arxiv cs.CL 的业界分享，已提炼为实战手册候选
RouteRec 研究表明，在多推荐智能体协作场景下，请求级别的硬选择效果不如项级别的学习聚合，item-level aggregation 是更可行的优化方向。 创意点：团队在做多模型/多策略路由时，不要只想着「选哪个 agent」，而是设计 item-level 的加权聚合机制；低成本 baseline (BM25) 仍是强基线，可作为判断 LLM 路由是否有意义的参照。 原文：https://arxiv.org/abs/2607.09908
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研究表明多阶段 prompt chaining 方法在自动化学术报告生成中达到 100% 成功率，相比优化后的单次 prompt 基线（50% 失败率）可靠性显著提升，同时 ROUGE-L F1 分数略优（0.507 vs 0.486）。 创意点：论文证明 prompt chaining 能有效解决复杂生成任务的失败和不一致问题，工程师在做多步骤 AI Pipeline（如报告生成、代码合成、多跳推理）时，可将单一 LLM 调用拆分为多个确定性阶段，显著降低 production 环境的运行时错误率。 原文：https://arxiv.org/abs/2607.27210