Prompt工程：让AI精准输出代码的关键协作协议_服务软件

1. 谷歌68页提示词圣经+老金原创元提示词，直接复制就能用

2. Seedance2.0只是前菜，未来的AI编程会更加疯狂。

3. 全球每天600+程序员失业，这个锅该AI来背吗？

4. 问：上下文（Context）和上下文窗口（Context Window）什么差别？这两个概念经常被混用，但其实指的是不同层面的东西：上下文是指 AI Agent 在执行任务时实际拥有的所有信息，包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织，这就是现在越来越多人说的 Context Engineering。上下文窗口则是模型层面的一个硬性限制，指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字，说的就是上下文窗口的大小。它本质上是一个“容器的容量”。打个比方：上下文窗口是你厨房操作台的面积，上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大（上下文窗口有上限），但你放什么上去、怎么摆放（上下文的管理）决定了你能不能高效做菜。在 Agent 开发中，一个核心挑战就是：Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理：摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。简单总结就是：上下文（Context）是“内容”，上下文窗口（Context Window）是“装内容的容器”。做 Agent 工程的核心功夫之一，就是在有限的“上下文窗口”里塞进最有价值的“上下文”。

5. Prompts 的软件工程网页链接“LLMs 无法在“开箱即用”的情况下，以可接受的标准完成我感兴趣的大多数事情，所以我们经常会尝试设计 prompts 来提升性能。做得越多，我越有一种感觉：我们其实是在一种非常不同寻常的编程语言上做软件工程。很多人都类比过 prompts 和代码，但我还没看到太多从软件工程视角来看待“prompt engineering”的讨论。软件工程关注的是软件制品的需求、设计、实现、调试、测试和维护。而我在 prompts 中也看到了这些方面的对应关系。比如，我们经常会花时间找出 LLM 失败的案例，然后在 prompt 中添加额外规则来修复这些问题，并不断迭代。遗憾的是，有时候添加一条规则会导致模型产生新的错误。这和我调试、测试传统软件制品时的经验非常相似！下面我会用“system”来同时指代传统软件，以及 prompt + LLM 这类制品。请注意，在这篇博客中，我讨论的是构建一个可以完成重要领域任务的系统，也许它是某个更大工作流的一部分，例如提供医疗或法律建议。我讨论的不是把 LLM 当作助手来使用，比如让它在网上查找信息、总结文档、建议如何改进写作等。我也主要关注的是使用 LLM 直接完成某项任务，而不是要求 LLM 生成能完成该任务的代码。”

6. MSE Nacos Prompt 管理：让 AI Agent 的核心配置真正可治理

7. 《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）

8. 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。

9. 字节火山开源的上下文数据库OpenViking, 专为 AI Agent 设计。该项目通过文件系统范式，统一管理智能体所需的记忆、资源与技能，解决了传统 RAG 架构中信息碎片化和检索低效的问题。1. 文件系统管理范式 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理；2. 分层上下文按需加载 → 降低 Token 消耗：L0/L1/L2 三层结构，按需加载，大幅节省成本；3. 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，融合目录定位与语义搜索，实现递归式精准上下文获取；4. 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化；5. 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明。项目：github.com/volcengine/OpenViking#HOW I AI# #过个有ai年#

