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

90%的AI回答错误，问题出在你的提示词上

源自171位全网作者

05-18 15:49

精选参考来源

AI提示词技巧！一文学会高效地对AI进行提问

【同样用 AI，别人产出碾压你？差距全在提示词工程】2026年，AI领域有一个令人不安的真相：模型不再是瓶颈，提示词才是。两个人在同一个任务中使用相同的模型，产出质量却天差地别。平庸者得到的是需要推倒重写的废话，而专家得到的是直接进入生产环境的成果。提示词工程不是某种玄学，它是AI经济时代最有价值的技能，因为它决定了你与AI交互的质量天花板。以下是迈向专家级提示词工程的完整路径。---第一阶段：基础认知——具体性击败普遍性大多数提示词失败的原因在于：大语言模型本质上是在预测下一个概率最高的字符。当你给出的指令模糊时，模型会填充统计学上最平庸的内容。专家提示词必须包含的六个要素：1. 角色：给模型一个具体的身份，如“拥有15年经验的B2B SaaS产品策略专家”，这决定了它的词汇量、深度和视角。2. 背景：模型需要知道你的行业、受众、限制条件和目标。没有背景，模型只能靠猜测。3. 任务：明确具体的动作，例如“对比三个竞争对手的定价、功能和话术，撰写一份竞争分析报告”。4. 格式：规定输出的形态，如表格、两段式的建议或特定的代码结构。5. 约束：明确告诉模型“不要做什么”，比如“不要使用营销术语”、“不要超过500字”。6. 质量标准：定义什么是“好”，例如“分析必须具体到足以让产品团队在5分钟内做出决策”。---第二阶段：结构化技巧——让逻辑清晰可见1. 使用XML标签Claude等模型对结构化输入非常敏感。使用标签如 <context>、<task>、<constraints> 可以消除歧义，让模型明确每一部分指令的功能。2. 背景在前，问题在后当处理长文档或大量数据时，始终将参考资料放在问题之前。先让模型加载上下文，再提出要求，这比先问问题再给资料的效果要好得多。3. 少样本学习（Few-Shot）给模型三到五个例子，效果胜过十段文字描述。展示你想要的模式，包括正常情况和边缘情况，模型会迅速捕捉到你未言明的逻辑。---第三阶段：高阶策略——深度思考的逻辑链1. 链式思维（The Chain Method）永远不要让模型在一个提示词里完成五件事。将任务拆解：先做调研，再找差异，最后写文案。每一步的质量都会累积，最终形成深度远超单一指令的成品。2. 自我修正循环模型的初稿往往只是草稿。加入一段指令：“重新阅读你的回答，按准确性、具体性和可操作性打分（1-10分）。针对低于8分的维度进行修正，并给出最终版本。”3. 动机约束不仅要告诉模型“做什么”，还要告诉它“为什么”。当模型理解了“字数限制是为了适应Telegram的显示逻辑”时，它在精简内容时会表现得更智能。4. 多维视角分析对于复杂的决策，要求模型从不同角色（如CEO、CFO、客户）的角度分别进行分析，最后再综合成一个平衡各方利益的建议。5. 元提示词（The Meta-Prompt）当你不知道如何写好提示词时，让AI帮你写。描述你的目标和背景，要求AI为你生成一个最有效的提示词结构。---第四阶段：系统化精进——从战术到战略1. 持久化上下文文件为不同类型的工作建立Markdown文件，如写作准则、分析框架或项目背景。在对话开始时让模型先读取这些文件，确保它始终遵循你的个人标准。2. 模板库意识将每一个成功的提示词沉淀为可复用的模板。剥离具体内容，保留结构变量。随着时间的推移，这种复利效应将成为你最大的竞争优势。3. 每周反馈闭环每周复盘你的AI产出：哪些地方没达标？提示词哪里可以改进？将这些教训更新到你的上下文文件中。---总结与启示提示词工程不是在寻找某句“咒语”，而是系统性地增加交互的确定性。平庸者在依赖模型的随机性，而专家在消除模型的随机性。当你掌握了这些技术，你会发现你使用的仿佛是完全不同的另一种技术。在这个AI时代，你的提问能力，就是你的生产力上限。x.com/eng_khairallah1/status/2046881340977782970

