当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

Spring AI提示词工程：从核心价值到落地实践

源自124位全网作者

05-28 11:57

精选参考来源

【7个提示词，让 Claude 从聊天机器人变成思考伙伴】快速阅读：多数人把 Claude 当搜索引擎用，Karpathy 把它当长期协作伙伴。差别不在模型，在于你怎么构建问题本身。---普通人给 AI 一个问题，等一个答案。Karpathy 给 AI 一套思维框架，然后让它在框架里工作。有网友一语点破：这些提示词本身只是表象，真正的差距在于你如何定义问题。提示词是结果，思维方式才是原因。以下是 7 种具体用法：1. 系统拆解提示：遇到复杂问题，强制 Claude 按步骤走：明确问题、列出假设、识别约束、拆分子问题、提三种方案、比较权衡、给出执行路径、预判失败点。这套流程本质上是把你的思维过程外包出去，然后让 AI 替你跑一遍。2. 第一性原理提示：不要类比，不要总结，从最底层概念开始，一层一层建起来，最后给出心智模型、真实应用和常见误解。适合搞懂 LLM、系统设计、数学原理这类容易“以为自己懂了”的东西。3. 研究简报生成：让 Claude 给出某个领域的全景图，包括玩家格局、当前路径、失败案例、市场空白、逆向洞察和可落地机会。它会变成一个还不错的分析师。4. 构建架构提示：从想法到实现，要求它给出最简版本、组件结构、数据流、技术栈、构建顺序、边界情况和扩展策略。省去大量乱猜阶段。5. 提示词优化器：把你自己写的提示词扔进去，让它优化清晰度、结构、约束条件和输出格式，并解释改了什么、为什么更好。提示词质量会随时间复利增长。6. 专家模式切换：让它以高级工程师对工程师的方式回答，跳过入门解释，直接聚焦实现、权衡和踩坑点。7. 批判性思考伙伴：让它不要盲目附和，主动挑战你的假设、指出逻辑漏洞、提出替代方向。这一步大多数人从来不做。有网友补充了一个实践细节：在开发应用的过程中，你得反复做审计，一旦发现模型开始循环并强行引入不必要的改动，那就是该叫停的时机。这 7 个提示词值得存起来反复用。不过更值得记住的是：AI 给出的答案质量，上限就是你提出问题的质量。x.com/Suryanshti777/status/2036796681195258207#AI创造营##人工智能#

谷歌68页提示词圣经+老金原创元提示词，直接复制就能用

全部
来源

内容由AI生成

1. 【7个提示词，让 Claude 从聊天机器人变成思考伙伴】快速阅读：多数人把 Claude 当搜索引擎用，Karpathy 把它当长期协作伙伴。差别不在模型，在于你怎么构建问题本身。---普通人给 AI 一个问题，等一个答案。Karpathy 给 AI 一套思维框架，然后让它在框架里工作。有网友一语点破：这些提示词本身只是表象，真正的差距在于你如何定义问题。提示词是结果，思维方式才是原因。以下是 7 种具体用法：1. 系统拆解提示：遇到复杂问题，强制 Claude 按步骤走：明确问题、列出假设、识别约束、拆分子问题、提三种方案、比较权衡、给出执行路径、预判失败点。这套流程本质上是把你的思维过程外包出去，然后让 AI 替你跑一遍。2. 第一性原理提示：不要类比，不要总结，从最底层概念开始，一层一层建起来，最后给出心智模型、真实应用和常见误解。适合搞懂 LLM、系统设计、数学原理这类容易“以为自己懂了”的东西。3. 研究简报生成：让 Claude 给出某个领域的全景图，包括玩家格局、当前路径、失败案例、市场空白、逆向洞察和可落地机会。它会变成一个还不错的分析师。4. 构建架构提示：从想法到实现，要求它给出最简版本、组件结构、数据流、技术栈、构建顺序、边界情况和扩展策略。省去大量乱猜阶段。5. 提示词优化器：把你自己写的提示词扔进去，让它优化清晰度、结构、约束条件和输出格式，并解释改了什么、为什么更好。提示词质量会随时间复利增长。6. 专家模式切换：让它以高级工程师对工程师的方式回答，跳过入门解释，直接聚焦实现、权衡和踩坑点。7. 批判性思考伙伴：让它不要盲目附和，主动挑战你的假设、指出逻辑漏洞、提出替代方向。这一步大多数人从来不做。有网友补充了一个实践细节：在开发应用的过程中，你得反复做审计，一旦发现模型开始循环并强行引入不必要的改动，那就是该叫停的时机。这 7 个提示词值得存起来反复用。不过更值得记住的是：AI 给出的答案质量，上限就是你提出问题的质量。x.com/Suryanshti777/status/2036796681195258207#AI创造营##人工智能#

2. 谷歌68页提示词圣经+老金原创元提示词，直接复制就能用

3. Seedance 2.0 到底怎么写提示词，才能真的有“电影感”？我测试下来一个结论：别堆参数，写“分镜”。Seedance最强的能力，是把文字拆成镜头语言。所以提示词一定要有结构：✅ 主体 + 场景 + 时间✅ 镜头顺序（特写 → 中景 → 远景）✅ 镜头运动（推近 / 跟拍 / 环绕 / 慢动作）✅ 情绪氛围 + 原生音效✅ 节奏设计（前慢后快 or 留白收尾）给你一条稳出片模板👇“雨夜老街，主角奔跑。开场手持跟拍，镜头突然推近面部特写，霓虹倒影映在积水中。背景有急促脚步声和远处警笛声，整体节奏紧张，电影级光影，结尾画面渐暗。”⚠️三点别踩坑：1️⃣ 一定写清镜头运动2️⃣ 音效是加分项3️⃣ 形容词控制在3个以内工具已经到位，拼的是表达能力。你们最近跑出什么好片？#Seedance必玩提示词模板##HOW I AI##过个有AI年#