10. Prompt已过时，得Harness者得天下：拆解智能体操作系统

11. 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？

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

13. 高效提示词（prompt）工程指南

14. 刚给一家公司作了咨询，他们的痛点是全面应用了AI编程，但并没觉得有什么效率提升，反而导致了各种问题。我找了几个开发人员简单聊了一下，听他们的操作的我笑了。这是古法思维在玩AI编程，那肯定要崩的。 AI编程在软件工程中应用的最大障碍是生成代码速度与代码质量控制的矛盾。简单说就是AI无论你说什么，他都能给你圆上，输出一堆似是而非，看上去一本正经，其实是胡说八道，糊弄式的生成内容。这在软件工程中是非常致命的。很多程序员本身能力不强，依赖AI生成代码，没能力对AI生成代码审核，跑通了就敢往上提交。到我去看的时候，他们的AI编程项目已经成了一座巨大的屎山，耗费了天量的token，生成了一堆垃圾。各程序员之间没有协同，AI按提示词模板各自发挥，可以说是整个团队在AI的幻觉中放飞了自我。以为花了大钱买了国际知名AI编程工具能让公司起飞，结果是一地鸡毛。他们也尝试改进过策略，挑了十几个精英为AI做code review，结果是AI生成飞快，CR慢如蜗牛，速度还不如传统古法编程了。老板都懵了，到底哪出问题了，不是说用了AI降维打击了吗？结果没打击竞争对手，先把自己给打击了。他们又反思了，觉得集中式CR确实还不如古法编程，开始搞提示词规范化，原来用AI放飞自我的团队开始用AI生成提示词，几个团队不对代码开始对提示词了。提示词生成多了还需要管理起来，还得给提示词分模块，搞了一个巨大的提示词库。用AI生成的提示词让AI进行编程，那效果别提有多酸爽了。我问他们，把严格的代码逻辑编程变成模糊的自然语言编程，有意思吗？几人语塞。老板问我怎么解决，我说花钱吧，花钱买我课程，哈哈。不要指望在自己是白痴的情况下AI能把你带飞，AI编程的强大之处在于强者杠杆的指数效应，也就是说越强的人用AI越强，普通人用AI仍然普通，甚至会造成负作用。现在AI编程用得好的公司都是短小精干，百十人，人均强者，自己审核自己的代码，知道怎么控制AI进行高效率高质量产出，知道怎么与同样频道的人协作。一句话，强大的AI需要强大的人类，宝刀还得配英雄。不提升自己仅想花钱买个工具就变强，纯属痴人说梦。我跟老板说，考虑开人吧，把所有能力平庸的程序员全部开除，然后用三倍五倍的价格，招聘原来十分之一的强人进来，你的团队效率马上质变，AI编程也就能落地了。没办法，这就是现实。

15. GitReverse：开启提示考古学，将代码库还原为创作灵感在 AI 驱动开发的时代，我们经常看到令人惊叹的开源项目，却往往忽略了它们诞生的起点。GitReverse 是一款新兴的开源工具，它能将任何公共 GitHub 仓库逆向工程，转化为一段纯自然语言的 AI 提示词。这不仅是一个技术工具，更是一场关于代码意图的考古之旅。核心逻辑：从结果溯源动机GitReverse 的工作原理极具启发性。它通过抓取仓库的元数据、根目录文件树以及 README 文件，利用大语言模型（经由 OpenRouter 调用）重新合成一段对话式的用户提示词。这段提示词精准地捕捉了项目的核心逻辑与架构意图。你可以直接将其复制到 Cursor、Claude Code 或 Codex 中，实现所谓的 vibe coding —— 凭借直觉和 AI 的协作，从零开始重建或迭代一个项目。使用体验：极其简单的交互GitReverse 提供了一种近乎魔法的快捷操作：只需将任何 GitHub 仓库链接中的 hub 替换为 reverse，即可直接跳转到逆向生成的页面。例如：将 github.com/owner/repo 修改为 gitreverse.com/owner/repo。这种无缝的转换体验，让开发者能够快速在阅读代码和理解提示词之间切换。+ 为什么我们需要提示考古学1. 找回遗失的意图：开发者常常在漫长的迭代中忘记了最初构建项目的核心逻辑。GitReverse 帮助我们快速恢复原始提示，找回开发的初心。2. 拆解大师的作品：通过分析 Linux、React 或其他高质量开源项目的逆向提示词，我们可以学习顶级开发者是如何向 AI 描述复杂问题的。这是一种最高效的提示工程进阶方式。3. 优化 AI 的认知负载：与其让 AI 一次性读取数百个源文件导致上下文迷失，不如给它一个精准的合成提示词。这能让 AI 更清晰地理解项目全貌，从而提供更准确的编码建议。+ 技术边界与开源精神需要明确的是，GitReverse 与 Git 原生命令有着本质区别。git revert 是为了撤销变更并保留历史，而 GitReverse 则是为了挖掘历史背后的逻辑。它不涉及代码的版本控制，而是专注于代码的语义重构。目前该项目已在 GitHub 开源，项目地址为 github.com/filiksyos/gitreverse。它采用轻量级的 Web 应用架构，支持 pnpm 运行，并欢迎社区通过 PR 贡献力量。+ 代码是凝固的逻辑，提示词是流动的思想如果说代码是最终的成品，那么提示词就是最初的蓝图。GitReverse 的出现标志着开发模式的转变：我们不再仅仅关注如何编写代码，更开始关注如何清晰地表达意图。在 2026 年的 AI 开发生态中，能逆向理解他人的思维路径，将成为开发者的一项核心竞争力。访问地址：gitreverse.com开源仓库：github.com/filiksyos/gitreverse

