在 Windows 系统上，Claude Code 的claude-hud插件状态栏始终不显示，即使插件已安装、配置文件存在，重启后也无效。

本文探讨了Agent系统的设计不仅依赖于基础大模型的能力，更需要完善的上下文工程、工具系统和工作流设计。作者详细解析了三个关键概念：chunk（将文档切分为可独立理解的语义单元）、metadata（为知识单元添加工程标签）和metadata filter（通过场景边界减少错误召回）。文章指出，优秀的Agent系统需要合理平衡这些要素：chunk要按语义边界切分，metadata filter要精准

摘要： 大模型并非上下文越大越好，关键在于精准筛选和组织内容。Token是上下文预算的基本单位，需合理分配；Context Window虽能容纳更多资料，但噪声和冲突信息会降低模型表现；Context Pollution会导致模型被无关内容干扰。Embedding虽能实现语义检索，但需结合Metadata Filter和Rerank确保任务相关性。RAG系统的核心在于优化内容检索与组织，而非简单堆

本文探讨了Agent Knowledge Runtime的概念，通过一个Codex自动填工时的案例，揭示了AI代理工程化的关键要素。文章指出传统RAG方案无法解决真实工作流问题，提出了包含6个核心模块（文档摄入、知识索引、记忆存储、上下文构建、工作流运行时、评估与可观测性）的Agent Knowledge Runtime框架。作者强调LLM不是独立代理，而是需要在工程运行层的约束和编排下，结合外部

本文从“base model 是大脑，Agent Runtime 是身体”这一比喻出发，分析大模型从“会回答”走向“能做事”所需的工程底座。文章拆解了 Manus 类通用 Agent Runtime 的价值，以及企业 Agent Runtime 如何连接知识库、业务系统、权限、审批、Trace 和 Eval。相比单纯 RAG 问答，真正的企业 Agent 需要具备检索、工具调用、任务编排、权限控制

本文从“base model 是大脑，Agent Runtime 是身体”这一比喻出发，分析大模型从“会回答”走向“能做事”所需的工程底座。文章拆解了 Manus 类通用 Agent Runtime 的价值，以及企业 Agent Runtime 如何连接知识库、业务系统、权限、审批、Trace 和 Eval。相比单纯 RAG 问答，真正的企业 Agent 需要具备检索、工具调用、任务编排、权限控制

本文从“base model 是大脑，Agent Runtime 是身体”这一比喻出发，分析大模型从“会回答”走向“能做事”所需的工程底座。文章拆解了 Manus 类通用 Agent Runtime 的价值，以及企业 Agent Runtime 如何连接知识库、业务系统、权限、审批、Trace 和 Eval。相比单纯 RAG 问答，真正的企业 Agent 需要具备检索、工具调用、任务编排、权限控制

这篇文章介绍了一个名为"codex-token-usage-skill"的开源项目，用于统计Codex的token使用情况。该工具通过读取本地Codex会话日志，提供详细的用量分析，包括总量、输入/输出token、缓存命中率、净用量等指标。支持多种统计方式（最近30天、指定周/月），可通过命令行或Codex直接调用。工具完全本地运行，不收集隐私数据，适合高频使用Codex且想了

本文探讨了如何利用Codex Chrome插件重构OA工时填报工作流，将其从依赖人工记忆和判断的重复性任务转变为可复用、可进化的自动化系统。作者指出，真正消耗人的不是机械动作，而是隐性规则判断。通过将经验规则显性化、设计确认边界、沉淀为Skill，实现了从"代操作"到"系统化"的转变。文章强调，有价值的AI工作流应能进入真实工作场景、承接业务规则并持续积累经

这篇文章介绍了一种系统化的方法，指导如何为AI编写高质量的新功能开发Prompt。核心观点是：不应简单要求AI直接编码，而应将其纳入完整的开发流程管理。文章提出了"Superpower Skill + 混合型接手Prompt"的方法，将开发过程分为四个阶段：上下文恢复、需求与边界澄清、Spec与计划、实现与验证。作者强调要区分"目标模块"和"参考模