4. 【发挥Claude潜力的十个提示词】最近，一位 Anthropic 前研究员披露了内部提示词手册。这份并非基于猜测、而是源自模型建造者的指南揭示了一个核心事实：大多数人之所以觉得 AI 输出平庸，是因为他们没有触达 Claude 的内部推理层。以下是这份手册中至关重要的 10 个高级提示词策略，它们将彻底改变你与 AI 的协作深度。1、情境简报：拒绝直接提问永远不要在没有背景的情况下抛出问题。Claude 需要地图才能导航。提示词模板：我的背景是 [角色/公司/问题]；已尝试过 [A/B]；目前卡在 [Z]；请帮我理清思路。深度思考：内部测试显示，这种背景铺垫能提升 41% 的输出质量。优质的答案不取决于 AI 的智商，而取决于你提供的信息熵。2、推理要求：让思考过程浮现不要直接索要答案，要索要思考。提示词模板：在给出方案前，请逐步展示你的推理过程，指出不确定之处，并标记所有假设。深度思考：这会强制模型激活 Chain of Thought（思维链），让你得到的不仅是结果，还有可质证的逻辑路径。3、诚实约束：打破“讨好型人格”Claude 天性乐于助人，这往往意味着它会说你想听的话。提示词模板：即使难受也要保持诚实。如果我的计划有致命缺陷请直说，不要软化措辞。我宁愿现在听硬话，也不想以后失败。深度思考：这是在解锁 Claude 的宪法 AI 基础，让它从“助手”转变为“顾问”。4、精准角色：越具体，越深刻“充当专家”是最无用的指令。提示词模板：你是有 [具体经验] 的 [特定角色]，见过 [具体失败模式]。请用 [特定框架] 思考，跳过常规建议。深度思考：身份越具体，推理的颗粒度就越细。模糊的角色设定必然导致平庸的输出。5、魔鬼代言人：摧毁你的想法利用 Claude 的批判性思维来检验决策。提示词模板：我要分享一个计划，你的工作是摧毁它。找出所有错误假设、忽视的风险和失败原因。别手软。深度思考：挑战你的模型，其价值远超让它顺从你。这是 Anthropic 团队内部检验想法的标准流程。6、范围锁定：从源头杀死幻觉Claude 容易过度发散，用可信的虚构填补空白。提示词模板：严格限于 [X 背景]。超出范围请直接告知而非推测。我要的是差距，而不是自信的错误。深度思考：拒绝“自信的错误”，是通往高阶 AI 应用的必经之路。7、格式命令：利用极致的精确性Claude 对格式指令的遵循度极高。提示词模板：结构要求：1）一句总结；2）三个要点；3）一个下一步建议。除非我问，否则不要提供其他内容。深度思考：有意识地控制输出结构，能极大降低信息处理的认知负荷。8、假设审计：揭示隐藏的基础任何复杂答案后，都应运行此项。提示词模板：你做了哪些我应该验证的假设？如果这些假设错了，答案会如何改变？深度思考：大多数计划都崩溃在未经察觉的基础假设上。审计假设，就是审计风险。9、压缩循环：清理上下文债务在长对话中，模型会积累“上下文债务”，导致焦点模糊。每 5-6 次交互运行一次：总结目前的进展。解决了什么、决定了什么、最重要的未决问题是什么？深度思考：保持对话的熵减，防止 AI 自信地解决错误的问题。10、前期验尸：预见失败在项目上线前，进行压力测试。提示词模板：假设 6 个月后这个项目失败了。请列出 3 个最可能的原因。具体一点，失败的实际样子是怎样的？深度思考：这能抓住其他审查流程遗漏的盲点。总结：提示词工程的下半场，不再是背诵模板，而是理解模型的设计意图。正如 Anthropic 内部所强调的：AI 不是一个搜索引擎，而是一个需要被正确引导的推理引擎。

5. 【你以为AI编程拼的是提示词，其实高手都在“驯化”项目结构】快速导读：别再卷提示词了。想让Claude像个真正的工程师一样干活，关键不是怎么“说”，而是怎么“放”。一个结构清晰的代码仓库，远比一段天花乱坠的提示词更重要。---多数人还在琢磨怎么把提示词写出花来，但真正拉开AI编程效率差距的，根本不是提示词。你以为让Claude写出好代码，靠的是把需求描述得滴水不漏。其实，如果你的代码仓库一团糟，它就只是个聊天机器人；如果结构清晰，它才表现得像个住在你项目里的高级工程师。这中间的差距，比人和狗的差距都大。秘诀在于给AI建立一套“项目解剖学”。这套结构，就是AI的“短期记忆”和“行为准则”。它只需要四个东西：1. CLAUDE.md：项目的北极星文件，简要说明系统目的、仓库地图和交互规则。短小精悍，废话太多AI会抓不住重点。2. .claude/skills/：可复用的专家模式。把代码审查、重构、调试等固定流程变成技能包，随时调用，而不是每次都在提示词里重复念叨。3. .claude/hooks/：自动化护栏。模型会忘事，但钩子不会。比如编辑后自动格式化、核心代码变更后触发测试，把AI工作流变成可靠的工程系统。4. docs/：渐进式上下文。别把几万字的需求文档塞进提示词，让AI自己去查阅架构图、决策记录和操作手册。它不需要记住一切，只需要知道“真理”在哪。有人在一个5万行代码的库上实践这套方法，Claude的错误率直接降低了大约60%。评论区里一片“原来如此”的声音，大家普遍认同：结构大于提示词，仓库本身就是终极提示。提示词是租来的，结构才是你自己的。所以，如果你还在每天花几小时跟AI“念经”，却发现它总是犯些低级错误，问题很可能不在你的提示词写得够不够“魔法”，而在你的项目结构是不是一坨屎。别再抱怨AI笨了，也许它只是在你的烂摊子里迷了路。---简评：这篇文章精准地指出了当前AI辅助编程领域的一个核心误区：过度迷信“提示词工程”，而忽略了更基础也更重要的“上下文工程”。它提出的“项目结构即提示”的观点，对于那些感觉AI“不好用”的开发者来说，无疑是一次认知矫正。从“教AI做事”转向“为AI搭建舞台”，这才是人与AI协作的正确姿势。---ref: x.com/vishisinghal_/status/2032368817981305196#AI创造营##人工智能#