全部
来源

内容由AI生成

1. AI提示词技巧！一文学会高效地对AI进行提问

2. 【同样用 AI，别人产出碾压你？差距全在提示词工程】2026年，AI领域有一个令人不安的真相：模型不再是瓶颈，提示词才是。两个人在同一个任务中使用相同的模型，产出质量却天差地别。平庸者得到的是需要推倒重写的废话，而专家得到的是直接进入生产环境的成果。提示词工程不是某种玄学，它是AI经济时代最有价值的技能，因为它决定了你与AI交互的质量天花板。以下是迈向专家级提示词工程的完整路径。---第一阶段：基础认知——具体性击败普遍性大多数提示词失败的原因在于：大语言模型本质上是在预测下一个概率最高的字符。当你给出的指令模糊时，模型会填充统计学上最平庸的内容。专家提示词必须包含的六个要素：1. 角色：给模型一个具体的身份，如“拥有15年经验的B2B SaaS产品策略专家”，这决定了它的词汇量、深度和视角。2. 背景：模型需要知道你的行业、受众、限制条件和目标。没有背景，模型只能靠猜测。3. 任务：明确具体的动作，例如“对比三个竞争对手的定价、功能和话术，撰写一份竞争分析报告”。4. 格式：规定输出的形态，如表格、两段式的建议或特定的代码结构。5. 约束：明确告诉模型“不要做什么”，比如“不要使用营销术语”、“不要超过500字”。6. 质量标准：定义什么是“好”，例如“分析必须具体到足以让产品团队在5分钟内做出决策”。---第二阶段：结构化技巧——让逻辑清晰可见1. 使用XML标签Claude等模型对结构化输入非常敏感。使用标签如 <context>、<task>、<constraints> 可以消除歧义，让模型明确每一部分指令的功能。2. 背景在前，问题在后当处理长文档或大量数据时，始终将参考资料放在问题之前。先让模型加载上下文，再提出要求，这比先问问题再给资料的效果要好得多。3. 少样本学习（Few-Shot）给模型三到五个例子，效果胜过十段文字描述。展示你想要的模式，包括正常情况和边缘情况，模型会迅速捕捉到你未言明的逻辑。---第三阶段：高阶策略——深度思考的逻辑链1. 链式思维（The Chain Method）永远不要让模型在一个提示词里完成五件事。将任务拆解：先做调研，再找差异，最后写文案。每一步的质量都会累积，最终形成深度远超单一指令的成品。2. 自我修正循环模型的初稿往往只是草稿。加入一段指令：“重新阅读你的回答，按准确性、具体性和可操作性打分（1-10分）。针对低于8分的维度进行修正，并给出最终版本。”3. 动机约束不仅要告诉模型“做什么”，还要告诉它“为什么”。当模型理解了“字数限制是为了适应Telegram的显示逻辑”时，它在精简内容时会表现得更智能。4. 多维视角分析对于复杂的决策，要求模型从不同角色（如CEO、CFO、客户）的角度分别进行分析，最后再综合成一个平衡各方利益的建议。5. 元提示词（The Meta-Prompt）当你不知道如何写好提示词时，让AI帮你写。描述你的目标和背景，要求AI为你生成一个最有效的提示词结构。---第四阶段：系统化精进——从战术到战略1. 持久化上下文文件为不同类型的工作建立Markdown文件，如写作准则、分析框架或项目背景。在对话开始时让模型先读取这些文件，确保它始终遵循你的个人标准。2. 模板库意识将每一个成功的提示词沉淀为可复用的模板。剥离具体内容，保留结构变量。随着时间的推移，这种复利效应将成为你最大的竞争优势。3. 每周反馈闭环每周复盘你的AI产出：哪些地方没达标？提示词哪里可以改进？将这些教训更新到你的上下文文件中。---总结与启示提示词工程不是在寻找某句“咒语”，而是系统性地增加交互的确定性。平庸者在依赖模型的随机性，而专家在消除模型的随机性。当你掌握了这些技术，你会发现你使用的仿佛是完全不同的另一种技术。在这个AI时代，你的提问能力，就是你的生产力上限。x.com/eng_khairallah1/status/2046881340977782970

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. 【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#

5. 【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。

6. 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。

7. 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。

8. 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

9. 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”。

10. 谷歌68页提示词圣经+老金原创元提示词，直接复制就能用

11. 【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#

12. 即梦AI神级提示词大揭秘

13. 盘点一周AI大事(1月4日)｜Google包揽年度最佳模型 LMArena大模型盲选排行榜公布年度冠军 Google推出AI辅助学习系统Learn Your Way 阿里开源最强手机智能体MAI-UI DeepSeek发布新研究mHC IQuest发布最强开源编码模型IQuest-Coder-V1 字节发布动态概念大模型DLCM 腾讯发布最强开源翻译模型HY-MT1.5 阿里更新最强开源图像模型Qwen-Image-2512 Meta开源极速视频生成模型HiStream 研究员开源对象植入模型InsertAnywhere 研究员开源MV智能体AutoMV 腾讯开源3D动作生成模型Hunyuan Motion 1.0 研究员开源高保真3D模型UltraShape 研究员开源世界模型Yume 1.5 #前沿科技趋势发布月 #抖音知识年终大赏 #AI新星计划 #AI #AIGC

