成了「活的组织记忆+安全护栏+自适应工具箱」——它知道什么红线不能碰，知道什么时候该找什么资料，知道你触发了什么开关就该干什么活，完全不是之前那个只会按提示词套的机器了。

[Jaden思考日志 @Jaden_riku]

https://t.co/XjHzDC4ZtO

[Yanhua @yanhua1010]

https://t.co/B6GHfsxKUZ

[Roland.W @rwayne]

一直以来我都以为我对notebook LM
已经到了出神入化阶段
看来我还是菜