16. 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#

17. 还在为怎么写AI提示词发愁？这个工具能帮你自动优化

18. Token是词元，Prompt是文令：是时候给AI配得上这个时代的中文了

19. 用 Claude Code 省钱的正确方式，收藏～1. 正确配置1）创建 .claudeignore 文件，把 node_modules/、dist/、.git/、日志目录统统排掉。Claude 看不到的文件，就不会被塞进上下文。2）CLAUDE.md 控制在 500 token 以内。细节拆进独立的 skill 文件，用到哪个才加载哪个——按需加载，不是全部预加载。3）装 context-mode 插件，实时可视化上下文占用，在它失控之前感知到。2. 每次开 session 的习惯1）每个任务开一个新 session。上下文不跨任务污染，这一条单独能省很多。2）长 session 用 /compact 压缩上下文，而不是让它一直涨。3）用 /cost 随时查当前 session 消耗了多少 token，心里有数。4）读日志、全库扫描这种"大量读取"型任务，放到子 agent 里跑。子 agent 有自己的上下文，不会污染主会话。5）给 Claude 明确的验证标准——"跑完测试，截图对比"，而不是让它自己判断对没对。能自我验证的 Claude 犯错更少，绕弯路更少，token 自然也用得少。#HOW I AI# #程序员#

20. Skills没搞明白，又搞出来一个Harness，AI编程这些人一直在造词。这些套娃是在做自然语言编程驱动的规范化，但问题是这么搞下去用自然语言编程的复杂度直逼古法编程。这些工具模式方法论是本来就是编程高手的人，在自然语言驱动时默认建立的良好编程习惯和提示词系统化的结果。如果你是外行，你用自然语言驱动不了的东西，套上这些会让你的项目更复杂，tokens交互的成本更高，且项目依然一塌糊涂。AI编程的第一性原理就是你懂编程，而不是一直在远离编程的末端模式上努力。新出的这些概念都是给既有程序员控制超大项目提供的探索和经验总结，不懂编程的人妄图用这些套娃增强能力，那是想多了。大模型编程最好的模式就是自然语言短提示词，严谨的语言表达逻辑性，轻上下文，这时产生的编程质量才高，迭代和敏捷思维才是AI编程质量的核心。至于skill harness这些套包，只是对自然语言驱驱动的项目过大以后的整理，总结，归纳，拿出一些进行利用复用，以及review时保持一致性产生的现象。如果你不会编程，也不学习自然语言逻辑，而专注于自然语言之上的编程方法，那么你在ai编程领域将一事无成。因为编程语言的本质是自然语言的严谨逻辑化。一、AI 从来没有消灭编程门槛，只是把语法门槛平移成了“逻辑严谨 + 需求拆解 + 工程思维”二、Skill/Harness 是资深开发者的经验固化、协作规范、质量围栏，是程序员的效率和系统性思维的延伸。三、纯外行逃避编程本质、沉迷新概念玄学，只会徒增成本、一事无成。四、AI 编程的关键是结构化逻辑 + 基础编程认知 + 小步迭代的系统思维。

21. 之前觉得gpt就是纯用prompt，记忆的连贯性其实也算不错。但calude是明显在做出系统后更稳定。如果是有固定工作流程和自动产出的，还是claude好用，CLAUDE.md自己定义，上下文都很清楚，可控、可迭代。在GPT 里聊出来的好想法，也可以沉淀到 Claude 的个人知识库wiki里。//@水果拍:大概经历了这么一个过程：一开始是Prompt Engineering。会把好用的prompt反复迭代，甚至专门建文件夹去管理。但很快发现，这更像是临时调用能力，每次都要重新解释，没有积累。后来转到project。按功能拆分，不同场景用不同 project。但project也有缺陷：规则不会自动更新，差异也不会被回灌。现在开始做一点简单的 Context Engineering。把反复出现的背景信息，变成常驻context，作为标准输入。减少波动，提高稳定性。同时尽量固定输出方式，让AI 更像人一样思考，而不是随机发挥。最后，就是不断做差异、回灌和迭代。三四轮之后，把gap慢慢磨小。