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

15. 智能体上下文工程：为什么文件系统成了AI记忆的最佳载体？

16. #IT技术# #微博兴趣创作计划# 六百万围观的“超级提示词”，我终于看懂了AI协作的真相——提示词工程的核心逻辑原来这么简单。伊妹耳的微博视频

17. 云小二 Aivis 的架构实践——基于上下文工程与多智能体的自主服务新形态

18. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

19. 【电影感人像提示词公式】GPT-Image-2提示词合集-2

20. 2026年了！大部分人还不会给AI提示词。

21. AI眼镜最终答案？对话翻译，疾速换电，INMO GO3 AI眼镜体验

22. Cursor 发了一篇工程博客，讲他们怎么持续打磨 Agent 框架。干货很多，适合工程师细读。核心观点：决定 Agent 好不好用，模型只是一部分，框架（harness）同样关键。Cursor 的做法是：拿到新模型的 Early Access 之后，花几周时间专门围绕这个模型的特点调优框架，直到它明显变得更快、更聪明。几个值得记的工程细节：1. 上下文窗口的管理策略在变2024 年底刚做编程 Agent 时，Cursor加了很多护栏：lint 错误主动反馈、限制单轮工具调用次数、预先塞大量静态上下文（文件夹布局、语义相关代码片段）。现在这些大多撤掉了。转向：减少护栏，改成由 Agent 在工作中按需动态拉取上下文。模型变强了，不再需要过多手动辅助。2. 怎么判断框架改好了？两个关键指标1）Keep Rate（代码保留率）：Agent 改完代码之后，用户在固定时间内有多少比例没有动它。不动 = Agent 改得基本对，反复改 = Agent 没做好。2）用语言模型读用户的下一句话，语义判断用户是否满意——用户继续做下一个功能，是完成信号；用户粘贴了 stack trace，是失败信号。3. 工具调用错误的分类管理Cursor把工具调用错误分成两类：预期内错误（InvalidArguments、ProviderError、Timeout 等）和未知错误。未知错误一律当 bug 处理。预期错误按工具 × 模型分别建基线，一旦显著偏离基线就告警。今年上半年集中冲刺一次，把意外工具调用错误降低了一个数量级。4. 不同模型用不同框架配置OpenAI 模型习惯 patch 格式改文件，Anthropic 模型习惯字符串替换——两种都能用，但给错了就多费 token、多出错。所以他们按模型配置不同的工具格式。提示词也按厂商定制：OpenAI 模型偏字面理解，Claude 对模糊指令容忍度更高。还遇到一个有趣问题：某个模型上下文窗口快满时开始拒绝干活，说"这个任务太大了"——他们叫它"上下文焦虑"，后来通过调提示词缓解了。5. 对未来的判断：框架会比模型本身更重要Cursor 认为 AI 编程将走向多 Agent 模式：规划、快速编辑、调试，分别由不同的专业 Agent 负责。怎么调度哪个 Agent、怎么描述任务、怎么整合结果——这些协同编排能力体现在框架里，不在单个 Agent 里。框架工程一直是关键，以后只会更关键。🔗 原文：cursor.com/cn/blog/continually-improving-agent-harness#how i ai# #程序员#

23. AI助教、交互学习……北京这样让人工智能走进课堂

24. 大模型上下文工程指南

25. 2025年AI提示词深度指南：从基础知识到高级技巧

26. Seedance 2.0从入门到精通 AI视频生成提示词秘籍

27. 当模型推理能力越来越强，我们还需要提示工程吗？

28. “见人下菜”！AI大模型的“分裂难题”

29. 大模型「有心了」：首个情感大模型Echo-N1，32B胜过200B

30. 高效提示词（prompt）工程指南

31. 【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？

32. OpenAI、Anthropic 和 Google 的工程师为什么从不为提示词发愁？秘诀在于“上下文栈”——真正的元技巧是“上下文工程”。过去，我们用提示词“黑客”式地与AI沟通，像用简单短语和关键词和陌生人对话。但现在的模型不只是理解指令，它们理解的是“环境”。你的工作不再是简单“提示”，而是设计它的上下文。什么是上下文？就是你在模型开始生成内容前搭建的数字环境，包括：- 它应该“扮演”的角色（身份）- 它的目标是什么- 它的沟通风格和语气- 它参考的例子、数据和过往作品这才是保证输出连贯、高质且符合品牌调性的关键。举个例子：旧式提示： “写一篇关于AI生产力工具的LinkedIn帖子。”上下文设计版： “你是一位技术创始人，写实用且能病毒传播的推文，语气自信且带点挑衅，基于真实案例。这里有你过去的三篇示例。现在，写一篇关于AI生产力工具的新推文。”区别就在于，你不是在“提示”，而是在“简报”。模型不再是工具，而是你团队的新成员。就像招新人一样，它需要了解你的品牌、目标和期待，而非随便发号施令。这就是“上下文工程”的力量。一个简单且实用的框架是4C：角色（Character）、命令（Command）、限制（Constraints）、上下文（Context）。一次设定，反复使用。有了正确的上下文，你的模型变成真正懂你声音、受众和意图的创意伙伴。没有它，你只是靠运气。停止“提示词黑客”，开始“上下文构建”。每次简报，都像培训新员工一样，问自己：“他们需要知道什么，才能像我一样思考？”这才是2025年AI合作的未来。掌握上下文工程，不只是问什么，更是给什么；不只是它写什么，更是它懂什么。创作者借此放大品味，创始人放大判断力，团队放大知识。你今天的上下文结构是什么样的？原文：x.com/hasantoxr/status/1995891151535259864

33. AI 编程时代，最稀缺的不是提示词，而是软件工程

34. 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？

35. 《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）

36. 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

37. 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。

38. 【在广州车展，我们看到了最大的豆包 AI 终端设备】大模型上车这事，今年初成了各大车企的潮流。那么豆包深度思考大模型进入荣威 M7 DMH 这事有什么不一样呢？我们到广州车展的展车上试了一下……#广州车展##汽场全开##大V聊车##涨知识##荣威M7全球首搭豆包大模型AI# ZEALER的微博视频

39. 和AI搭配最顺畅的笔记软件，被我找到了 Obsidian

40. 大模型用于搜索排序的探索与实践

41. 【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In-Context Learning知识点讲解In-Context Learning（上下文学习）是指大语言模型在推理时，仅通过提示中提供的少量示例（few-shot）甚至零示例（zero-shot）就能完成新任务，而无需更新模型参数，通过提示中的输入-输出示例，引导模型理解任务模式并进行泛化。举例：给模型提示“英语：hello\n法语：bonjour\n英语：goodbye\n法语：”，模型即可直接输出“au revoir”，无需额外训练，这就是典型的few-shot上下文学习。例题（单选题）In-Context Learning（上下文学习）的核心特点是什么？A选项：仅通过提示示例完成新任务无参数更新B选项：必须微调模型参数适应任务C选项：依赖额外的无标签数据进行任务训练D选项：实时从外部数据库检索答案答案与题解答案、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

