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

张大妈

提示工程不是玄学：一套系统学习流程让你高效驾驭AI

源自92位全网作者

05-19 10:34

精选参考来源

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。

【2026 AI 工程师面试核心：90% 考点都在这 12 个概念里】站在2026年的门槛上，AI工程师的面试已经从最初的玄学回归到了工程本质。无论面试官如何发问，90%的核心考点都逃不出这12个概念的范畴。这不仅是一份面试清单，更是构建生产级AI应用的技术地图。1. 提示工程 (Prompt Engineering)这是与模型沟通的艺术。不仅是写几句话，而是通过Zero-shot、Few-shot、思维链(CoT)、思维树(ToT)以及ReAct框架来精准引导模型。见解：提示词是最低成本的逻辑控制，但其脆弱性要求工程师必须具备模型无关的防御性编程思维。2. 检索增强生成 (RAG)让模型查字典后再说话。通过检索相关知识块并注入提示词，解决模型幻觉和知识滞后问题。见解：RAG的本质是知识解耦，检索质量直接决定了生成的上限。3. 向量嵌入与向量数据库 (Vector Embeddings & DBs)语义搜索的基石。将非结构化数据转化为数学向量，实现真正的语义理解。见解：选型Pinecone或PGVector只是开始，索引的更新频率和检索精度才是生产环境的痛点。4. 智能体与工具调用 (Agentic AI & Tool Calling)从对话框到行动派。让模型自主规划、调用外部API并进行自我反思。见解：Agent是AI从“助理”向“员工”转变的关键，难点在于如何防止逻辑死循环和幻觉执行。5. 深度推理与思维链 (CoT & Reasoning)让模型“想清楚再开口”。通过步骤拆解、自我批判来提升逻辑复杂任务的表现。见解：推理能力是有代价的，工程师需要在Token成本、响应延迟与逻辑正确性之间寻找平衡。6. 记忆持久化与上下文管理 (Memory Management)解决AI的“鱼类记忆”。利用向量存储和摘要技术，管理长短期记忆。见解：上下文窗口再大也有极限，高效的上下文压缩和状态管理是长对话系统的核心。7. 流式传输与异步模式 (Streaming & Async)优化用户体验的关键。实时推送Token，异步处理工具调用和后台任务。见解：在AI时代，UX就是生产力。流式输出能极大缓解用户在等待复杂推理时的焦虑。8. 推理优化 (Inference Optimization)让AI跑得更快、更省。涉及量化、蒸馏、vLLM加速和缓存技术。见解：模型训练是科学，模型推理是工程。5到10倍的成本缩减往往来自于这些底层的优化。9. Token与成本管理 (FinOps)每一行输出都是真金白银。通过提示词压缩、模型路由和精细化监控来控制账单。见解：不能为公司省钱的AI工程师不是好的架构师。10. 微调技术 (Fine-Tuning/PEFT)领域专家的养成。利用LoRA、QLoRA等轻量化技术，在有限资源下实现模型风格和知识的定制。见解：微调不是为了灌输知识，而是为了对齐领域内的表达风格和任务规范。11. 评估与度量 (LLM Eval)告别“体感评估”。使用RAGAS、LLM-as-judge以及黄金数据集进行量化评分。见解：没有度量就没有进步。自动化评估流程是CI/CD在AI时代的延伸。12. MLOps与生产部署从Demo到服务。涵盖监控、漂移检测、护栏机制(Guardrails)和回滚策略。见解：AI应用的稳定性不取决于模型本身，而取决于支撑它的工程基础设施。虽然这12个概念定义了AI工程师的专业深度，但面试的第一关往往依然是扎实的编程功底。Python数据结构、算法以及系统设计是进入这些高级讨论的入场券。提示工程提供即时控制，RAG注入可靠知识，向量实现语义搜索，Agent赋予行动能力，而MLOps则保证这一切在生产环境中稳定运行。x.com/ConsciousRide/status/2044471256846897155