22. 有网友问 Claude Code 作者 Boris：如何有效审查 AI 生成的代码？Boris 给了 3 条经验技巧：1. 默认使用 Plan 模式。2. 给 Claude 提供一种验证其输出结果的方法，比如单元测试、Claude Chrome 扩展程序，或者 iOS/Android 模拟器。3. 使用 /code-review 来自动化大部分的代码审查工作。对 Claude 生成的代码保持与人类写的代码相同的标准。

23. 实测用TRAE Skills接管工作流，打工人的自动化神器 #AI #AI编程 #TRAE #SOLO #Skills

24. Linux祖师爷真香现场！曾嘲讽AI编程是垃圾，如今亲自下场氛围编程

25. CodeBuddy领航：AI辅助编程应用·架构·交付

26. 2026年，AI编程真能取代程序员了吗？

27. 我来教你如何一个人用AI做仙侠短剧，不用团队、没有剪辑、甚至可以不会写剧本！ #扣子Coze #领取满级AI伙伴 #扣子编程 #ai新星计划 #最近迷上了新东西

28. 轻松学会！高手都在用的AI编程大法！

29. 硅谷大佬接连破防，AI的效率提升太疯狂了。 #大咖观察 #红衣聊AI #硅谷 #AI工具

30. 刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习

31. 终于来了！DeepSeek-V4 正式发布！免费开源，百万上下文，Agent能力直逼Claude！| 零度解说

32. 李继刚分享的“Prompt Engineering的100个基本”Prompt Engineering(提示工程)不是魔法咒语，而是一门“人机对齐”的通信艺术。它试图用结构化的自然语首，去驯服一个本质上基于概率统计的随机鹦鹉，让它在无限的可能性中場缩出你想要的那一种结果。#科技先锋官#

33. 大模型Agent的核心还是prompt？

34. 当有人说“编程已死” 我更愿意说一句：死的是“打字员式编程”，活下来的是“定义价值的编程”。#大咖观察 #红衣聊AI #openclaw #ChatGPT#编程

35. 差点被订阅搞崩溃，全量开放的TRAE SOLO模式帮我手搓了个管理神器#AI编程 #科技改变生活 #玩儿个很新的东西 #TRAE #AI新星计划

36. 「Github一周热点97期」开源AI手机、AI画架构图、AI编程的指导、看板工具、GO语言的游戏引擎和具身智能资料库

37. AI编程大战正式开打！ Claude vs GPT同一天放大招，不是比谁代码写得好，而是AI开始自己组队当项目经理了。#大咖观察 #红衣聊AI #编程 #ChatGPT

38. 过去十年，大家一直在说AI会改变编程。但现在看，真正被改变的，可能不是“写代码”，而是“审代码”。如果未来AI写代码、审代码都变成了常态，程序员最核心的能力到底是什么呢？#大有学问 #红衣聊AI #anthropic #人工智能 #程序员

39. Qwen3.6-Plus 太猛了！免费+百万上下文+Agent，多模态能力直接拉满！| 零度解说

40. 学prompt的好项目：这个github库收集了各AI系统内置的system-promptgithub.com/x1xhlol/system-prompts-and-models-of-ai-tools包括之前被人反复揣摩学习的claude提示词等等。包括但不限于Claude Code, Cluely, CodeBuddy, Comet, Cursor, Devin AI, Junie, Kiro, Leap.new, Lovable, Manus, NotionAI, Orchids.app, Perplexity, Poke, Qoder, Replit, Same.dev, Trae, Traycer AI, VSCode Agent, Warp.dev, Windsurf, Xcode, Z.ai Code~

41. 你学不会古法编程，你也学不会AI编程。如果你能用AI编程生产满足商业要求的产品，你也能学会古法编程，虽然可以不像古法程序员那么精通，那只是工具太好用了没必要再去精通手搓，绝非你不懂。古法与AI编程在编程思想上没有任何区别，坚持古法编程不用AI编程来放大生产力，看上去就像是智能农机时代坚持人工耕地的固执；只用嘴驱动不懂编程本身就像不懂农业开着全自动耕种机四处乱刨的疯子。