6. 大语言模型（LLM）提示词设计不只是“提问”，而是一门系统工程，是与模型高效交互的关键技能。掌握以下7大类提示技巧，才能真正释放AI潜能：1. 核心提示 - Zero-shot：无示例，直接给任务。 - One-shot：给一个示例。 - Few-shot：给多个示例，教模型识别模式。2. 推理增强 - Chain-of-Thought（思路链）：引导模型一步步推理。 - Self-Consistency（自洽采样）：多条推理路径，选最佳答案。 - Tree-of-Thought（思维树）：多条推理路径并行探索（进阶）。 - ReAct：结合推理和行动（如调用API）。3. 指令与角色设定 - 明确指令：“帮我总结这段内容”。 - 角色扮演：“你是法律助理”。 - 混合型：指令+示例，兼顾清晰和示范。4. 提示组合技巧 - 链式提示：用一个提示的输出作为下一个输入。 - 动态提示：实时注入变量和上下文。 - 元提示：让模型自我优化或验证回答。5. 多模态提示 - 图文结合，给出视觉+文本信息。 - 音视频+文本（依赖模型能力，如GPT-4o、Gemini 1.5）。6. 行业专用提示 - 编程提示：针对特定语言或工具。 - 医疗、法律提示：高精度、格式严格。7. 提示评估与调试（辅助工具） - 去除测试：删减元素看影响。 - 注入测试：验证提示在实际应用中的鲁棒性。需要明确的是，检索增强生成（RAG）和代理工具系统（如LangGraph、AutoGPT）不是提示技巧，它们是架构或框架，提示只是其中一环。提示设计已不仅是“技巧”，而是整体系统设计。理解输入输出工程，掌握推理链条和领域约束，才能让AI输出更可靠、更智能。真正的秘诀不在“神奇语句”，而在于结构化、系统化地设计提示。原文：x.com/techNmak/status/1995726428177137924

7. AI编程代理经常缺乏生产级工程技能，容易跳过规格编写、测试验证、代码审查等关键步骤，导致代码质量低下、后期维护成本高。agent-skills 为AI编码代理提供生产级工程技能包，覆盖从需求定义到部署上线全开发生命周期的最佳实践。包含19个结构化技能工作流和7个斜杠命令，支持Claude、Cursor、Gemini CLI等多平台AI工具，让代理像资深工程师一样规范开发。GitHub：github.com/addyosmani/agent-skills主要功能：- 7个开发生命周期命令：`/spec`（规格先行）、`/plan`（任务分解）、`/build`（增量实现）、`/test`（测试验证）、`/review`（代码审查）、`/code-simplify`（代码简化）、`/ship`（安全部署）；- 19个核心技能：从`idea-refine`（想法提炼）到`shipping-and-launch`（上线发布），每个技能包含步骤、工作流验证和反合理化表；- 专业代理角色：`code-reviewer`（资深工程师视角）、`test-engineer`（测试专家）、`security-auditor`（安全审计）；- 参考清单：测试模式、安全检查、性能优化、无障碍标准等快速参考；- Google工程实践：集成Hyrum's Law、测试金字塔、Chesterton's Fence、Trunk-based Development等实战经验；- 多平台集成：Claude Code一键安装，Cursor规则文件，Gemini原生技能，支持任何Markdown提示的AI代理。通过`git clone`本地运行或Marketplace安装，适合开发团队、AI代理爱好者和工程实践训练。#AI编程# #工程技能# #AgentSkills#

8. 在设计Agent系统提示词的时候，与其对一份系统提示词进行反复修改，不如让这个Agent使用的LLM模型自己生成系统提示词，你要修改的其实是LLM生成系统提示词的用户提示词，而不是直接修改系统提示词，应当对Agent进行版本控制的是用来生成系统提示词的用户提示词。

9. vibe coding 至尊超级终极无敌指南 V114514 [汗] github.com/tukuaiai/vibe-coding-cn 本项目是一个与 AI 结对编程的终极工作流程，旨在帮助开发者丝滑地将想法变为现实。本指南详细介绍了从项目构思、技术选型、实施规划到具体开发、调试和扩展的全过程，强调以规划驱动和模块化为核心，避免让 AI 失控导致项目混乱。核心理念: 规划就是一切。谨慎让 AI 自主规划，否则你的代码库会变成一团无法管理的乱麻。这个思想的核心是构建一个能够自我完善的 AI 系统。我们可以将其分解为以下步骤，以突出其递归的本质： 1. 定义核心角色： α-提示词 (生成器): 一个“母体”提示词，其唯一职责是生成其他提示词或技能。 Ω-提示词 (优化器): 另一个“母体”提示词，其唯一职责是优化其他提示词或技能。 2. 描述递归的生命周期： ·创生 (Bootstrap):用 AI 生成 α-提示词和 Ω-提示词的初始版本 (v1)。 ·自省与进化 (Self-Correction & Evolution):用 Ω-提示词 (v1) 去优化 α-提示词 (v1)，得到一个更强大的 α-提示词 (v2)。 ·创造 (Generation):用进化后的 α-提示词 (v2) 去生成我们需要的所有目标提示词和技能。 ·循环与飞跃 (Recursive Loop):最关键的一步：将新生成的、更强大的产物（甚至包括新版本的 Ω-提示词）反馈给系统，再次用于优化 α-提示词，从而启动下一轮进化。 3. 终极目标：通过这个永不停止的递归优化循环，系统在每一次迭代中都进行自我超越，无限逼近我们设定的理想状态。 #科技先锋官#

10. Awesome Nano Banana Pro PromptsNano Banana的提示词，很多不错的用法！访问：github.com/YouMind-OpenLab/awesome-nano-banana-pro-prompts#ai创造营# #ai#

11. 🚀 GPT Image 2 提示词库上线！2000+ 高质量提示词 + 预览图再也不用为“写不出好提示词”而抓狂了！这里整理了 2000+ 精选提示词，涵盖肖像、电商、插画、电影感、品牌海报等多种场景，全部配有生成效果预览，支持 16 种语言。无论是想快速出图的创作者，还是需要商用级插画的设计师，都能在这里找到灵感。+ 核心亮点：- 多功能提示词库：支持动态参数、风格切换、场景扩展- 高质量预览：每条提示词都配真实生成效果- 商用友好：像素级文字渲染、跨图一致性强- 持续更新：每天新增优质提示词GitHub： github.com/YouMind-OpenLab/awesome-gpt-image-2在线体验： youmind.com/gpt-image-2-prompts支持 Web / 移动端，随时随地查阅和使用。#AI创造营# #人工智能# #提示词工程# #AI图像生成#

