零成本优化大模型：Prompt工程与RAG的抉择指南_服务软件

1. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

2. 不买会员，一期学会轻薄本跑大模型！

3. 告别「手搓Prompt」，前美团高管创业，要让物理世界直接成为AI提示词

4. Skill不就是prompt吗？为啥被吹成这样？

5. AI 术语通俗词典：RAG

6. 《扣子开发 AI Agent 智能体应用》014-基于大模型的企业知识库（知识库的理论基础 RAG）

7. 《扣子开发 AI Agent 智能体应用》013-基于大模型的企业知识库（企业知识库必要性）

8. Milvus 向量数据库实战：从零构建高性能 RAG 系统

9. 提示词工程、上下文工程都过时了，现在是 Harness Engineering 的时代

10. 1/10成本、Opus 4.7级表现，Cursor甩出了性价比之王Composer 2.5

11. 多模态 RAG 才是企业知识库低效瓶颈的解药？

12. 8种让AI光速出图改图的必学技巧总结了8种不写复杂关键词，也能让AI快速出图和改图的技巧，新手小白也能轻松学会！#ai设计 #ai教程 #ai工具 #ai新春游园会 #托尼三三

13. 高效提示词（prompt）工程指南

14. 《扣子开发 AI Agent 智能体应用》015-基于大模型的企业知识库（扣子知识库介绍）

15. 一个视频搞懂大模型中转站！

16. 这是个好问题：> 随着基础模型继续进化，Skills 是否会逐渐被更强的自主规划取代？作为创业者现在去布局 Skills，究竟是短期红利还是长期壁垒？我的看法是：Skills 是短期红利，也是长期壁垒——但壁垒不在 Skills 本身。让我用 AI 发展的三个阶段来解释这个判断。第一阶段：AI Chatbot + Prompt回归第一性原理：AI 也好，Agent 也好，能解决问题才有价值。最早的 AI Chatbot 加上好的 Prompt，已经能解决很多「生成类」问题——回答问题、情感陪伴、翻译、写作、摘要。那时候 Prompt 就是短期红利。你会写出好的 Prompt，就能得到好的结果。我那时候花了大量时间研究 Prompt 工程，确实吃到了红利——很多网友就是那时候认识我的。但要说长期壁垒？没有。现在让 AI 辅助写 Prompt 已经不是什么难事了。不过，AI Chatbot + Prompt 只能解决生成问题，不能使用工具，不能与外部世界交互。第二阶段：AI Agent + 上下文工程然后是 AI Agent 的出现。Agent 能规划、能调用工具，解决了「与环境交互」和「完成特定目标」的问题。这时候上下文工程（Context Engineering）就是短期红利。你知道怎么组织 Agent 需要的上下文，怎么在有限的上下文窗口里塞进足够的信息，那就是核心竞争力。但同样没有长期壁垒。很快模型越来越强，上下文窗口越来越大，上下文工程的最佳实践也逐渐系统化——比如借助文件系统压缩上下文、利用渐进式披露（Progressive Disclosure）解决工具描述占用太多 token 的问题。这些方法现在大家都知道了。第三阶段：Agent + Skills现在是 Agent + Skills 的阶段。Skills 解决的问题是：把特定工作流、特定领域的能力打包成可复用的「技能包」，让 Agent 之上可以长出丰富的应用生态。那些日常工作中琐碎但重复的任务，借助 Skill 的 Prompt 能力和工具能力，可以被高度自动化，带来巨大的效率提升。投资 Skills 是短期红利。 Skills 作为一种具体形式，可能会被更强的模型能力取代——也许未来模型足够强，不再需要人类预先打包好的「技能包」，它自己就能规划出最优路径。但问题来了：谁最能抓住这波短期红利？不是吹 Skills 的自媒体，而是真正懂 Prompt、懂上下文工程的人和团队。他们能借助之前积累的经验，快速做出真正解决问题的 Skills。投资的是能力，不是形式Skills 本身不会成为长期壁垒，但你在 Skills 上投入的学习和实践，会成为你的长期壁垒。这就像当年投资 Prompt 工程的人，后来更容易理解上下文工程；投资上下文工程的人，现在更容易做出好的 Skills。每一波技术浪潮的「短期红利」，都是下一波浪潮的入场券。所以我的建议是：不要纠结 Skills 会不会被取代，而是问自己：通过做 Skills，我能去解决什么问题？积累什么能力？这些能力在下一波浪潮里还有没有用？如果答案是肯定的，那就值得投入。