42. 目前AI编程工具哪个最好用？

43. 关于 VibeCoding 时代的思考，未来程序员的工作到底是什么么样的？需要什么样能力的程序员呢？1、现在的瓶颈不是写代码了以前做技术活，项目管理、需求文档、测试流程这些都很成熟，但写代码本身通常还是最花时间的部分。现在不一样了。AI 让写代码变得特别快，有时候几分钟就能生成一大段。真正拖时间的反而是代码之外的那些流程。所以当开发者，不只是会写代码和会用 AI，还得搞懂整个开发相关的工作。2、对齐（沟通）AI 写出来的代码看上去可能很专业，但不一定是你真正要的东西。为什么？因为整个流程像玩“传话游戏”：业务的人脑子里有个想法，他们告诉你，你再把这个想法变成指令告诉 AI，AI 根据你的指令写代码。中间每一步都可能“跑偏”。所以现在最重要的是：沟通清楚，让大家都对同一件事有同样的理解。3、质量保证（测试）以前写代码的过程就是不断遇到 bug、不断修 bug，顺便就把质量保证做了。现在 AI 一次能给你生成一个完整的后端或前端，看起来就像“直接能用”。但问题来了：你现在要花更多时间在测试上，确保各种情况都能跑得通。这比以前写代码本身更花时间。4、代码审查AI 写代码快，那审代码的人要看的东西当然就更多。人工看还是有必要的。但 AI 审代码也挺厉害的，能抓一些你没注意到的小问题。比如像 Coderabbit 这种工具，我自己就经常用。在提交代码前，我会在 Cursor 里让 AI 帮我审一遍。一次不够就多来几次，总能找到点问题。5、文档现在节奏快，没时间拉着几个人开半天会对齐。以前大家还会说“写自解释的代码”，不写文档也行。但现在 Claude、ChatGPT 这种工具，随便一句话就能帮你生成清晰的架构图和说明书。所以没理由再不写文档。你的每个项目都应该有：一份别人能看懂的说明和一份能让未来 AI 参与开发的背景资料。6、交付（迭代开发）传统项目管理都假设你是“做完 → 交付”。但现在 AI 让你一天能迭代五次。你跟产品经理在 v0 里画个初版，立刻就能改、能试、能看效果。所以，你需要一个真正的开发环境，随便试、随便改，快速看到结果。不是那种要等审批的预发布环境，是你可以随意玩的那种。7、总结未来厉害的开发者，不是那些“会提示 AI 写代码”的人。而是那些能：- 把别人模糊的需求讲清楚- 能测试得很全面- 能认真审查生成的代码- 能写清楚文档- 能快速做出新版本的人。因为代码已经快能自己写了，真正的工作都发生在代码之外。#科技先锋官##AI创造营##微博兴趣创作计划#

44. 使用 Claude Code：会话管理与 100 万上下文

45. 最近我几乎每天都在跟AI一起编程，有时一天都不睡觉。不咋看微信、十几个小时连轴转，对着手机给AI下指令，让它做智能体、改Skill……#大有学问 #人工智能 #红衣聊AI #openclaw

46. 华为AI开发三大颠覆性突破：代码生成、自动测试、Bug修复全搞定！码农福音还是大锤？华为云码道（CodeArts) 代码智能体公测版今日发布，集代码大模型、IDE、自主开发模式为一体，覆盖代码生成、研发知识问答、单元测试用例生成、专家技能Skills、Codebase代码库索引、规范驱动开发等AI Coding技术，同时接入开源模型GLM-5.0、DeepSeek-V3.2以及华为自研模型，并提供鸿蒙的专属模型。鸿蒙专属模型，纯血鸿蒙应用开发简单，后续鸿蒙APP将爆发，各种鸿蒙APP会填补缺口。对一些公司来说是个机会窗。

47. Claude Code+DeepSeek V4 Pro安装教程｜3步从零装好开始用 | Mac Windows

48. 当前氛围编程主要有四种模式：1. 通用智能体模式：使用Manus等通用智能体进行编程2. IDE升级模式：由传统IDE工具的理念升级而来的系列工具编程，如Cursor、Trae 等3. 大模型原生编码平台模式：使用大模型本身自带的coding平台，如Claude Code、Cloud Code、ChatGPT Codex等4. 开源AI框架模式：使用开源AI框架进行编程OpenClaw 龙虾、Hermes Agent 等等。#新媒沈阳聊ai#

