当前位置：

社区首页

电脑数码

软件应用

办公软件

AIGC文章详情

张大妈

求职效率翻倍！AI精准生成简历+面试话术，小白也能闭眼入

源自62位全网作者

04-14 08:25

精选参考来源

【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

为什么我编写不出优秀的ChatGPT提示词?

全部
来源

内容由AI生成

1. 【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

2. 为什么我编写不出优秀的ChatGPT提示词?

3. Qoder 上线提示词增强功能，将开发者从“提示词”的负担中解放出来

4. //@微博智搜:简化版提示词："请将文本转化为PPT：先识别语义断层（如转折词）划分内容板块，再提炼每板块核心观点为标题，最后结构化内部内容（分定义/案例/数据等），输出简洁HTML。忠于原意但优先清晰性。"继续提问戳->微博智搜 //@magicmonk:@微博智搜改成人话版本提示词

5. 这位网友的问题很典型：> 宝玉老师，以现在大模型的能力还需要prompt吗，我现在都直接描述问题就发出去了这个疑问其实特别普遍，甚至可以说，它代表了绝大多数用户的心声。包括还有人说：> 今天社交网络上被追捧的所谓AI高人,不过是Prompt Kiddie(提示词小子)。 > 整天转帖一些提示词,其实是在自动充当大模型的燃料。是不是还需要 Prompt 这个问题的答案，其实藏在你的需求里。如果你的任务很简单，比如问个天气、查个单词，或者写个请假条，那确实不需要什么复杂的提示词。这就好比做一道 1 加 1 等于 2 的数学题，直接心算就完事了，非要列个方程式反而显得矫情。但是，一旦涉及到复杂任务，情况就完全不同了。你可以把专业的提示词想象成解难题时的“数学公式”。当面对一道复杂的应用题时，光靠心算是不够的。你需要公式来规范步骤，需要设定变量。提示词就是在这个环节起作用，它把一个模糊的需求，拆解成了一条清晰的思维链，手把手教 AI 怎么思考。举个最常见的例子：把一篇晦涩的学术论文改成科普文章（参考提示词：网页链接）。如果你直接把论文丢给 AI，跟它说“帮我改写成科普文”，它大概率会给你扔回一篇删减版的论文，依然充满了你不懂的术语。因为它不知道你的“科普”是给谁看的，也不知道你需要什么风格。但如果你运用了“公式”，告诉它：你的读者是只有高中物理水平的普通爱好者，请多用生活中的比喻（比如把量子纠缠比作心灵感应），并且在写之前先去检索一下相关的背景趣闻。这时候，AI 输出的就不是冷冰冰的文字，而是一篇有血有肉、生动有趣的科普文章。这就是提示词的魔力——它填补了“指令”和“意图”之间的鸿沟。再进一步，提示词还能充当“工作流经理”的角色。比如你想做个 PPT。普通玩法是让 AI 帮你列个大纲，然后你自己根据大纲一页页去制作幻灯片。但高阶的玩法是，用一段精心设计的提示词（参考提示词：网页链接），让 AI 不仅生成大纲，还能根据每一页的内容，自动写出对应的 AI 绘画指令。它把“写大纲”和“想配图”这两个步骤串联起来了。这时候的 AI，就不再是一个简单的聊天机器人，而是一个自动化的生产线。还有大家最关心的 AI 画图提示词。为什么大神生成的图片光影绝美、细节拉满，而你生成的总是差点意思？因为在非专业人士眼里，只有“好看”这一个形容词；而在提示词里，包含了光线类型、渲染引擎、构图视角等各种专业参数。这些参数，就是大神手中的“秘密配方”。你想复刻那张图，光靠猜是猜不出来的，必须拿到那个具体的参数。即使你可以通过多模态模型来逆向，有时候就是差一点意思，毕竟专业的提示词，是经过无数次试验和优化才打磨出来的。所以，回到最初的问题。我们还需要 Prompt 吗？如果你只是把 AI 当作一个陪聊的网友，或者一个随身的百科全书，那你确实不需要。但如果你想把 AI 变成一个稳定输出的生产力工具，提示词就是必修课。因为聊天是一次性的，说完就散；而专业提示词就像是“程序”和“软件”。当你写好了一个完美的翻译提示词，或者一个生成信息图的提示词，它就不再是一句话了，它变成了一个只要你输入原料，就能稳定产出高质量产品的“工具”。我自己则一直是在尝试借助提示词来帮我提升效率：比如我要提取 YouTube 字幕，还要去对发言人名字进行标注，我就写了提取 YouTube 字幕的提示词网页链接，不仅有文稿，还能自动对上发言人，还能分章节。比如我要给文章配图网页链接，所以我写了一个生成信息图的提示词，文章贴进去，它就能帮我生成一张好看专业的信息图。比如我要要校对文稿，我不会肉眼去校对，而是写一个校对的提示词，让 AI 帮我找错别字、语法错误，提供修改建议。借助这些提示词，就能让我事半功倍。这才是提示词的真正价值：它让你从一个向 AI 提问的“用户”，变成了指挥 AI 干活的“工程师”。下次当你在干一些枯燥的任务的时候，不妨想一想：我每天在做的这些事情，如果写一个专业的提示词，是不是能让我事半功倍？