17. 零成本无限 Token！Hermes + Qwen3.6，本地最强 Agent 组合来了！附部署教程 | 零度解说

18. Harness 工程实践复盘：100% Cache 命中的 Agent 怎么设计？

19. 别再用 Ollama 了！OpenClaw 秒级响应方案（vLLM + 本地模型）完全免费！| 零度解说

20. Context 还不够，Harness 才是 Agent 工程优化的正解？

21. Skill不就是prompt吗？为啥被吹成这样？

22. 用模型排行榜论输赢？AI竞赛到底在比什么？ #大咖观察 #红衣聊AI #AI #大模型

23. #小米最强大模型开源# 重磅来袭，小米MiMo-V2.5-Pro大模型正式全量开源，直接炸翻AI圈！这款旗舰大模型实力拉满，经量子位、数字生命卡兹克等AI头部玩家实测，Agent能力能与Claude Opus 4.6正面抗衡，硬核实力有目共睹。而且开源首日就适配AMD、亚马逊云科技等全球7家芯片平台，拿来就能跑，开发零门槛。小米还推出MiMo Orbit计划，直接送出100万亿免费Token，Agent平台也限时免费，不管是开发者还是普通用户，都能放心薅羊毛。你来用模型，成本小米扛，这般诚意与实力，在国内大模型赛道格外亮眼，赶紧上手体验！

24. 幻觉减少52.5%，废话少30%，ChatGPT默认模型正式升级为GPT-5.5 Instant

25. 8G 显存逆天了！竟能跑 35B AI 大模型！多模态 + N/A/Intel 全适配，附最新部署教程！｜零度解说

26. “源”神启动?实测日常高频场景中千问APP的表现

27. 《扣子开发 AI Agent 智能体应用》016-基于大模型的企业知识库（知识库实战：打造汽车行业智能客服）

28. 如何看待淘天金码奖设立Prompt工程赛道，是否意味着「提示词工程师」将成为未来五年互联网行业新风口？

29. 【#一张图看懂 AI 工程三代范式演进图 #】🤖 AI 工程化路线图清晰了：2024：搞定 Prompt（怎么说）2025：搞定 Context（看什么）2026：搞定 Harness（稳运行）核心观点：拆分职责、建立架构约束、引入记忆层、形成反馈闭环。干货分享，拿走不谢！#AI学习 #大语言模型 #架构师 #北大AI鱼博士#

30. Harness Engineering 到底是什么？你可能已经会写 prompt 了，但最近火的 Harness Engineering 是什么？先搞清一个区别：- Prompt Engineering = 教你怎么说话让 AI 听懂- Harness Engineering = 造一套系统让任何人都能驾驭 AIPrompt 是手艺活，效果取决于写的人的水平。Harness 是工程活，目标是不管谁来用，结果都稳定可靠。- 打个比方：Prompt 像苦练骑术，Harness 像发明马鞍+缰绳+马镫——装备好了，骑术一般的人也能跑得稳。那它具体包括什么呢：- AI 模型本身就像一匹野马，很强但不可控。Harness Engineering 就是给它套上"马鞍"，具体包括：1. 提示词模板：标准化的思考框架，不用每次现写2. 工具调用：让模型能查天气、搜网页、读文件3. 结构化输出：回答不是一堆文字，而是程序能解析的 JSON4. 容错重试：模型抽风了自动重试，不用人盯着5. 检索增强（RAG）：让模型能查你的私有数据6. 护栏机制：防止模型说出不该说的话核心思路：- 不要试图让模型更聪明，而是让系统更聪明地使用模型。以前大家卷的是模型大小、跑分高低。现在大家发现模型够用了，真正决定产品好坏的是套在外面那层"马鞍"。Prompt Engineering 只是 Harness 里最小的一个零件。真正的竞争在于整套系统的工程能力。#Harness##Prompt Engineering##Prompt##Prompt Engineering##AI##大模型#

31. 当模型推理能力越来越强，我们还需要提示工程吗？

32. 关于 NotebookLM 植入 Gemini 这件事，我详细写了一篇自己的使用体验：网页链接NotebookLM 里的笔记本可以作为 Gemini 的外挂 RAG，Gemini 的答案会更加精准，幻觉会收敛，输出更加聚焦和有价值。而对于 NotebookLM 来说，Gemini 帮它搞定了多笔记本互通的事情，另外，NotebookLM 干不了的事儿，Gemini 可以代劳，比如 Deep Research，出图，做视频，写程序等等。这就有点像 Agentic RAG，当然，因为 Gemini 是面向所有互联网数据的，泛化的更厉害一些。目前墨问时间的知识库，还是经典 RAG，要升级成 Agentic RAG，本质是让模型从“只在生成参与”扩展到“全链路参与”，把检索变成一个可决策、可路由、可自我评估的系统，并引入可持久记忆与多源工具。这样不仅提升准确性与覆盖率，也能在复杂查询下保持稳健。还有很长的路要走……