全部
来源

内容由AI生成

1. 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。

2. 【2026 AI 工程师面试核心：90% 考点都在这 12 个概念里】站在2026年的门槛上，AI工程师的面试已经从最初的玄学回归到了工程本质。无论面试官如何发问，90%的核心考点都逃不出这12个概念的范畴。这不仅是一份面试清单，更是构建生产级AI应用的技术地图。1. 提示工程 (Prompt Engineering)这是与模型沟通的艺术。不仅是写几句话，而是通过Zero-shot、Few-shot、思维链(CoT)、思维树(ToT)以及ReAct框架来精准引导模型。见解：提示词是最低成本的逻辑控制，但其脆弱性要求工程师必须具备模型无关的防御性编程思维。2. 检索增强生成 (RAG)让模型查字典后再说话。通过检索相关知识块并注入提示词，解决模型幻觉和知识滞后问题。见解：RAG的本质是知识解耦，检索质量直接决定了生成的上限。3. 向量嵌入与向量数据库 (Vector Embeddings & DBs)语义搜索的基石。将非结构化数据转化为数学向量，实现真正的语义理解。见解：选型Pinecone或PGVector只是开始，索引的更新频率和检索精度才是生产环境的痛点。4. 智能体与工具调用 (Agentic AI & Tool Calling)从对话框到行动派。让模型自主规划、调用外部API并进行自我反思。见解：Agent是AI从“助理”向“员工”转变的关键，难点在于如何防止逻辑死循环和幻觉执行。5. 深度推理与思维链 (CoT & Reasoning)让模型“想清楚再开口”。通过步骤拆解、自我批判来提升逻辑复杂任务的表现。见解：推理能力是有代价的，工程师需要在Token成本、响应延迟与逻辑正确性之间寻找平衡。6. 记忆持久化与上下文管理 (Memory Management)解决AI的“鱼类记忆”。利用向量存储和摘要技术，管理长短期记忆。见解：上下文窗口再大也有极限，高效的上下文压缩和状态管理是长对话系统的核心。7. 流式传输与异步模式 (Streaming & Async)优化用户体验的关键。实时推送Token，异步处理工具调用和后台任务。见解：在AI时代，UX就是生产力。流式输出能极大缓解用户在等待复杂推理时的焦虑。8. 推理优化 (Inference Optimization)让AI跑得更快、更省。涉及量化、蒸馏、vLLM加速和缓存技术。见解：模型训练是科学，模型推理是工程。5到10倍的成本缩减往往来自于这些底层的优化。9. Token与成本管理 (FinOps)每一行输出都是真金白银。通过提示词压缩、模型路由和精细化监控来控制账单。见解：不能为公司省钱的AI工程师不是好的架构师。10. 微调技术 (Fine-Tuning/PEFT)领域专家的养成。利用LoRA、QLoRA等轻量化技术，在有限资源下实现模型风格和知识的定制。见解：微调不是为了灌输知识，而是为了对齐领域内的表达风格和任务规范。11. 评估与度量 (LLM Eval)告别“体感评估”。使用RAGAS、LLM-as-judge以及黄金数据集进行量化评分。见解：没有度量就没有进步。自动化评估流程是CI/CD在AI时代的延伸。12. MLOps与生产部署从Demo到服务。涵盖监控、漂移检测、护栏机制(Guardrails)和回滚策略。见解：AI应用的稳定性不取决于模型本身，而取决于支撑它的工程基础设施。虽然这12个概念定义了AI工程师的专业深度，但面试的第一关往往依然是扎实的编程功底。Python数据结构、算法以及系统设计是进入这些高级讨论的入场券。提示工程提供即时控制，RAG注入可靠知识，向量实现语义搜索，Agent赋予行动能力，而MLOps则保证这一切在生产环境中稳定运行。x.com/ConsciousRide/status/2044471256846897155