42. 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？

43. OpenAI 官方发布 GPT 5.5 提示词指南，我总结了 7 个关键变化！

44. 来看看最懂大模型的人教你写提示词，网上的技巧大多都没用。我最近看到一份大模型厂商内部的 AI 提示词指南，觉得很值得讲一讲。写它的人 Alex Albert，是做 Claude 的 AI 公司 Anthropic 在2023年招进去的内部第一位提示词工程师，原职衔甚至有点不正经，叫 prompt engineer and librarian（提示词工程师加图书管理员）。这两年他升到 Anthropic 开发者关系负责人，对外讲 Claude 怎么用基本都是他的活，这份官方指南也是他的核心维护内容。可以说，他大概是最了解 AI 大模型怎么读提示词的那一类人。看完之后我回头翻了翻网上各种「提示词课」的笔记，发现一件挺尴尬的事：网上传的那些「魔咒式技巧」（「我会给你50美元小费」、「你是顶尖专家」之类），从模型厂商内部视角看大多数没用，有些反而让答案变差。这份指南讲的是模型内部如何看待你写的提示词、什么真正影响它的输出。能拿到这种「模型厂商内部视角」的资料并不多见。先说网上传得很广、但官方指南明确说没用或反作用的几条。第一条误区是激励式提示词。「我会给你50美元小费」「做不好就处罚你」这种套路，过去一两年在国外社交圈传得到处都是。Anthropic 内部测过，对最新的 Claude 模型，小费、威胁、装客气这些「小把戏」基本不影响输出质量。模型不在乎你赏不赏它，它只在乎你说清没说清。第二条误区是「你是一位 X 行业20年专家」开头万金油。我们之前介绍过一项研究：在事实问答任务上，加这种「专家身份」反而把准确率从七成多拉到不到七成。官方指南里也讲明白，角色扮演型提示词在写作、风格化这种场景里有用，做事实任务别滥用。第三条误区是越长越复杂越好的提示词模板。有些课程教人用三百字模板包一个本来三十字就能说清的请求。指南里的第一原则就一句话：直接、明确说要什么，不要绕弯子。模型不需要被催眠，它需要的是清楚的指令。第四条误区是「魔咒关键词」。比如英文圈传得很玄的 "think harder"（想得更努力）、"work very carefully"（仔细工作）、"this is very important"（这件事特别重要）这种词。简单的「先一步步分析再答」那种引导是真有用的；但「这件事特别重要哦」这种就是噪声，对今天的模型没意义。那真正有效的是哪几条？指南里讲的第一条不是技巧，是心态：好的提示词像给一个新同事讲任务，不是写咒语。落到具体动作，几条最值得记的：第一条最被低估的是给具体例子。指南里讲，给一个例子比写五条抽象规则有效。你想让 AI 写一段产品介绍文案，与其写「要简洁、要专业、要有吸引力」，不如直接贴一段你觉得对味的范文，让它「按这个风格写」。这一招业内叫「多例提示」（英文 multishot prompting），对几乎所有任务都有效。第二条是给模型时间想。复杂任务前面写一句「先一步步分析，再给最终答案」。指南给了三层做法：基础（直接写一句「先一步步思考」）、引导（列出具体的分析步骤）、结构化（用 <thinking>（思考）和 <answer>（回答）这种标签把「想」和「答」分开）。第三条是用 XML 标签做结构。把上下文资料、任务说明、输出格式分别用 <document>（资料）、<task>（任务）、<format>（格式）这种标签包起来。指南里特别强调一句：标签名字怎么起不重要，前后一致就行。比起用空行或破折号分隔，标签对模型识别的提升很明显。第四条是允许 AI 说「不知道」。在提示词里写一句「如果资料里没有这个信息，就直接说不知道，不要编造」。这是降低幻觉率最简单有效的一招。模型本来就知道自己不知道，是被人逼着回答才编的。第五条是定义输出格式。直接说要「列表」「表格」「JSON」还是「两段话」，比让模型自由发挥稳定得多。把这几条揉进一段普通提示词，长这样：请分析下面这段产品评论的情绪倾向。先一步步分析评论里的关键句，包在 <thinking> 标签里；然后给出最终判断（正面、负面或中立），包在 <answer> 标签里。如果有判断不准的地方，直接说不确定，不要硬编。最后给一段不超过100字的总结。评论内容：……不用装客气，不用「专家」开头，不用承诺给小费。清楚的结构加具体的例子加明确的格式，就是最强的提示词。顺带说一句，上面这几条原则不绑死 Claude。同样的思路放到国内大模型（DeepSeek、Kimi、通义、豆包、文心）一样能跑——XML 标签、给例子、让模型先想再答、允许说不知道，这些是底层做法，跟用哪家模型没关系。看完这份指南最朴素的感受是：好的提示词不需要花哨。清楚直接、给具体例子、让模型先想再答、允许它说不知道、定义输出格式，这五条做到了，绝大多数「魔咒」就不重要了。

45. 上下文之上文//@宝玉xp:我文章写的“提示词”是狭义的“系统提示词”，广义上说，输入给AI都算提示词，这个角度说提示词很重要//@王刀刀2:非常好的文章但我有点不同看法/冒昧地补充：“厨艺”除了模型，还应包括提示词，更本质地说，“作者表达“。因为这是更直接的“上手操作”，是人所控制的厨艺。心里有“食材，口味”，但如果说不明白，也没用。用Agent写更如此，因为要把默会知识显化

