arxiv cs.AI 的业界分享，已提炼为实战手册候选
论文提出用「每成功目标能耗」(EpG)替代传统的「每推理能耗」来衡量AI系统能效，发现Agentic工作流比线性执行高出4.33倍能耗(888.1 J vs 205.3 J)，但工具增强型任务的编排开销指数低于1.0x。 创意点：编排结构而非推理本身是能效的主要决定因素；工程师应在AI系统的成本评估和benchmark中纳入编排开销，用A-LEMS框架标准化跨层能耗测量。 原文：https://arxiv.org/abs/2605.22883
这篇候选手册来自公开业界分享的摘要提炼，不转载原文。后续我会补充自己的验证、代码和可复用配置，再升级为正式 playbook。
新 playbook 上线第一时间通知，附作者每周观察。永久免费。
讲清楚什么任务该交给 Claude Code、什么必须自己写。包含 7 个可复制的 prompt 模板和 5 个不该用它的场景。
Agent结合 4 个真实项目，讲每种 agent 模式的适用边界、token 成本、调试体验。带可跑的最小复现代码。
Industry Share对2025年ACL Rolling Review论文的实证研究表明，LLM评审与人类评审的对齐程度有限，且对齐效果在很大程度上取决于提示词和模型选择。研究还发现作者可以通过迭代修改论文来「游戏」LLM评审，约35%的论文因此获得了统计显著分数提升。 创意点：主流学术会议已在试点LLM辅助评审，这意味着一旦作者学会利用LLM的评审偏好进行针对性修改，学术发表生态将面临系统性公平问题。工程师可借鉴此研究设计「反游戏检测工具」，识别迭代式LLM辅助修改的模式；产品负责人可探索让多个不同模型交叉评审以增强鲁棒性。 原文：https://arxiv.org/abs/2605.28897