12. Vibe Coding 是一个基于 AI 结对编程理念打造的终极开发工作站，旨在帮助开发者高效、系统地将创意转化为可维护代码。它融合了作者多年开发经验与丰富的提示词库，形成一套严谨且灵活的流程体系，强调规划驱动与模块化设计，避免 AI 失控造成项目混乱。核心理念在于“规划就是一切”，通过定义生成器（α-提示词）与优化器（Ω-提示词）两大母体提示词，构建递归自我优化的 AI 系统，使提示词及技能持续进化，最终实现无限逼近预期目标的自我超越。Vibe Coding 提供完整的开发流程指南：从网络环境配置、开发环境搭建、IDE 设置，到项目设计文档撰写、技术栈推荐、实施计划生成，再到代码实现、测试与迭代，每一步均配合 AI 进行，确保开发高效且可控。特别强调先结构后代码，避免技术债务积累。工具链方面，推荐使用 Visual Studio Code、Neovim 等强大编辑器，配合 Claude Opus 4.5、gpt-5.1-codex 等顶级 AI 模型，实现代码生成、测试、调试、文档管理等一体化工作流。还集成了丰富的辅助工具如 Augment (上下文引擎)、Zread (代码阅读)、tmux（终端复用）、DBeaver（数据库管理）等，极大提升开发体验。项目配套了详尽的提示词库，涵盖系统提示词、编程提示词、用户提示词及辅助提示词，支持快速构建高质量的 AI 交互策略。通过严格的规则和上下文管理，确保 AI 生成代码的质量与一致性。此外，Vibe Coding 还提供丰富的实用技巧和常见问题解答，帮助开发者快速上手并解决开发中遇到的各种挑战。其开源 MIT 许可让社区能自由贡献与扩展。Vibe Coding 通过“规划驱动 + 上下文固定 + AI 结对执行”，让「从想法到可维护代码」成为一条清晰且可审计的流水线，极大提升了开发效率与代码质量。项目开源地址：github.com/tukuaiai/vibe-coding-cn无论是新手入门还是资深开发者，Vibe Coding 都能帮助你驾驭 AI 助力的开发新时代。

13. 【别再用AI盲盒了：10个概念决定你的效率边界】如果你每天都在用AI，却从未思考过它如何工作，那你很可能只是在用一个昂贵的打字机。+ Token：模型眼中的计量单位当你向ChatGPT输入一段话，它读取的不是文字，而是token。大约每3-4个字符构成一个token，“Unbelievable”是4个token，“AI”是1个。这不是技术细节，而是真实的工作边界。每个模型都有token上限，超出后，它会开始遗忘对话前半部分的内容。很多人把50页文档塞进提示词，然后抱怨输出质量差，问题就出在这里。模型根本没“读完”你的文档，它在半路就用完了预算，剩下的都是猜测。更短、更密集的上下文，永远能换来更好的输出。+ 上下文窗口：模型的白板有边界上下文窗口是模型的工作记忆，你的提示词、对话历史、附加文档，全部都要挤进这个窗口。把它想象成一块白板，满了就得擦掉旧内容腾空间。大多数人把上下文窗口当作无限存储，这是幻觉。模型不会记得上周的对话，也不会记得3小时前另一个会话里你说了什么。每次会话都是从零开始，如果你想让它“记住”什么，必须手动放回去。+ 温度值：创造力的刻度盘温度控制着模型的“创造性”。低温度（0.1）意味着精准、可预测、近乎机械；高温度（0.9）则创意十足、充满惊喜、偶尔失控。写代码或提取数据？把温度调低，你要的是准确而非创意。头脑风暴或写营销文案？提高温度，让模型冒点险。一个参数，输出质量天差地别。+ 嵌入：AI如何理解意义嵌入是AI理解含义而非文字的方式。每个词、句子或文档都会被转换成一串数字（向量），相似的含义会得到相似的数字。这就是为什么搜索“汽车”能返回“车辆”或“交通工具”的结果。这是RAG系统、语义搜索和推荐引擎背后的引擎。当你的AI在回答前“检索”相关文档时，它其实在比较嵌入向量，寻找意义上最接近的内容。如果你在构建任何处理数据的AI产品，必须理解这一点。+ RAG：不是让模型更聪明，而是让它见多识广RAG（检索增强生成）等于在模型回答前，给它注入新鲜、相关的信息。它不依赖训练数据（那些有截止日期的知识），而是实时提取数据并注入提示词。这就是AI能回答你公司特定文档问题的原因。但人们常误解的是：RAG不会让模型变聪明，只会让它变得见多识广。糟糕的检索等于糟糕的答案。即便是最强的模型，如果你喂给它错误的上下文，它也会胡编乱造。RAG系统的质量几乎完全取决于检索质量，而非模型本身。+ 微调：最后的手段，不是第一步微调是拿一个预训练模型，用你自己的数据继续训练它。就像雇一个全科医生，然后送他去读6个月的外科专科。同样的基础智力，现在专攻你的特定场景。但所有人都搞错了：微调不是第一步，而是最后手段。在微调之前，先试试更好的提示词、试试RAG、试试少样本示例。微调昂贵、缓慢，还会把你锁定在某个模型版本上。只有在其他方法都失败后才考虑它。+ 幻觉：模式完成的副作用幻觉是AI自信地陈述完全错误的事实。它不是在撒谎，它甚至不知道自己错了。它只是基于训练数据完成模式，有时模式会指向一个听起来对但实际错误的方向。可怕的是：陈述越自信，人们越相信。解决方案不是“用更聪明的模型”，而是给模型一个可依据的来源。使用RAG，要求它引用出处，告诉它“不知道就说不知道”。当你限制模型的活动范围，幻觉会大幅减少。+ 代理（Agent）：不是聊天机器人，而是分布式系统AI代理不只是聊天机器人。它是一个能采取行动的模型，搜索网页、编写运行代码、发送邮件、调用API，循环往复直到任务完成。模型根据刚发生的事情决定下一步做什么。你见过的大多数演示版“代理”都是假的。真正的代理需要记忆、错误处理、工具使用、回退逻辑和安全防护。大多数创业公司发布的，不过是调用3个API端点就自称“自主”的提示词。真正的代理是分布式系统，要用那样的思维构建它们。+ 系统提示词：看不见的规则层系统提示词是每次对话上方的隐形指令层。你看不见它，模型看得见。在这里定义角色、规则、语气、约束和任务，这是通用聊天机器人和专业工具的分水岭。大多数人纠结用户消息，却忽略系统提示词，这是本末倒置。弱的系统提示词意味着模型每次都要猜你的意图；强的系统提示词意味着模型在你开口前就知道自己是谁、在做什么、如何行事。+ 上下文工程：新技能正在取代提示词工程提示词工程关乎你问什么，上下文工程关乎模型看到的一切：包含什么、排除什么、顺序如何、格式怎样。今天最优秀的AI工程师不是在写巧妙的提示词，而是在做架构决策：什么信息进入上下文窗口，何时检索何时预加载，什么该总结什么该逐字保留，如何在长任务中构建记忆。掌控上下文，就是掌控AI。简评：你的效率边界，并不由OpenAI或Anthropic决定，而由你对这10个概念的掌握程度决定。入门级：懂得Token和上下文窗口，不乱喂数据。进阶级：善用RAG和System Prompt，解决幻觉问题。大师级：掌握上下文工程与代理（Agent）架构，将AI封装为可自动化的智能体。停止把AI当成盲盒，开始把它当成一套精密的工程系统来构建。x.com/alex_prompter/status/2024073869452358017

14. AI生成电影级别质感视频！Seedance 2.0提示词运镜技巧（附提示词案例）

15. 有不有什么好的ai提示词模板，平时知友怎么写提示词的?