46. 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

47. 网页链接langchain发了篇官博，探讨了智能体如何利用文件系统进行上下文工程，以提升其性能和可靠性。智能体失败的主要原因并非模型能力不足，而是缺乏正确的上下文信息。上下文工程的目标是精准地将必要信息填入模型的上下文窗口，避免信息缺失、冗余或不相关。常见的上下文工程挑战包括：信息过多（检索内容远超所需）：如网络搜索返回大量无用内容，浪费token并增加成本。信息过少或超出上下文窗口：复杂任务需大量信息，单次无法加载全部。难以定位小众信息：所需信息埋藏在大量文件中，语义搜索效果有限。缺乏持续学习能力：无法从交互中积累新知识。文件系统是解决这些问题的关键工具，其优势体现在：作为“草稿板”：将大体积工具输出（如网页内容）存入文件系统，按需通过grep等工具提取关键信息，减少上下文占用。动态管理上下文：存储长期计划、子任务结果或复杂指令，按需调用，避免系统提示过载。精准搜索：利用ls、glob、grep等命令在结构化目录中快速定位特定文件、行甚至字符，尤其适合代码或技术文档。持续学习与自我更新：智能体可通过用户反馈更新自身“技能文件”，将新知识写入文件系统，实现长期记忆与能力进化。#科技先锋官#

48. 联合国儿基会发布第三版AI与儿童指南

49. 如何看待当所有国产大模型都在2026春节撒钱抢用户时，DeepSeek却默不作声继续奋战？

50. 发现一个AI的新用法，再也不用担心不会写提示词了！

51. 有不有什么好的ai提示词模板，平时知友怎么写提示词的?

52. 国外一个网友总记得《Gemini 3 提示词最佳实践：日常使用指南》，内容如下：我用 Gemini 3 Pro 有一段时间了，直接说吧，它比 2.5 Pro 强太多了!这篇文章分享的是目前对我最有效的一些原则和结构模式。这不是什么金科玉律，更多是给你一个起点，帮你找到适合自己的策略。拿去试试，调整优化，不断迭代。核心原则Gemini 3 更喜欢直接明了的指令，逻辑胜过冗长。要想发挥最佳性能，遵循这些核心原则:1、精确指令：输入提示词时要简洁。Gemini 3 对直接、清晰的指令响应最好。明确说出你的目标，别绕弯子。2、一致性与明确参数：在提示词中保持统一的结构(比如标准化的 XML 标签)，并明确定义那些容易产生歧义的术语。3、输出简洁度：默认情况下，Gemini 3 不太啰嗦，倾向于提供直接、高效的答案。如果你需要更像聊天或者更随性的风格，必须明确提出要求。4、多模态协调：文本、图像、音频或视频都应该被同等对待。指令中应该明确提到具体的模态，确保模型能综合处理它们，避免孤立分析。5、约束条件放置：把行为约束和角色定义放在系统指令中，或者提示词最开头的位置，这样能确保它们锚定模型的推理过程。6、长上下文结构：处理大量上下文(书籍、代码库、长视频)时，把你的具体指令放在提示词末尾(数据内容之后)。7、上下文衔接：从大段数据过渡到你的问题时，要明确做好衔接。用一个过渡短语，比如"基于以上信息……"，然后再提问。内容很长，可以看原文，也可以看我的配图。原文链接见评论区。#提示词##提示词工程##科技先锋官##微博兴趣创作计划#

53. Claude Agent Skills 深度解析：基于第一性原理的提示工程架构leehanchung.github.io/blogs/2025/10/26/claude-skills-deep-dive/ Claude 的 Agent Skills 构建了一种优雅的、以提示为核心的能力扩展体系。它通过“元工具 + 提示注入 + 上下文控制”的方式，实现了安全、灵活且可组合的智能代理行为定制，代表了 LLM 应用从“功能调用”向“认知引导”演进的重要方向。#科技先锋官#

54. 昨天这篇文章提到了强化机制（网页链接），此强化非彼强化，正好详细了解了一下。这里的强化机制并非机器学习领域的强化学习，而是一种为大模型注入额外提示、补全上下文、修正轨迹的工程技巧。它的核心目标是让 Agent 在多步任务中保持方向稳定、决策一致。1. 解决什么问题？当 Agent 需要处理复杂的多步骤任务，模型常常出现以下问题：1）工具报错后无法正确恢复当错误信息过长或过几轮后被遗忘时，模型会继续产生无效输出。2）忘记初始目标在长上下文中，模型会偏向于处理眼前的文本，而不是任务本身。3）被工具输出的噪声误导许多系统的工具输出不够结构化，模型难以正确解析。4）循环行为模型可能重复调用相同工具，或重复生成相同解释。2. 什么是强化机制？为了让 Agent 能够顺畅执行任务，工程实践中逐渐形成了一种关键方法，即“强化机制（reinforcement）”。强化机制通常包含三类信息：1）原始工具输出2）对工具输出的解释、总结或结构化处理3）针对任务目标的提醒、下一步行动建议或错误纠正提示这种方式让模型在下一轮推理时，不仅知道发生了什么，还知道应该如何继续。3 强化机制是如何运作的？为了说明强化机制如何发挥作用，可以将 Agent 的通用循环简化为四个阶段：1）用户或系统提出任务2）模型给出行动（如调用工具或生成内容）3）工具返回结果4）系统将结果整理后重新注入模型，让模型继续强化机制作用在第四阶段，它通过人工设计“强化后的上下文”结构，让模型更理解状态，也更容易走上正确路径。一个典型的强化注入可能包含：1）工具原始输出2）提炼后的关键点3）关于失败原因的简要解释4）明确提示模型下一步应该做什么5）任务目标的提醒4 强化机制的常见形式在实际系统中，强化机制可以通过多种形式实现：1）结果总结将工具输出的关键部分提炼为简短段落，让模型更容易解析。2）错误解释遇到报错时，用自然语言告诉模型：错误原因是什么，应该如何修复。3）结构化状态把工具状态包装成 JSON 或结构化文本，让模型减少解析错误。4）目标重申在任务进行多轮之后，重新提醒模型最终目标是什么。5）自我检查（Self-Check）让模型根据当前状态生成“我下一步应该做什么”的列表，并在下一步回显给自己。6）路径规划在关键步骤加入“你已完成哪些步骤，还剩哪些步骤”的信息。这些设计本质上都是为了让模型更容易维持任务链路。5 如何设计一个高质量强化机制？如果你正在构建自己的 Agent，可以遵循以下设计原则：1）状态必须清晰不让模型自己推理上下文，而是直接告诉它关键点。2）信息必须简短强化信息越长，越容易被淹没在上下文中。3 ）错误必须显式解释模型在理解错误时的鲁棒性很差，需要手工解释。4）目标必须持续提醒尤其是超过三轮的任务，不提醒必偏航。5）工具结果必须被结构化能 JSON 就不要纯文本。通过这些工程技巧，可以显著提升 Agent 的稳定性。#微博兴趣创作计划# #人工智能#