3. 【2026年AI工程师学习路线：从调用模型到构建系统的九个关键能力】AI工程和传统机器学习工程正在分道扬镳。机器学习工程师从零训练模型，AI工程师则在基础模型之上构建应用。这个转变意味着你需要学习的东西完全不同了。一、理解基础模型GPT、Claude、Gemini、Llama这些基础模型是现代AI应用的基石。你不需要从头训练，但必须深入理解它们的能力边界、分词机制、上下文窗口和定价策略。成本控制能力往往决定了一个AI应用能否活下去。入门项目：做一个模型对比笔记本，用同样的10个提示词测试不同模型，记录质量、速度和风格差异。二、提示词工程在AI工程领域，提示词就是你的代码。一个平庸的AI应用和一个优秀的AI应用，差距往往就在提示词设计上。少样本学习、思维链、结构化输出这些技术能大幅提升效果，而且不需要任何模型训练。入门项目：选一个任务，写五种不同风格的提示词，在电子表格里打分对比。三、检索增强生成大模型有知识截止日期，还会产生幻觉。RAG让它们扎根于你的数据。从客服机器人到内部知识助手，这是生产环境中最常见的AI应用模式。分块策略、嵌入模型、向量数据库、检索指标，这些都是必修课。入门项目：用你自己的笔记文件搭建一个简单的RAG应用，50行代码就能跑起来。四、评估与测试凭感觉评估无法规模化。你需要系统性的方法来衡量AI应用是否在进步：构建评估数据集、选择指标、跑AB测试、检测性能退化。没有好的评估体系，你就是在盲飞。入门项目：准备20个问答对，写个脚本自动评分，每次改提示词都跑一遍。五、智能体与工具调用智能体把大模型从文本生成器变成行动执行者。它们能浏览网页、执行代码、查询数据库、调用API。理解智能体架构、工具设计和失败模式，是构建自主AI系统的关键。入门项目：做一个计算器智能体，让它通过调用工具来回答数学问题。六、结构化输出与数据提取真实应用需要结构化数据，JSON、SQL、API调用，而非自由文本。JSON模式、函数调用、约束生成这些技术确保大模型输出能与下游系统对接。这是对话式AI和软件工程之间的桥梁。入门项目：做一个食谱提取器，把网页上的乱七八糟的文本变成干净的JSON结构。七、护栏与安全AI应用可能被越狱、产生有害内容、泄露敏感信息。输入输出护栏、隐私检测、内容过滤、对抗测试，这些在生产部署中不可或缺。入门项目：给你的聊天机器人加上简单的输入输出过滤，用关键词匹配检测提示词注入。八、可观测性与监控无法衡量就无法改进。生产级AI系统需要日志、追踪、成本跟踪、质量监控和告警。入门项目：给你的应用加上调用日志，记录时间戳、提示词、响应、延迟、token数量和估算成本。一周后分析数据，你会发现很多优化空间。九、AI系统架构真实的AI应用是多个组件的组合：检索器、模型、护栏、缓存、数据库。理解复合AI系统的设计模式，才能构建可维护、可测试、可扩展的架构。综合项目：做一个个人助手机器人，整合RAG、结构化输出、输入验证和日志记录，部署到免费平台上。这就是一个能展示真实能力的作品集项目。有评论提出了一个值得深思的观点：2026年AI工程师真正的核心能力，是知道哪些层该自己掌控，哪些层该交给框架处理。这个答案每个季度都在变。智能体正在以超出学习速度的节奏压缩技术栈，RAG、结构化输出、护栏越来越多地被内置到平台中。学会构建固然重要，学会判断何时不必亲自构建，可能更重要。x.com/manthanguptaa/status/2018297734995075200

4. 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

5. 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

6. 发现一个调试LLM系统提示词的妙招，很简单但是很有用，不管你把LLM设计成工具调用还是结构化输出的Agent，当它输出不符合预期的时候，直接基于当前的历史记录问它：你为什么要这么做？它对于自己错误给出的分析是最准确的。

7. Harness Engineering：AI Agent 落地企业的工程化核心

8. 还能这么用？超全！豆包 AI 使用指南丨省钱丨创作丨学习丨陪伴……

9. 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#

10. 一位中国AI创业者，一行代码都没写，却靠着AI智能体，冲进了OpenClaw全球贡献者前30，而且排在他前后的，是一批干了十几年的硅谷顶级工程师。#大有学问 #红衣聊AI #创业 #智能体

11. 照着学～大语言模型（LLM）学习路径和资料汇总入门篇：- 了解大语言模型的基础知识和常见术语。- 学会使用编程语言访问 OpenAI API 等常见大语言模型接口。- 面向非专业背景的大模型普及知识。应用篇：- 可以在本地环境搭建开源模型的推理环境。- 大语言模型应用开发框架（如 LangChain、Dify等）。- Prompt 工程、 RAG、Agent 等大模型应用开发范式。深入篇：- 大模型技术原理、训练微调、数据工程、推理优化等。- 大模型应用范式（RAG、Agent等）前沿进展。访问：github.com/ninehills/blog/issues/97#HOW I AI# #程序员#