16. 【电影感人像提示词公式】GPT-Image-2提示词合集-2

17. 当模型推理能力越来越强，我们还需要提示工程吗？

18. 《扣子开发 AI Agent 智能体应用》017-提示词编写和优化（驱动智能体的核心指令）

19. 谷歌68页圣经看完更焦虑了，所以我做了个Hook让它全自动强化，并用了老金我的元提示词

20. Promptomatix：自动化提示词优化框架构建高效的大语言模型提示词一直是研发和应用中的难题。Promptomatix 是一个自动化提示词优化框架，借助AI技术和先进算法，自动生成合适的合成数据，反复迭代优化提示词，提升模型输出的准确性和一致性，显著减少手动调试的时间成本。它支持多种LLM服务商（如OpenAI、Anthropic等），提供了完善的API和命令行工具，方便集成到不同场景。无论是研究人员还是开发者，都可以借助Promptomatix实现高效的提示词管理和优化。主要特点包括： - 任务自动识别与零配置智能优化 - 基于合成数据的训练和测试集自动生成 - 多轮反馈机制持续提升提示效果 - 详细的会话管理与日志记录 - 跨平台CLI和API接口，灵活适配各种应用需求项目地址：github.com/SalesforceAIResearch/promptomatix 适合需要系统化提示词优化方案的团队和个人，助力提升大语言模型的应用质量和效率。

21. github.com/Piebald-AI/claude-code-system-prompts这是一个专门收集 Claude Code 系统提示词（System Prompts）的开源项目。包含了 40 多个提示词，涵盖了 Claude Code 的方方面面部分如图。#科技先锋官#

22. 回复@Sigurd司格德:我其实不管理提示词，极少数常用的做成 Gem 或者 Project，其他的发完就完了，因为掌握了写提示词的方法，就可以源源不断的产生提示词。当然某种程度上来说，发出来也是一种管理提示词的方法，因为会被搜索引擎收录，需要的时候关键字就能检索。//@Sigurd司格德:老师请问提示词怎么管理呢，在您这学了好多提示词，直接用文档存储吗[doge]

23. 别光问AI了，反向操作才是王炸，这是我10倍速阅读的三大心法和提示词～当会用AI不再稀缺，AI时代真正拉开差距的是什么？#ai #阅读 #读书 #学习 #世界读书日

24. 告别生成排队，彻底实现顶流模型创作自由

25. nano banana Pro的能力边界还是挺强的现如今，善用提示词和不善用提示词完全是两套效果。提示词的打磨成了AIGC的下一个难点。俺们工作室，26年也会加入更多AI工作流，不会照本宣科做生成，而是让AI变成加速创意落地、减少创意成本的工具~

26. 今天看到一个关于 Loop Engineering （循环工程）的说法，从工程师的角度，感觉比 Agentic Engineering 更具体。提示词（Prompting）是一个 Bug，而非特性。别再痴迷于琢磨动词和上下文窗口了。如果你的工作流还得靠你去做一个“提示词耳语者”（Prompt Whisperer），那你已经输了。在一个渴求“系统化”的世界里，你只不过是个手动挡的操作工。 “氛围编程”（Vibe Coding）拿来做演示固然有趣，但真正的进化是**“循环工程”（Loop Engineering）。你不再是写一段提示词，而是构建一个递归环境**：让智能体（Agent）自行评估失败、重构逻辑，并不断迭代，直到意图与输出之间的偏差（Delta）归零。人类不应是那个修修补补的编辑，而应是整个循环的架构师。停止与机器对话。去建造那台会“自我对话”的机器。

27. 别再学提示词了：为什么它是AI时代最短命的技能？

28. 《扣子开发 AI Agent 智能体应用》018-提示词编写和优化（扣子平台设置提示词案例）

29. 2025年AI提示词深度指南：从基础知识到高级技巧

30. 提示词工程的终点，是人的认知工程表面上是在训练 AI，实际上是在训练人如何思考。一个人提示词水平越高，说明他越能清楚表达目标、限定问题、定义概念、组织流程、验证结果。所以，提示词工程的本质不是机器技巧，而是人的认知修炼。#新媒沈阳聊ai#