55. 别直接训！给主模型加个错题本，6B轻松超越8B | NeurIPS

56. 【上下文工程实战指南：如何让AI代理真正听懂你的话】“AI垃圾输出”的锅，现在该用户来背了。在Claude Code这类黑箱系统中，上下文是我们唯一能控制的输入变量。既然如此，如何优化它就成了关键问题。+ 什么是上下文？上下文指的是你发送消息时提供给大语言模型的一切——不仅是提示词本身，还包括系统提示、元数据、历史对话、模型的思考过程、工具调用和响应。大模型的上下文窗口有限，对话越长，追踪信息的准确度就越低。Claude Code的上下文窗口看似有20万token，但实际可用空间远没那么多。运行/context命令就能看清真相：22.5%被预留，10.2%被系统提示占用，加上MCP服务器、子代理和规则，真正留给我们的只有约12万token。更关键的是，无论是否接近窗口上限，上下文越多，模型质量就越差。+ 基础功夫最重要和大多数事情一样，820法则同样适用于vibe coding。做好以下基础，你就已经完成了80%：- /upgrade升级到Max计划- /model选择opus 4.5- /init创建项目说明文件然后是基本工作流：1. 从计划模式开始（Shift + Tab）2. 让Claude通过提问来澄清模糊点3. 执行经过打磨的计划创建子代理、自定义命令、钩子、多代理编排确实很酷，但说实话，没有我们想象的那么重要。掌握基础才是核心竞争力。+ 如何实际运用这套工作流把每次新对话当作一个目标，严格控制范围：-“我要修复这个bug”-“我要构建这个功能”对于新项目，目标可以更宽泛，但这意味着需要更多规划和打磨——因为模糊性越大，误解空间就越大。多花时间规划，再多花时间打磨规划。让Claude不断提问，直到它开始为问而问。请它多次审查计划，讨论架构、最佳实践、安全风险、生产就绪度、测试策略——目标是在每个模糊点提供细节。+ 何时重置，如何重置如果进展顺利且后续任务与当前上下文相关，继续就好。接近上下文上限时，运行/compact释放空间，或让Claude Code自动处理。但如果事情不顺利呢？模型没做对，你陷入了“这太糟糕了请修复”→垃圾输出→“这更糟糕了你在想什么”→垃圾输出的循环。这时不要试图在同一线程中挽救，而是：- /rewind回到进展顺利的节点- /new开启新线程，优化原始提示词，明确指出“不要做什么”——把上次的教训写进去+ 避开复杂性陷阱如果你常刷社交媒体，可能已经收藏了无数花哨设置——MCP服务器、子代理、技能包……我的建议是：不要过度复杂化。正如Anthropic所说，我们的目标是“找到最小的高信号token集合”。往上下文塞太多MCP数据，只会用低信号填满窗口，同时烧掉你的钱。+ 善用MCP服务器获取优质上下文MCP服务器本质上是让模型能调用的第三方工具——文档、GitHub代码、Linear工单、Figma设计等。这类工具刚推出时被热捧，但人们很快发现很多会疯狂消耗上下文，得不偿失。我目前只用三个经过验证的：- exa.ai：AI代理的网络搜索- context7：AI代理的最新文档- grep.app：AI代理的GitHub搜索我主要用它们研究如何正确实现代码——这些事我自己查文档也能做。Anthropic把这称为“即时上下文”策略——代理在需要时自己寻找信息。这对Claude Code这类代理式编码工具非常有效。+ 用子代理节省上下文——我最喜欢的隐藏技巧Claude Code可以创建子代理——作为主代理的子实例运行。关键在于：- 子代理拥有独立于主代理的上下文窗口- 可以使用不同模型（比如非opus）这意味着我们可以让子代理执行消耗大量token的操作（如研究），然后向主代理提供精炼摘要——信息密度高，token消耗低。我最常用的是一个自定义的“图书管理员”子代理，运行sonnet模型扫描开源仓库和文档，向主代理返回精炼摘要。我会说：“用librarian研究如何用Y库实现X，然后实现Z”——子代理触发，调用所有工具找到高质量答案。这既防止主上下文被污染，又用更便宜的模型完成简单任务。+ 用技能包引入相关上下文技能包与子代理相反——不是把任务委派给专门代理，而是把专业能力引入当前代理的上下文。比如Claude Code内置的“前端设计师”技能，会引入一段较长的提示词，告诉Claude前端设计的注意事项。这些工作流听起来花哨，但原理很简单——Claude只是在认为需要时，把一段文本拉入上下文。+ 核心要义好的vibe coding是为价值密集的上下文而优化。你添加或从模型接收的任何信息，都应简洁地服务于帮助模型回答下一个请求。如果做不到这点，就不应继续在同一上下文中工作——这是避免陷入令人沮丧的垃圾输出循环的关键。社交媒体上那些花哨命令可能让你觉得自己落伍了。但实际上，事情没那么复杂——尽力用简洁、高质量的信息帮助模型，给它工具让它自己找到相关信息。就像你对待一位同事那样。x.com/jarrodwatts/status/1926054877836624014