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

13. 📌《Google 9 小时 AI Prompt 工程课程》20 分钟精华总结by Tina Huang🎯 0:00 — IntroTina 说明此影片是对 Google 官方 9 小时 Prompt Engineering Essentials 课程的浓缩总结。内容涵盖基础提示技巧、迭代方法、多模态、数据分析、AI Agent 设计等核心能力。网页链接

14. 2025年AI提示词深度指南：从基础知识到高级技巧

15. 高效提示词（prompt）工程指南

16. 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。

17. 文科生史诗级加强！外网AI视频的天塌了！seedance加image2的核心技术被发现，完整提示词分享|中国爱死机|AIGC

18. Harness Engineering（驭缰工程）是 OpenAI 在 2026 年 2 月提出的工程范式：工程师不再写代码，而是设计环境、明确意图、构建反馈回路，让 AI 智能体可靠地完成工作。传统工程：人类写代码 → 机器执行代码Harness Engineering：人类设计约束 → 智能体写代码 → 机器执行代码核心转变：工程师的产出从代码变成了约束系统——AGENTS.md、架构规则、自定义 linter、反馈回路。给大家推荐一个开源项目：Harness Engineering 学习指南，感兴趣的可以了解一下 Harness Engineering 。传送门：github.com/deusyu/harness-engineering#科技先锋官##How I AI#

19. 鹏说：AI Trading Agent时代下的思考

20. 2026 年，终于有个 AI 产品不用我学提示词了

21. 字跳TRAE团队发了个《2026 企业级AI编程实践手册》，总结了他们的AI编程方法论和工程实践网页链接“在2026年，AI编程已不再是实验性的尝试，而应该成为企业软件开发的核心生产力。本手册源于TRAE团队在构建AI编程助手过程中的真实实践——我们用AI构建AI，在这个过程中积累了从方法论到工程实践的完整经验。这不是一本理论书籍，而是一线研发团队的实战总结。我们将分享如何将AI真正融入企业级开发流程，如何建立可复制的工程规范，以及如何让团队从“会用AI”到“精通AI编程”。无论你是技术决策者、架构师还是一线开发者，都能在这里找到可落地的方法和工具。AI时代的软件开发不是替代人类，而是重构协作方式。让我们一起探索这个新范式。”#How I AI#

22. 谷歌新书Agent设计模式(agentic design patterns)最佳中文版，持续优化。附：在线阅读、pdf和epub电子书下载。地址：github.com/xindoo/agentic-design-patterns《Agentic Design Patterns》探讨了构建智能 AI Agent 系统的核心设计模式，包括：提示链、路由、并行化等基础模式反思、工具使用、规划等进阶模式多智能体协作、记忆管理、知识检索等高级模式安全防护、评估监控等实践模式#How I AI##AI创造营#

23. 模型沟通术：提示工程与上下文学习的实践指南

24. 【AI 术语解码局】提示词工程（Prompt Engineering）：设计与模型的交互方式，有效激发模型能力

25. 《2025提示工程从入门到进阶指南》正式发布 | 中科算网算泥社区

26. 提示词工程的范式跃迁——从“指令技巧”到“目标定义”