49. 【AI人工智能】题库:纯公益分享【就业+考研】笔试+面试必会【小白从小学Python,C,Java】知识点名称AI中提示工程Prompt Engineering知识点讲解提示工程（Prompt Engineering）是指通过精心设计输入提示（Prompt）来引导大语言模型生成更准确、更符合预期的输出，而无需修改模型参数。它包括清晰指令、角色扮演、示例演示（Few-shot）等技巧，能显著提升模型在零样本或少样本场景下的性能，是使用LLM的关键技能。例题（单选题）提示工程的主要目标是什么？A选项：通过优化提示提升模型输出质量B选项：微调模型权重以适应新任务C选项：增加训练数据量提高泛化D选项：压缩模型参数减少计算量答案与题解答案、题解：见评论区温馨期待期待大家提出宝贵建议，互相交流，收获更大，助教：lxy#AI创造营# #科技风向标# 网页链接

50. MiniMax M2.7+OpenClaw实战！AI到底能接管多少工作？

51. #科技先锋官# 别再被 GPT-5.4、DeepSeek V4 的超长上下文洗脑了！很多人以为上下文越长，AI 就越厉害，这完全是误区！真正决定 AI 实力的，从来不是能记住多少字，而是能不能思考、推理、落地做事。超长上下文只是锦上添花，强推理和多模态融合，才是下一代 AI 的核心杀招！只会读文档、背内容的 AI，再长的上下文也只是 “复读机”；能拆解难题、看懂图像、自主执行任务，才是真进化。为什么很多大模型参数再高、上下文再长，依然不好用？答案就在视频里。看完你会彻底明白：AI 的未来，拼的不是记忆，而是真正的专业能力。#过个有AI年##HOW I AI##微博超有用视频大赛##上微博涨知识##MWC2026# 种斌Marco的微博视频

52. 盘点一周AI大事(1月25日)｜Agent进化，24小时打工开源视频制作Remotion Skills爆火 AI编程开无限画布插件Pencil 爆火开源个人AI助手Clawdbot爆火，7成24小时给你打工 Claude Excel插件更新 Runway上线最强视频模型Gen 4.5 字节开源视频参考模型OminiTransfer 字节发布最强数字人直播模型FlowACT R1 阿里开源最强文本转语音模型Qwen 3 TTS #AI新星计划 #抖音知识年终大赏 #AI #OpenAI #AIGC

53. AI视频生成效果差，原来是Prompt太详细？调整多少次可以达到满意效果？#Flova #Flova ai#aigc #ai视频生产

54. 「Github一周热点107期」OpenAI收购的AI安全工具、AI代理事务所、OpenClaw技能库、claude code插件和上下文数据库

55. 80年前古法编程是啥样的？此片献给所有程序员！

56. 「Github一周热点103期」超轻量的clawdbot、编程智能体的记忆工具、聊天记录分析工具、视觉agent框架和键盘、鼠标统计工具

57. Vibe Coding实战复盘：做玩具容易，做产品难

58. 「Github一周热点99期」提升ClaudeCode效率10倍的工具？

59. 盘点一周AI大事(3月15日)｜首次上传大脑成功工程师开源龙虾办公室Claw3D 龙虾彻底出圈，，百虾大战正式开打工程师开源一键装龙虾AlphaClaw 斯坦福开源科学家龙虾LabClaw 工程师Karpathy 开源龙虾版GitHub AgentHub Chrome上线龙虾Web协议 WebMCP 工程师开源龙虾软件协议CLI-Anything 吴恩达开源龙虾上下文工具Context Hub 研究员开源最强动漫图像模型Anima-v2 研究员开源最强视频分割模型MatAnyone 2 科学家成功上传了一只果蝇的大脑 #AI新星计划 #AI #AIGC #龙虾 #openclaw

60. #荣耀高管称张雪是年轻版的李书福#还别说，两个人相似的地方真的挺多的，同样是草根出身，一个从零打造跻身世界500强的车企，一个14岁辍学当修车学徒工最终凭借自己研发的摩托车夺得WSBK世界冠军，他们都打破了“出身决定论”，也最终都迎来了属于自己的荣耀时刻。而且他们骨子里不光有拼劲儿，还有对技术近乎“偏执”的追求，也恰恰是因为热爱，因为对技术的执着和长远的目光，这是他们最终走向胜利的非常重要的原因。荣耀选择和张雪机车合作我觉得是天作之合，因为荣耀骨子里同样是一家重研发、重投入，一心想造好产品的企业，希望这样的企业越来越多，我们中国制造，会越来越强！