57. 大神 Miles 今天又分享了一个非常实用的 Manus 代理提示，他已经用它执行了数百个任务，并称“这是我 2026 年使用最频繁、最有效的代理提示”。我认真分析了一下，有如下优点：角色定位清晰：把 AI 设定为“自主代理”，自己规划、执行、收尾，大幅减少来回沟通；明确先想后做：强制先思考再动手，并生成简短计划（子任务、工具、顺序、风险），相当于自带迷你项目计划书；确保结果可用：过程会汇报进度，结束还有总结和交付物清单，可直接落地使用。这个提示词适合场景为只有一个大目标、但你没时间或不想细拆步骤的长链路任务。有个感受：提示词的结构设计，本身就是提升 AI 质量和稳定性的关键。

58. 力擎 GEO 优化系统被曝给 AI 大模型投毒，GEO 是什么？如何判断 AI 回答是否被投毒？

59. 「人类负责消除歧义，AI 负责在较少歧义的环境下执行」。看上去这是一个上下文问题，但有三种情况，上下文是人类提供不了的。第一种情况是，这个人是个外行，他根本不知道必要的上下文。第二种情况是，这个人是个内行，但他目前还没有掌握必要的上下文，得在随后的思考和实践过程中，一步步探索和理解关键约束。第三种情况是，上下文的信息量过于庞大，无法浓缩与输入，其中还有不少是 “体感” 一类的不容易翻译成语言的信息，或者上下文分散在不同的人那里（协作场景），无法约束所有人整齐划一地输入。缺乏必要的上下文，AI 就不可能输出可靠的概率计算结果。

60. 12 月 22 日，以 “初心不改，为爱进阶” 为主题的上市发布会于保定圆满举行。新车定位首款搭载 VLA 大模型的大六座插混 SUV，限时焕新价 27.58 万元起。新车融合 VLA 大模型与 Hi4 智能四驱电混技术，实现双技术高效协同，更在座舱体验与安全防护维度全面进阶，为用户带来全方位、可感知的升级出行体验。 http://t.cn/AX4uVbxz

61. 【如何写好AI生图提示词？】GPT-Image-2提示词合集-1

62. 最常见的错误养狗方式，快改！

63. Seedance 2.0提示词技巧！零基础上手指南（附提示词）

64. 为什么我编写不出优秀的ChatGPT提示词?

65. 11集

66. 智能体的知识库搭建经验 #智能体 #Agent #知识库 #ai 你的智能体总乱答，大概率不是模型问题，而是知识库没搭好

67. 提示词写作的 7 个致命错误，90% 的人都在犯

68. 别再踩这些提示词坑了！6个常见错误，看完少走弯路

69. 为什么同样的提示词，别人的效果比你好10倍？

70. 什么是提示词？小白第一句AI提示词实战，看完就能上手

71. 5个提示词反面案例，避开90%误区

72. 别再瞎写提示词了！90%的人都在踩坑，这张图让你输出质量直接翻倍！

73. 《Java代码封装AI提示词模板，根治胡说八道，自媒体提效翻倍》

74. 实战课AI人人必修-提示词工程+大模型多场景实战（丰富资料) - 哔哩哔哩

75. 一文读懂 AI 提示词工程

76. 揭秘大厂都在用的CO-STAR提示词框架

77. 终于找到让 AI 一次就输出满意答案的技巧

78. Prompt Engineering

79. 构建可信的AI

80. AI不是工人是键盘！让大模型干活总出错？老司机教你正确打开方式

81. 吴恩达AI提示工程指南

82. 提示工程最佳实践

83. 最佳提示工程实践

84. 提示词工程最佳实践

85. 《从前端到 Agent》系列｜02

86. 谷歌发布的提示词工程对我们普通人到底有啥用

87. 从模糊到精确

88. AI小白的提示词工程入门手册，免费分享～

89. Elasticsearch

90. 别被花哨的Prompt迷惑！好提示词只有一个标准

91. 用好提示词，让你的AI名实相符！

92. 看过来！提示词的5步改造法

93. 如何写出好的Prompt（提示词）？

94. AI提示词书写技巧

95. 豆包提示词技巧

96. 提示工程 vs RAG vs 微调

97. 为什么 AI 写代码写错后，再改来改去也还是错的?

98. 5个让AI回答翻倍精准的提示词技巧，亲测有效

99. 你以为提示词越长越好？这3个错比长短更重要！

100. Trae使用最佳实践9

101. 职场小白必看！AI万能提示词模板，告别空洞回答直接上手

102. 别瞎输入指令！高质量AI回答全靠提示词

103. 我整理了一套AI提示词，新手直接复制就能用（附模板）

104. 为什么你的AI回答总是差点意思？问题出在提示词

105. AI落地的难度在哪？

106. AI智能体实战笔记（一）

107. 大模型的局限性以及常见解决方案

108. 大模型最隐蔽的4种“坑”，大多数人每天都在踩

109. 22款AI全部翻车！测试揭示大模型最危险的缺陷

110. 2025年大模型技术面临的十大痛点

111. 使用大模型要有批判性思维

112. 大模型测试常见误区，90%测试专家都踩过

113. 如何判断AI的输出是否正确?三个办法搞定!