27. 提示词工程 2026：你应该掌握的 5 个新思路

28. 动手学大模型智能体第三章提示工程

29. 【专栏·知行录】第一期|提示工程

30. 提示工程相关概念

31. 提示词工程要死了吗？2026年还值不值得学

32. 第十章核心能力构建：提示工程、工作流设计与AI思维

33. 吴恩达 ai-prompting-for-everyone 【面向所有人的AI提示工程】

34. Github-提示工程权威指南：解锁大语言模型潜力的钥匙

35. 多模态LLM视觉提示实战指南：四层结构框架 + 三大行业场景落地案例

36. 《2025 提示工程从入门到进阶指南》12月11日发布

37. AI Agent 的进化:从提示工程到上下文工程

38. AI提示词工程的演进：从手艺到技能工程

39. Spring AI系列之提示词工程学习指南

40. AI提示词工程开发实战

41. Prompt Engineering（提示工程）：超越“魔法指令”的系统性交互科学

42. LLM Power Prompting — 大语言模型高效提示工程

43. 谷歌提示词工程指南核心解读中文版

44. 提示工程最佳实践：如何与 AI 更好地对话

45. 吴恩达AI提示工程指南

46. 【每日AI干货】2026年4月必学：提示词工程+AI Agent实战技巧

47. 提示工程：解锁大语言模型能力的核心方法

48. 斯坦福课程：如何通过改进提示词获得更好的结果

49. 谷歌最新发布68页AI提示词工程，并做进了DeepSeek的知识库，附链接

50. 提示工程发展生态与典型工具/论文简述

51. 提示词工程从入门到进阶（一）

52. 【2026推荐】AI大模型提示词工程，从入门到精通教程，全程干货建议收藏！

53. 大模型提示词技巧全解析：2026年必备！这份干货清单请收藏（超详细分类）

54. 提示词工程·学习备忘录

55. AI提示词进阶教程 3 - 结构化提示词的工程模型

56. 设计更智能的提示并提升您的 LLM 输出：来自 AI 工程师工具箱的真实技巧

57. 普通人如何定义提示词工程？

58. 高级数据科学项目提示工程

59. 教育革命：ASU与OpenAI共建全球首个AI校园，提示工程专业引爆就业市场！

60. 从“问错AI”到“用对AI”：2026年提示工程入门指南，让你第一次就拿到想要的结果

61. 2026 AI提示词工程师培训指南：行业导师对比与落地路径

62. 用这些提示工程技巧和技巧成为更好的数据科学家

63. 2025年提示词工程完全指南：从入门到精通实操宝典

64. 吴恩达【面向所有人的AI提示工程】（中文语音）

65. Awesome Prompt Engineering：驾驭 AI 的提示词指南

66. 谷歌《提示工程白皮书》解读学习：让你的AI更懂你 | Prompt Engineering Google White Paper

67. 提升 LLM 输出质量的 8 种技术——图解及用法说明。

68. 145k星！全球最大开源AI提示词库 prompts.chat 完全指南

69. 来学氛围编程吧（6）——提示词工程

70. 2026年大模型提示词技巧全解析：必备干货清单，助你成为AI提示词大师！

71. 【AI开源雷达】GitHub 热榜 AI 项目：文件搜索/录屏/提示词库

72. 英文新書推薦《人人皆可提示工程：自学式、以人为本的AI编程方法》

73. 解码Claude技能架构从提示工程到上下文工程的范式演进

74. 告别提示词依赖：构建可落地大模型的8大核心技能！

75. 自我教育的Cursor Code第六课：提示工程、模型选择与最佳实践

76. 大模型入门第十课：提示词工程——解锁AI那90%的隐藏能力

77. 写AI提示词总出废结果？ | 117个中文场景化提示词库开源，覆盖工作/学习/营销全场景（附使用规范）

78. 【实战篇】从提示工程到上下文工程：基于LangChain构建下一代AI应用

79. 企业AI团队必备的8大LLM开发技能

80. 10大顶级免费AI学习渠道｜分类整理+课程特色+进阶学习路径

81. 【AI大模型实战】2小时彻底掌握提示词工程（Prompt Engineering - 哔哩哔哩

82. 传统编程智慧能否提升AI提示效果？全网观点大碰撞

83. 详解 | AI系统工程范式的演化及最新进展：Prompt Engineering→Context Engineering →Harness Engineering

84. 文生图高级提示技巧（十七）：提示词最佳实践

85. 利用基于提示的大语言模型实现高等教育中的自动化评分与反馈生成

86. 从零开始学提示工程:上下文工程在自动驾驶中的实战指南

87. 强推这个提示词库，小白秒变提示词专家！

88. 【全100集】2026一次性学懂LLM提示词工程！深入浅出，小白必看！草履虫都能听懂

89. 文生图高级提示技巧（十三）：跨模型提示迁移、自动化提示优化

90. 文生图高级提示技巧（十五）：提示词最佳实践

91. 文生图高级提示技巧（十一）：链式提示与Lora风格模型

92. 【AI人工智能题库】AI中提示工程Prompt Engineering - 哔哩哔哩

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！