61. #为什么AI迭代速度这么快#2025年下半年AI模型的密集更新，绝非偶然，而是技术积累、资本加持与市场需求共振的必然结果。从GPT-5系列到Gemini 3，从DeepSeek多轮迭代到阿里Qwen持续升级，按月迭代的节奏背后，是全行业的竞速与突破。数据闭环为迭代提供“燃料”，用户交互反馈持续反哺模型优化；算法架构的革新与超参数精细调优，让模型性能实现阶梯式提升；GPU集群与分布式训练的算力支撑，大幅缩短训练周期。更关键的是，全球科技巨头的竞争博弈与巨额资本投入，如OpenAI“星际之门”计划的算力布局，构筑起迭代的“基础设施”。市场对智能体、多模态等实用功能的迫切需求，进一步牵引迭代方向。这场竞速不仅是技术实力的较量，更在重塑产业生态。AI迭代的加速度，正让“更智能、更实用”的技术愿景加速照进现实。（视频：戏说九州）#秒懂热点就用智搜# 为什么ai迭代速度这么快川北小哥的微博视频

62. AI最擅长什么编程语言？

63. 跳出“调参”误区

64. Prompt 工程在 Agent 里怎么跑

65. 提示词工程（Prompt Engineering）商业应用？

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

67. prompt工程是玄学还是科学？prompt优化实战指南！

68. 面试题

69. Agent智能体开发模式，第2章 Prompt 与 System Prompt 工程

70. 第02期·Prompt提示词工程

71. AI编程号称10倍效率，我们实测只有30%

72. Day 2｜提示词工程（上）

73. AI 编程的 Prompt 工程

74. 四、Prompt在AI编程中的应用

75. ✍️ 写了 1000 条 Prompt 后，我总结出这

76. 用户意图识别与关键词提取 Prompt 设计方法论（上）

77. 提升Prompt工程效率

78. 日常Prompt Engineering实用原则与10个可复用提示模板

79. 程序员必读的AI Prompt最佳实践

80. AI 辅助编程实战指南

81. AI编程必备的Prompt模板库，拿来即用

82. Prompt 核心原理

83. Prompt工程 = 新时代编程？普通人也能掌握的AI杠杆

84. Claude Code 上下文管理硬核指南: 让你的AI起飞!

85. 2.一文讲透大模型的上下文管理，让AI不再7秒就忘

86. 管好上下文

87. Patrick Debois

88. AI 工程化手记 05｜上下文工程

89. Claude Code 会话上下文管理规则

90. AI Agent 上下文管理

91. AI编程时代，这个Prompt技巧让代码生成成功率提升80%

92. 一套模板，让 AI 写出高质量代码

93. AI Coding Harness 系列 05

94. 《Cursor用户必知

95. 前端面试在使用这些 AI 工具时，你会不会刻意去设计“优质 Prompt”？

96. 还在为Trae、Cursor提示词发愁？收好这5种沟通方式+10个万能模板

97. 提示词即资产

98. 提示词写得好，AI效率翻倍

99. "AI 编程助手的实战技巧

100. 一用就灵的 Prompt 公式，新手也能秒变高手

101. 少即是多

102. 如何从 Prompt Engineer 走向 Full-Stack AI Engineer

103. 别再往提示词里写"必须"了，你的 Agent 需要的是代码控制

104. GPT-5.5 prompt 怎么写-来自官方的指导

105. 当你开始写 "MANDATORY"，agent 就已经塌了

106. 自动 Prompt 优化将企业级 Agent 成本降低 90 倍

107. [9]AI 产品的 “Prompt 工程”

108. 从低效调试到规范迭代

109. 值得收藏！Claude官方发布Prompt 进阶技巧

110. AI产品一图流

111. 让 AI 听话的 5 个 Prompt 技巧——Prompt Engineering 入门

112. 如何写好并迭代你的prompt

113. GPT-5.5 已经从“工具”变成了“代理”

114. Day10 新手写 Prompt 必看！ 4 个技巧让 AI 精准听话

115. AI代码生成技术深度解析：从提示词到高质量代码输出

116. OpenAI Prompt工程指南（中文版）

117. AI写代码到底能快多少？500名程序员实测：效率提升2-15倍！

118. 从 Prompt Engineering 到 Harness Engineering：AI 系统竞争，正在从“会写提示词”转向“会搭执行框架”