114. 为什么用 AI 得不到理想结果？关键在于提出好问题和使用高效提示词

115. AI生成答案超三成“不可靠”

116. 手把手教你用这些AI提示词，看到就是赚到！

117. 解决 AI “乱回答”难题,大模型AI客服系统搭建流程

118. 用AI买保险,靠谱吗?

119. 2024年6月第353354期

120. AI产品经理别踩坑!提示工程、RAG、微调选不对,项目白忙还亏钱

121. 老是出错的AI搜索,要被夸克整顿了?

122. 处处是“垃圾”:人工智能太缺高质量数据了!

123. “五一” 假期出游锦囊丨榨干水分给“五一”出游避坑加个“算力外挂”

124. AI生成的内容如何绕过朱雀大模型检测平台

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

126. AI 教程 | ChatGPT 提示词工程：从零到一实战指南

127. AI 提示词工程上下文工程 15分钟弄懂！

128. 被纳瓦尔转发的 “神级提示词”：为什么它能让 AI 回答质量提升数倍？

129. 微软证实大模型多轮对话成功率骤降 AI应用遇挑战？

130. 斯坦福课程：如何通过改进提示词获得更好的结果

131. 最新Deepseek AI提示词指令提示词最新合集(含教程）

132. 本地部署大模型的两个致命坑，90%都踩过(亲身经历)

133. 小红书文案改写封神！AI提示词这么写，效率翻倍不踩雷

134. AI Agent 的进化:从提示工程到上下文工程

135. OpenAI发布最新GPT-5.5提示词指南，旧提示词技巧已作废

136. 如何跟AI说话：提示词的艺术

137. AI基础入门（大模型基础篇）——提示工程：更好地释放LLM的能力

138. 程序员必看！3个AI提示词技巧

139. 每个开发者都应该掌握的四种提示词工程模式

140. 大模型为何会\"胡说八道\"？5分钟看懂AI幻觉成因与识别

141. 从提示词到上下文：法律智能体为什么要做“上下文工程”？

142. AI写作提示词：五大常见误区(可直接复制)

143. 建议收藏：20个2026年最实用的AI提效提示词模板（附实战案例）

144. 2026年最值得收藏的10个AI对话提示词框架(上)——让AI给你的回复更有效

145. AI智能体赋能：从“提示工程”到“上下文工程”的范式革命

146. 别让AI只会说"好好好"—7个让AI说真话的提示词技巧

147. Prompt提示词技巧汇总

148. 提示词工程转向上下文的LLM应用效果提升

149. AI改写小红书文案生硬？3个提示词技巧+实用工具，轻松写出原

150. 大模型工程进阶指南：从提示词到上下文的深度探索，解锁AI应用的智能与可靠性！

151. AI提示词工程：一个容纳所有技巧的统一框架

152. AI再聪明，也架不住人类“套路”：AI投毒vs提示词注入，藏着多少隐秘博弈？

153. 2602课程 - 实验10-1：优化提示词改善大模型的回答质量（风趣解读）

154. 我测了100种AI提示词技巧，最后只留下3个

155. 别只会被动提问了！掌握“提示词”这门新语言，你能指挥千军万马

156. 重温提示词工程（四）：常见错误及案例

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

158. 不会写提示词=浪费Ai

159. 利用“思维链监控”的量化指标改进你的提示词和答案

160. 提示词测试的5大常见误区

161. a16z：Agent 表现不好，可能是缺乏正确的数据上下文

162. IMA知识库教程②搜不到？答不对？报告不会出？一篇全解决

163. 客户说“感觉不对”，AI能不能帮你找原因？

164. AI提示词工程入门

165. 提示词（Prompt）到底怎么写？3个公式让你的提问效果翻倍！

166. #大模型提示词技巧测试。#人工智能#大模型#提示词大模型提示词技巧真的需要好好掌握！之前让AI算苹果数量，它只做表面计算，结果算错，后来发现关键是要引导它进行逻辑思考，不能让它自动理解复杂语境。 **1️⃣思维链引导** 当无法提供示例时，直接在问题后加上“让我们一步一步的思考”，AI就会自动展示推理步骤，这样能让AI学会模仿推理模式。 **2️⃣非一致性验证** 单一路径可能出错，让AI对同一问题生成多条推理路径，对答案进行多数投票，能提升答案的可靠性，比如判断安全邮件是否重要，多数路径的结果更可信。 **3️⃣分解解决复杂问题** 面对复杂问题，像艾米15分钟内能滑几次滑梯，先拆解为每趟用时多久和总时间能容纳几趟两个子问题，再依次解决，这体现了系统化思维。 **4️⃣调用外部工具** 一些AI框架能让AI调用外部工具，形成思考行动观察的闭环，超越线性思考，让AI更接近人类解决问题的能力。在实践中，提示词设计要明确指令、提供示例、要求结构化输出，还要像工程师一样迭代测试记录，根据问题选择合适策略，和AI协作的过程很重要。

167. 大模型哪里出问题、怎么修，这篇可解释性综述一次讲清

168. 提示词：与智能体沟通的钥匙

169. AI提示词编写技巧

170. 走路洗车、红绿色盲等问题都答不对了网友吐槽最强编程AI降智严重

171. 同一个问题，不同的人问AI，为什么答案完全不一样？