31. 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？

32. 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？

33. 即梦AI 4.0绘画提示词大全：30种经典风格模板 + 4K超清生成指南

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

35. 既然 AI 越来越聪明，那么学习提示词不是浪费时间吗？我小时候英语很差，因为周围总有人说：学英语有什么用？我是中国人，何必学外文，不会 ABC，也当接班人。现在也有人觉得 AI 那么强学英语干嘛。我本来就不喜欢学，这下子找到借口了。等到工作以后才发现，好的技术文档全是英文的，想读一手资料读不了，想跟别人用英文交流张不开嘴，吃了很多年的亏。后来我花了很大力气补英语，现在都没有完全补回来，走了很多弯路。回头看，当年那些说“英语没用”的人，错在哪里？他们不是坏人，只是把一个判断搞反了：因为自己用不上，或者未来技术更强，就断定这个东西没价值。我现在看到有人说“AI 越来越聪明，所以不用学提示词”，感觉特别像当年那些说“学英语没用”的声音。逻辑结构很像：我不需要，所以它没价值；未来会更好，所以现在不用学。这种想法容易让人踩坑。先搞清楚提示词工程到底是什么很多人反感提示词工程，其实反感的是那种“万能提示词模板”、“神秘咒语”，这种东西确实没什么长期价值，模型一升级就失效了。但这不是提示词工程的全部，甚至不是它的重点。真正有价值的提示词工程，是把目标定清楚，把约束条件列明白，把验收标准写出来，把任务拆成可执行的步骤。你愿意的话可以叫它“需求工程”或者“任务设计”，叫什么都行，但这件事本身一直都很值钱。你跟同事说“帮我写个方案”，同事一定会追问：给谁看的？多长？要数据吗？什么时候要？你补充的这些信息，就是在做提示词工程。你跟 AI 协作也是一样的道理，只不过 AI 不会主动追问你（或者追问得不够好），所以你得自己先想清楚。有人说：AI 的目标就是用自然语言像人一样交流，你和谁交流需要用提示词？听起来挺有道理，但仔细想想就会发现问题：你跟人交流，难道就不需要把话说清楚了吗？你去医院说“我不舒服”，医生一定会追问：哪里不舒服？多久了？有没有吃什么药？你不会觉得医生在搞“提示词工程”，你只会觉得这是正常的沟通。AI 能用自然语言交流不等于 AI 有了“读心术”。自然语言天生有歧义，任务目标经常互相矛盾（又要短又要全，又要创新又要安全），输出往往需要特定格式。这些问题不会因为 AI 变聪明就消失。更准确的说法是：AI 越强，对你输入的容错越高，你随便说一句也能得到一个还不错的结果。但“还不错”和“稳定、可靠、符合要求”之间的差距，仍然需要你把需求定义清楚来弥补。相机像素越来越高，但你仍然需要构图。像素高只是让你拍什么都不太糊，但要拍出好照片，你还是得知道自己想拍什么、怎么拍。还有一种类似的说法：“不出三年，软件工程专业就是新的五笔打字培训班。”这和“提示词工程不用学”的思维方式完全一样：看到 AI 能替代某个环节，就急着宣判整个领域的死刑。工程是把一件模糊的、不确定的事情，通过有计划、有步骤的方法，靠谱地做成。软件工程就是把这套思路用在软件开发上，需求怎么理清、架构怎么设计、质量怎么保证、团队怎么协作、项目怎么推进，这是一整套系统性的能力。AI 现在确实强，但它强在软件生命周期里的编码环节（还有很大进步空间），或者说某几个具体阶段。但编码只是软件工程的一个环节，AI 并不能主导整个生命周期，从需求分析、系统设计、技术决策、团队管理到长期维护，这些事情远不是写代码快就能解决的。至少在相当长的时间内都不行。把软件工程等同于写代码，就像把提示词工程等同于背咒语，都是把一个局部当成了全部。高飞说过一句话我很认同：会敲字，不代表会写作；会写作，不代表懂出版。同理：会跟 AI 说一句话，不代表会用好 AI；会用好 AI，不代表能把 AI 嵌入一个可靠的工作流。每一层跳跃之间，都需要“工程”思维来填。以前你自己写代码，现在你指挥 AI 写代码。以前你自己写文章，现在你让 AI 起草再改。工具变了，但“把事情做对”这个责任没有变，仍然在你身上。指挥 AI 本身就是一种能力。你得知道要什么、怎么拆任务、怎么验收、出了问题往哪里查。这些不叫“被替代”，叫工具升级后的能力重心转移。你觉得某些 AI 产品随便说一句就好用，那是因为有人替你把需求定义和约束设计做好了。如果有人说：“我从来不研究怎么把需求说清楚”，这不是什么值得骄傲的事情，“我从来不研究提示词工程”也类似。你以为自己省了时间，其实是把“研究成本”变成了“返工成本”，只不过花得不自知。我当年不学英语，也觉得自己省了时间。后来补课花的时间，比当初好好学多了好几倍。AI 越强，“工程”两个字越值钱，而不是越不值钱。因为强工具放大的是使用者之间的能力差距。同样一个模型，会用的人和不会用的人，产出可以差十倍。拉开差距的，就是你愿不愿意花时间把需求定义好、把流程设计好、把质量管控好。你可以不叫它“提示词工程”，叫“需求设计”也好，叫“任务拆解”也好，叫“跟 AI 好好说话”也行。但“把你想要的东西想清楚、说明白”这件事，不会因为 AI 变强就消失。

36. 【看懂 Claude Code 提示词：验证智能体、反过度工程、记忆压缩才是核心】快速阅读： Claude Code的npm源码包因人为失误意外泄露，有人从中逆向整理出26个提示词，覆盖系统指令、工具调用、智能体协作、记忆管理等全部模块，随后以MIT协议重新授权开源。这份材料本质上是一份提示词工程的实战教材。---有个细节值得注意：Anthropic事后将这次泄露定性为“人为失误”。200美元一个月的工具，整个提示词架构就这样从npm包里被人拆了出来。这26个提示词按功能分得很清晰：1个系统提示词负责身份定义和工具路由，11个工具提示词处理文件读写、shell执行、搜索等操作，5个智能体提示词分别对应探索、架构、验证、文档等角色，4个记忆提示词管理上下文压缩，1个协调提示词处理多智能体编排，还有4个工具提示词生成标题、摘要、建议。读完这些提示词，有几个设计决策让人印象深刻。其一是专门设置了一个“验证专家智能体”，它的职责就是在代码上线前想办法把它搞坏。这不是可选项，是写进架构里的。其二是反过度工程规则被明确写入系统提示词，“不要做用户没有要求的功能”。听起来像废话，但显然Anthropic认为有必要把它钉进去。其三是记忆压缩分9个章节，且保证每一条用户消息都被保留。有观点认为，大家都盯着系统提示词，真正值得研究的反而是那4个记忆提示词。多数AI编程工具在请求之间会忘掉一切，而Claude Code能记住项目结构和之前的编辑操作，这才是它用起来像同事而不像聊天机器人的原因。有网友提到，这个开源仓库引起广泛讨论，也有人认为被过度渲染了，从npm包里逆向提示词并不算什么技术壁垒，真正的护城河是模型质量和训练数据。这个说法大概70%是对的，提示词工程本身不是秘密，但好的提示词架构要花多少时间踩坑才能收敛到这个形态，那是另一回事。每个提示词都从零重写以符合法律要求，意图相同，没有逐字引用。MIT协议，可以直接用。所有内容在这里：github.com/repowise-dev/claude-code-prompts如果你在自己搭智能体，有一个问题可能值得先想清楚：你的系统里有没有一个专门负责破坏自己输出的角色？