119. LangChain Prompts 深度解析

120. 写了十几年代码，说说 AI 工具到底怎么提高编码效率的

121. 理解Prompt架构与设计：组成、分层与工程化实践

122. 模块二总结：10 个拿来即用的 Prompt 模板

123. 我以为自己很会用 AI 写代码，直到被codex官方文档打脸

124. 扒了下 Cursor 的提示词，被狠狠惊艳到了

125. 企业级 LLM Prompt 架构模板

126. AIGC学习-提示词设计与优化

127. AI编程助手实战：三个月使用GitHub Copilot的效率提升报告

128. Prompt Master 提示词优化Skill

129. 一文讲透Prompt，Skill和MCP的关系

130. Claude Code 把上下文管理做成了产品功能

131. Prompt Engineering 完整学习指南

132. 从模糊到精确：改进你的提示词

133. 新来的产品经理连prompt如何调优都不会……

134. 你以为AI编程效率翻倍？实验结果打脸了

135. 可信来源和批判性思维提示词改进-5.5

136. Prompt设计六要素

137. Prompt工程基础：字符串处理技巧

138. 写了个 Prompt 自动评测Skill，自动优化prompt效果

139. 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。

140. 【AI Engineer】 | 上下文变成新的代码

141. Cursor自定义快捷提示词模板：新手高效提效，避坑实操指南

142. 08-上下文管理与会话压缩

143. 我用这套"超级提示词"让AI效率暴涨300%

144. Prompt编写技巧

145. 25 分钟看完提示词工程｜Anthropic 官方视频 🚀 Anthropic 第一次系统讲 prompt 工程，25 分钟中文版来了。Applied AI 团队的 Hannah 和 Christian 用一个真实案例（瑞典车祸理赔），从零搭一个生产可用的 prompt。 📍 全程 10 个 turn、5 版 prompt 迭代： 🔹 起步：Prompt engineering 是什么？为什么是一门迭代式的经验科学？ 🔹 案例：瑞典车祸表 + 手绘草图丢给 Claude，第一版 Claude 判成"滑雪事故" 🔹 结构：10 块 prompt 框架——task context / tone / 背景数据 / examples / detailed instructions / 任务清单 / 提醒 / 输出格式 / prefill / extended thinking 🔹 实战：每加一块跑一次 V1→V5，看 Claude 怎么从"乱猜"变成"格式严格、判断笃定" 🔹 进阶：system prompt vs user prompt 怎么分；XML tags / few-shot / conversation history / prompt caching 全套技巧 🔹 收尾：用 extended thinking 的 transcript 反向优化 system prompt——Anthropic 内部最实用的招 #Claude #PromptEngineering #Anthropic #提示词工程 #克劳得Everything

146. 节省 Token 终极技巧：掌握 CodeBuddy 上下文管理，高效避坑不浪费

147. Nanobot 上下文工程

148. Prompt Engineering(提示词工程)

149. Prompt工程知识地图（二）——prompt工程应用能力发展与学习路径

150. 我用AI编程工具节省了80%的时间，总结出这5个效率翻倍的技巧

151. 【AI提效】阿里开源：基于57 个专业提示词框架的提示词优化插件

152. 关于写prompt有什么技巧？

153. Chat Copilot：AI 对话增强助手（浏览器插件）

154. AI编程：IT工程师的效率生产力

155. 用更少的prompt实现更好的Prompt优化！大语言模型Prompt优化新方法【LLM论文解读】

156. 从控制理论视角理解 Prompt Engineering： LLM 的输出究竟能被“控制”到什么程度？

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

158. 李宏：如何将Prompt提示词做到极致？

159. AI编程效率暴涨十倍成本仅1/30 将改写行业规则？

160. 为什么照抄Prompt会翻车？我是这么写prompt的（第三期）

161. 月烧6亿Token，分享让AI编程效率翻倍的技巧

162. Claude Code 官方教你上下文管理 Claude Code 团队刚发了一篇重磅文章，讲 100 万 Token 上下文怎么管理才不浪费。你的 Claude Code 是不是越用越笨？那是因为上下文在腐烂。 4 个关键操作： ✅ /rewind 双击 Esc 时光倒流，比纠错更好 ✅ /compact 主动压缩带方向，别等被动触发 ✅ /clear 手写简报干净重启，精准控制 ✅ Subagent 独立上下文窗口，只带结论回来记住：最好的用户不是 Session 最长的，而是积极管理上下文的！ #ClaudeCode #AI编程 #程序员 #上下文管理 #AI工具

163. AI编程两年，我整理了100个实战Prompt——现在¥29.9打包给你

Prompt工程：让AI精准输出代码的关键协作协议

精选参考来源