33. 基于 Ray 的蚂蚁数据构建引擎在搜推、RAG 场景的实践

34. 成本效率优化

35. 2026 年大模型中转站成本优化指南

36. 使用大模型提示词缓存节约90%成本

37. 前端视角理解

38. 「大多数人放弃 Prompt 调优太快了」——Anthropic 官方 Prompt 工程指南

39. 大模型应用优化三大技术对比

40. RAG 不是万能药

41. 如何判断是自己prompt写的不够好还是基座模型的能力不够达不到预期的效果，才需要做模型微调？

42. 跳出“调参”误区

43. 一篇讲懂区别及用法大模型3大核心优化技术

44. 一文详解

45. AI 编程的真正分水岭

46. 从 Prompt Engineering 到 Harness Engineering

47. 从 Prompt Engineering 到 Harness Engineering，团队真正该升级的是什么

48. 提示工程（Prompt Engineering）介绍

49. 别再让模糊指令烧掉你的Token

50. 【提示词工程】Prompt 最佳实践

51. Prompt Engineering(提示词工程)

52. (LLM系列)Prompt工程完全指南

53. Prompt Engineering 完整学习指南

54. Python让AI大模型有据可查，RAG 检索增强生成技术指南

55. 50 行代码，手把手构建 RAG Agent 知识问答助手

56. JK时间大模型RAG进阶实战营 - 哔哩哔哩

57. 大模型落地全攻略

58. 大模型优化技术（RAG 和 LoRA）对比

59. AI时代人人都要会RAG

60. 腾讯云AI LightRAG

61. 大模型为什么开始学会查资料？一文看懂RAG如何让AI回答更可靠

62. 大模型微调 & RAG

63. AI大模型|RAG定义

64. RAG 技术全解析-Github源码开箱即用 - 哔哩哔哩

65. RAG是什么？有什么用途，这次讲清楚

66. 检索增强生成（RAG）

67. RAG详解

68. 三重防线

69. 大模型 + RAG 幻觉治理方案总结

70. AI幻觉问题及缓解策略

71. 大模型面试04

72. 大模型如何降低幻觉

73. RAG 效果差，80% 的问题和模型无关

74. 定制大模型的三种方式——Prompt、RAG、Fine-tuning 怎么选

75. Prompt、RAG、Agent 到底啥关系？一张图讲透，以后再也不会一脸懵

76. RAG 系统优化实战

77. 零基础掌握RAG：检索增强生成技术全解析，提升大模型应用效果！

78. RAG性能优化：从毫秒级响应到准确实用

79. 这是我至今为止看到最干最系统地讲解RAG文章

80. 构建可信的AI：大模型防幻觉、防逻辑错误与常识错误的Prompt指南

81. 5个Prompt设计技巧，让你的AI对话效率提升300%

82. 告别“AI幻觉”：给大模型装上“事实GPS”的Prompt插件写法

83. LLM免训练效果优化（三）

84. 收藏备用！一文搞懂RAG与Agentic RAG：大模型进阶必备知识

85. 把 AI 量化编程做成中文填空题，幻觉问题就搞定了

86. 大模型入门第十一课：RAG初探：给大模型装上“知识检索引擎”

87. Stable-RAG：解决「排列敏感性」问题

88. 关于写prompt有什么技巧？

89. 写了个 Prompt 自动评测Skill，自动优化prompt效果

90. 开发者必看：大模型幻觉问题与RAG技术的收藏级解决方案！

91. 大模型方案初尝试--基于RAG检测工程代码问题

92. 4个让AI输出质量翻倍的Prompt技巧

93. 高职AI大模型实训室中RAG技术在专业课程知识问答系统中的实训应用

94. 30个2026年Claude实测有效的Prompt技巧

95. RAG效果差？90%的问题在Embedding模型没选对

96. 程序员必知的 10 个 Prompt 技巧：让 AI 代码质量提升 50%

97. GPT-5.5幻觉暴降52%！3个Prompt技巧让你的AI不再胡说八道

98. GPT长对话防幻觉prompt【可通用

99. 【科研】别再自己调 Prompt 了！科研人必备的Prompt/Skill合集开源了

100. 大模型API成本优化：企业级降本策略与实践

101. RAG 系列（四）：生成侧优化——模型、Prompt 与 Agentic Workflow

102. ragflow v0.23.1 发布：Memory 稳定性全面增强，RAG 图像与表格理解

103. 如何减少AI幻觉：真正有效的提示工程技巧

104. 值得收藏！Claude官方发布Prompt 进阶技巧

105. Prompt Engineering十大技巧：如何让AI的输出质量提升10倍

106. AI 真正有用的技巧，不是多背几个 Prompt，而是学会把 Prompt、Skills 和 Agent 放对位置

107. 面向 LLM 的程序设计 14：RAG 与检索块进入上下文的工程化——分块、元数据、去重与注入模板

108. 个人如何用AI搭建轻量业务系统？内容、线索、知识库与交付流程

109. Prompt Engineering 进阶：让AI输出翻倍的15个技巧

110. 大模型入门必看！吃透RAG🔥新手秒懂～

111. 给Copilot建prompt文件

112. 从零开始学写提示词：一条 Prompt 的拆解实战

113. RAG知识库完整实战手册：从原理到落地

零成本优化大模型：Prompt工程与RAG的抉择指南

精选参考来源