37. 高效提示词（prompt）工程指南

38. Seedance 2.0：说中国话的最强AI视频模型！

39. “Skill 不就是长一点的提示词吗？” 上篇文章《别把整个 GitHub 装进 Skills，Skills 的正确用法 http://t.cn/AXqLcGP0 》发出去后，收到一些质疑： > "说 skill 能做配图 prompt 不行。本来 skill 就是加载 md，没 skill 之前我们用 prompt 模板照样也是能做流程编排。" > > "现在大部分 skill 不就是长一点的提示词吗？为什么说'单纯靠提示词做不了'？" 这些批评是对的。我原文确实表达有问题。写"提示词"的时候，我下意识拿 Gem、Project、GPTs 里的那种提示词当例子。那些确实做不到一次性生成配图。但"提示词"是个很宽泛的概念。如果我把 SKILL.md 的内容复制出来发给 Claude Code，再给它一个生成图片的脚本，它一样能完成配图任务。这里的差异不在于提示词能不能复用，Gem 和 GPTs 里的提示词也能复用。差异在于：提示词配套的是 ChatBot，还是 Agent？【1】ChatBot 和 Agent 的核心区别 Skills 的完整名称叫 Agent Skills。注意这个"Agent"，它不是装饰词。Skills 利用 Agent 的虚拟机环境，提供单纯提示词无法实现的能力。一句话总结：ChatBot 只能对话，Agent 能动手干活。具体来说： ChatBot 不能调用工具。你给它一段配图提示词，它能帮你分析文章、生成画图 prompt，但真要生成图片？它只能说"请把这段提示词复制到 Gemini"。剩下的活还是你干。 Agent 能调用工具。同样的配图任务，它能像个经验丰富的编辑一样自己完成： 1. 读取你的文件 2. 分析需要几张图、放哪里 3. 为每张图设计内容和风格 4. 调用画图模型生成图片 5. 把图片插入正确位置 6. 输出成品交到你手上全程自动化，你只需要验收。【2】那 Skill 到底是什么？很多人把 Skill 理解成"一段很长的提示词"，这个理解对了一半。 SKILL.md 的核心确实是指令文本。但 Skill 不止于此。一个 Skill 可以包含三层内容：第一层：元数据。就是 name 和 description，告诉 Agent 这个 Skill 是干嘛的、什么时候该用。这部分在启动时就加载，但只占几十个 token。第二层：指令。SKILL.md 的主体内容，工作流程、最佳实践、注意事项。只有 Agent 判断需要用这个 Skill 时，才会读取这部分。第三层：资源和代码。附带的脚本、模板、参考文档。Agent 按需读取，用的时候才加载。这就是官方说的"渐进式加载"：不是一股脑把所有内容塞进上下文，而是用到什么加载什么。所以你可以给一个 Skill 附带几十份参考文档，只要这次任务用不上，它们就不占用上下文窗口。传统提示词做不到这一点。【3】为什么说配图"单纯靠提示词做不了"？回到原来的争议。如果你说的"提示词"是指发给像 Claude Code 这样的 Agent 的指令，那配图当然能做到。因为这时候提示词是发给 Agent 的，Agent 能调用工具。但如果你说的是发给普通 ChatBot 的提示词，比如 ChatGPT 的自定义指令、Gemini 的 Gem、Claude 的 Project 指令，那确实做不到。因为 ChatBot 没有工具调用能力，它只能输出文字。我原文的问题在于：默认读者理解的"提示词"是 ChatBot 场景下的提示词，但没有明确说出来。更准确的表达应该是：Skill 必须配合 Agent 使用。发给 ChatBot 的提示词，无论写多长多详细，都只能完成对话能完成的事。要让 AI 真正"动手"，需要的是 Agent + 工具调用能力。【4】那我直接给 Claude Code 发长提示词不行吗？行。把 SKILL.md 内容复制出来当提示词发，Agent 一样能执行。这也是为什么有人觉得"Skill 就是长一点的提示词"。但 Skill 的价值不在于"能不能做到"，而在于：可复用。写一次，以后每次相关任务自动触发，不用每次复制粘贴。可组合。分析 Skill + 提纲 Skill + 写作 Skill，像乐高一样拼起来。单独的提示词模板做不到这种模块化组合。可迭代。用着用着发现问题，直接让 Agent 帮你改进 Skill。下次自动生效。传统提示词模板改了之后，你得记得每次都用新版本。可渐进加载。Skill 附带的资源文件不会一开始就占用上下文。你的提示词模板再怎么组织，发出去就是全量加载。简单说：Skill 是提示词的工程化封装。能做的事差不多，但管理成本、复用成本、迭代成本完全不同。【5】最后上篇文章的核心没变：因需而建、可组合、可迭代。 Skill 就是长一点的提示词吗？是的。但光有提示词不够。关键是执行这段提示词的系统，到底是只会说的 ChatBot，还是能真正动手的 Agent。 Skill 是给 Agent 用的。没有 Agent 的工具调用能力，Skill 就只是一段躺在文件夹里的 Markdown。

40. 看看 Claude Code 怎么做 Harness，这才是 Agent 工程化的真正难点

41. #Seedance必玩提示词模板#Seedance2.0也太懂年味了吧！我直接用它做了春晚围炉的氛围感视频，40秒画面直接拉满新年的温馨感，运镜和画面流畅度真的惊艳到我，完全没有违和的卡顿感，细节里的烟火气都拿捏得超到位

42. AI提示词工程小白实战指南

43. 面试题

44. 【AI应用开发捷径之路】第一课

45. Spring AI 2.0 的Prompt与PromptTemplate

46. 零基础学AI大模型SpringAI教程+Springboot3.X+多案例实战

47. 跳出“调参”误区

48. 【尚硅谷 2025】SpringAI 实战全攻略

49. 如何写出让AI秒懂的好提示词？手把手教你避开3大天坑（附实战案例）

50. 提示词是效率杠杆

51. 如何与AI对话？｜提示词Prompt优化的10个秘笈

52. 提示词写得好，AI效率翻倍

53. 提示词写得好不好，真的是两个世界

54. AIGC学习-提示词设计与优化

55. 研究了快3年AI提示词，心得都在这了

56. Spring AI提示词实战

57. 提示词工程

58. AI 辅助创作不违规？关键在提示词-CSDN博客

59. 好提示词不是"写"出来的，是"测"出来的

60. 2026年了！大部分人还不会给AI提示词。

61. 掌握提示词逻辑，告别AI交互低效内耗

62. 10个AI提示词神级模板，复制粘贴就能用，工作效率直接拉满

63. 吃透高效提示词用法，轻松解锁 AI 全部创作潜能

64. 10个高效通用的AI提示词模板使用方法

65. Patrick Debois

66. 《大模型上下文工程（Context Engineering）指南》3月13日发布

67. 【AI白皮书】上下文工程

68. 【AI 实践之路 7】AI 听不懂你？4 种方法建立项目上下文

69. 2.一文讲透大模型的上下文管理，让AI不再7秒就忘

70. 【AI Engineer】 | 上下文变成新的代码

71. 我来彻底说说AI上下文工程（中）

72. 为什么你的 Skill 总是上下文超限？三段式加载设计详解

73. SpringAI源码分析（06） - 知识库增强机制原理详解

74. 大模型应用开发Agent+MCP+RAG+Skill+SpringAI技术栈实战网盘 - 哔哩哔哩

75. 削减AI幻觉心得

76. 分享 10 个 OpenAI、Anthropic 和 Google 内部都在用的提示词技巧（建议收藏）

77. 让 AI 输出「听话」的秘密 —— 结构化输出与 JSON 模式

78. 从AI“说人话”到“说结构话”

