GPT-6 Astra 的文档里点了一句：新模型对 skill 和 AGENTS.md 里的指令更敏感，建议审计模型能读到的所有指令文件。我照这句话把两边的 skill 目录过了一遍，最后只留下 grill-me。

Day 2 把 Day 1 的强化学习概念落到代码：搭好了能跑的 RL 环境，开始调奖励、加观测、训 PPO。但真正收获不是模型学会通关，而是踩了一路奖励设计的坑，最后撞见一个更根本的问题——为什么 PPO 会学会「站桩不动」。

强化学习第一天：定的目标是学会用 RL 通关马里奥。从最核心的两件事入手——定义动作空间、拆分奖励，让原本模糊的「通关」变成可量化的进步指标。

结合 Anthropic 官方文章，整理 Claude Code 里 continue、/rewind、/compact、/clear 和 subagent 的适用场景，尽量讲清什么情况下该延续会话，什么情况下该及时重开。