HumanLayer
PulseAugur coverage of HumanLayer — every cluster mentioning HumanLayer across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
HumanLayer 技能优化 CLAUDE.md 文件以适应 AI 模型
由 HumanLayer 开发并在 dev.to 上文档化的 `improve-claude-md` 技能旨在优化 CLAUDE.md 文件以适应 Claude Code 等 AI 模型。它通过重构文件，将重要的项目标识、目录映射和技术栈保留为纯 markdown 来实现这一点。特定的指令和规则被包装在条件 `<important if="..."` 块中，确保它们仅在与特定任务相关时才被考虑。该技能还会删除可以由 linter 或 …
-
成本分析显示 CLAUDE.md 的行数便宜但会影响模型注意力
对使用 Anthropic 的 Claude 模型（特别是 Opus 5.5）的 CLAUDE.md 文件相关成本的分析表明，在使用缓存的情况下，每个 CLAUDE.md 行在每次会话中的成本约为零点一美分。作者对 190 次实际会话进行了成本核算，发现一个 200 行的文件每次会话大约花费 21 美分。此成本主要由每次交互发送的 token 驱动，系统提示、工具模式和 CLAUDE.md 本身在每次 API 调用时都会被重新发送。虽…
-
Claude Code CLAUDE.md 最佳实践指南发布
本文提供了配置 CLAUDE.md 的最佳实践，CLAUDE.md 是一个自动将用户偏好加载到 Claude Code 会话中的文件。文章分析了来自 Karpathy 和 Anthropic 等来源的五个实际 CLAUDE.md 文件，以识别有效的策略。该指南提供了六个针对不同角色（如前端开发人员、后端开发人员和学生）量身定制的即用型模板，以帮助用户优化他们的 Claude Code 体验，并避免样板代码或空配置等常见陷阱。
-
Opus 5 在 SlopCodeBench 上进行基准测试，用于编码代理上下文工程
对 Opus 5 进行了基准测试，评估其在 SlopCodeBench 数据集上的性能。这项专注于编码代理高级上下文工程的评估结果通过 GitHub 存储库共享。Opus 5 在 SlopCodeBench 上的具体性能指标详情可通过此共享资源获取。
-
上下文工程：AI 代码生成需要人工监督
HumanLayer 的首席执行官 Dex Horthy 创造了“上下文工程”一词，用来描述理解和规避大型语言模型 (LLM) 上下文限制的做法。Horthy 的研究基于与众多 AI 工程师的对话以及他自己的实验，表明当前的 LLM 虽然能够快速生成代码，但由于针对特定基准而非整体代码质量进行优化，可能会随着时间的推移而导致代码库质量下降。他强调了人工代码审查的关键需求，并举了一个未经审查的 AI 生成代码导致重大生产问题和长时间调试的例子。
-
AI代理性能取决于框架，而非仅仅模型
AI代理的表现不佳通常不是因为底层模型，而是因为围绕它的“框架”。这个框架包括系统提示、工具描述、执行环境和编排逻辑，基本上是模型本身之外的一切。工程师倾向于将模型归咎于糟糕的输出，但真正的问题往往在于框架的配置和设计。将代理的失败视为永久性信号并进行特定的工程修复，而不是重试，对于提高代理性能至关重要。
-
AI 基础设施初创公司推出面向代理、DevOps、安全和医疗保健的工具
多家初创公司正在推出旨在改善基础设施和开发人员生产力的 AI 驱动工具。Trigger.dev 提供了一个用于构建可靠 AI 代理和工作流的开源平台，利用快照技术进行执行。Datafruit 提供了一个 AI DevOps 代理，可以审计云支出、检查安全策略并修改基础设施即代码。Gecko Security 使用 LLM 查找传统静态分析工具遗漏的代码中的复杂漏洞。