79. 告别ObjectMapper！Spring AI 1.1.2结构化输出一行代码搞定

80. Spring AI学习笔记十五

81. 一篇讲懂区别及用法大模型3大核心优化技术

82. 大模型 vs 微调模型

83. Spring AI 介绍

84. SpringBoot + Spring AI 玩转智能应用开发

85. spring-ai快速上手，接入deepseek大模型

86. 提示工程（Prompt Engineering）总结

87. 不会写提示词=浪费Ai

88. 你每月烧掉的 Token 费用，至少 20% 都是冤枉钱

89. Spring AI + ReAct 搭建自己的 Agent

90. 揭秘提示词工程背后的秘密：提示词工程为啥是工程？

91. Spring AI 接入DeepSeek大模型

92. 6年Prompt工程精华浓缩：53分钟掌握高效AI提示术

93. AI提示调试减半秘诀

94. SpringAI实践（09） - Skill 使用指南

95. 07_Spring AI 干货笔记之提示词

96. Spring AI 1.0 实战：从原理到落地的完整指南

97. 90%的提示词方法正在失效：GPT-5.5发布后的真相 - 哔哩哔哩

98. 一文搞懂提示微调大模型的工作原理！

99. SpringAI实践（2） - ChatClient Advisor（建议器）

100. GitHub开源提示词优化工具，支持 Windows _ macOS _ Linux，可将模糊想法自动优化成专业提示词，兼容多种主流 AI 模型。

101. 如何利用提示词缓存节约成本

102. 提示词优化工具，帮助你编写更好的提示词。Prompt Optimizer是一个强大的AI提示词优化工具，帮助你编写更好的AI提示词，提升AI输出质量。支持Web应用、桌面应用、Chrome插件和Docker部署四种使用方式。功能特点： 🎯 智能优化：一键优化提示词，支持多轮迭代改进，提升AI回复准确度 📝 双模式优化：支持系统提示词优化和用户提示词优化，满足不同使用场景 🔄 对比测试：支持原始提示词和优化后提示词的实时对比，直观展示优化效果 🤖 多模型集成：支持OpenAI、Gemini、DeepSeek、智谱AI、SiliconFlow等主流AI模型 🖼️ 图像生成：支持文生图（T2I）和图生图（I2I），集成Gemini、Seedream等图像模型 📊 高级测试模式：上下文变量管理、多轮会话测试、工具调用（Function Calling）支持 🔒 安全架构：纯客户端处理，数据直接与AI服务商交互，不经过中间服务器 📱 多端支持：同时提供Web应用、桌面应用、Chrome插件和Docker部署四种使用方式 🔐 访问控制：支持密码保护功能，保障部署安全 🧩 MCP协议支持：支持Model Context Protocol (MCP) 协议，可与Claude Desktop等MCP兼容应用集成。#ai新星计划 #ai #提示词 #计算机 #程序员

103. 一行代码让AI变成代码审查专家！ Java转AI大模型开发 - S01E03：System Prompt与角色扮演 ✅ 角色扮演：代码审查、SQL生成、周报助手 ✅ 多模型切换：不同场景用不同模型，省钱高效 ✅ PromptTemplate：动态变量，灵活配置 💬 你最想让AI帮你做什么？ #Java #SpringAI #AI大模型 #程序员 #Prompt工程

104. AI 总“胡说八道”？我用 SpringAI + Azure 向量数据库把它治好了！

105. AI总答非所问？这三句万能提示词，帮你省下80%无效沟通时间

106. AI编码提示词工程是一个完整的、系统化的AI编码辅助体系，它将成功的AI编码实践经验转化为可复用的知识资产。通过标准化的Prompt设计、分层架构的工程体系和完善的质量保障机制，帮助开发团队：提升开发效率: 自动化重复性工作，让开发者聚焦业务逻辑保证代码质量: 通过标准化Prompt确保代码符合最佳实践降低学习成本: 新成员可以快速掌握团队编码规范促进知识传承: 将专家经验沉淀为可复用的Prompt模板支持持续改进: 基于使用反馈持续优化Prompt内容这套工程体系不仅是AI编码的工具集合，更是团队知识管理和工程能力提升的重要载体。通过系统化的应用，可以帮助团队实现AI编码能力的快速提升，达到89.2%的AI编码采纳率，并显著提升需求交付效率。 #冬日生活打卡季#

107. 别再问AI“怎么办”了！这几个提示词模板，让它直接给你靠谱创意

108. SpringAI Alibaba+RAG+Milvus 传统应用升级项目实战

109. 【2026】 LLM大模型智能引擎实战（SpringAI+RAG+RAG+实时搜索），全程干货！

110. AI 提示词实战指南：提示词工程的结构化框架与方法

111. 大模型提示词优化终极指南：专家级开发全攻略，收藏级教程！

112. Java开发,LLM大模型应用开发实战教程，SpringAI RAG MCP打造实时搜索引擎教程 - 哔哩哔哩

113. 提示词工程👉上下文工程👉harness工程

114. 上下文管理功能：让长对话始终专注

115. AI 提示词最后一课：4 招杜绝幻觉，记住 “万事不决用 AI” 就够了

116. 提示词工程师月入三万：把AI调教好的核心心法全公开

117. 别再乱输关键词了！掌握AI底层逻辑，提示词一用就准

118. 提示词怎么写都不对？试试这套“调试法”，效果立竿见影

119. 从大模型底层原理，教你写出 100% 可控的文生图提示词｜固定框架 + 微调案例，新手也能精准出片

120. 你了解AI文字生成的底层逻辑吗？一篇文章带你巧用提示词

121. 训练 / 微调 / 提示词：AI 三大核心操作，区别在哪？小白也能分清

122. 我用这套"超级提示词"让AI效率暴涨300%

123. 解锁 AI 潜能：Prompt Engineering 核心技巧与避坑指南

124. 让AI更懂你：一文讲透模型微调——用得好是神器，用不对就白费力

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！