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. 如何写出专家级提示词，充分发挥 GPT-5 的潜力：1、上下文层 - 正确喂养这台机器大多数人写提示词就像写搜索关键词……这样不对GPT-5 需要在开头就给足背景信息（角色、限制条件、成功标准）关键信息要放在前 100 个词内（注意力在早期最集中）用 XML 标签来组织结构，比如 <role> <task> <examples>模型处理结构化数据的效果比处理大段文字好 3 倍2、推理链 - 让它把思考过程说出来别急着要最终答案要求它一步步拆解："系统地想清楚整个过程"用这样的句式："先分析……然后考虑……最后给出建议"GPT-5 的思维链能力比 GPT-4 强得多推理链能让幻觉问题减少 60% 以上3、示例框架 - 做给它看，别光说零样本提示词是碰运气……少样本提示词才是工程化在提示词里提供 2-3 个输入/输出示例，按你想要的格式用这种结构："好的例子是这样：[示例] 不好的例子是这样：[反例]"GPT-5 从例子中学习的效果比从指令中学习好得多4、约束系统 - 边界创造品质模糊的提示词 = 平庸的输出（永远如此）明确你不想要什么："避免泛泛而谈、公司术语、大话空话"设定输出限制："最多 150 字"或"恰好 5 个要点"明确指定语气："写得像个导师，别像教科书"5、角色工程 - 打造专家人设"你是专家"这种说法太懒……要更精准这样用："你是一位资深数据科学家，向非技术背景的创始人解释复杂的机器学习概念"组合多个专业领域，获得独特视角具体的角色会激活特定的训练数据集群6、验证层 - 捕捉幻觉永远要求它提供来源或推理："引用你的推理"或"解释你的信心水平"让它给出替代观点来测试准确性加上这个："你做了什么假设？哪些地方可能错了？"GPT-5 可以自我批判，只要你在提示词里要求它这么做#提示词工程##提示词##AI创造营##微博兴趣创作计划#

8. 2026年了！大部分人还不会给AI提示词。

9. 分享 NotebookLM 十大高级提示词，收藏起来玩转 AI 提效！

10. 2025年AI提示词深度指南：从基础知识到高级技巧

11. 如何写提示词：一门关于有效提示词的迷你课程。这里有多种旨在提升人工智能模型输出质量和相关性的高级提示词技巧。1. 基础提示词 (Basic Prompting)这是编写提示词的基本准则。提示词通用法则 (CSI):情境 (Context): 提供背景信息。具体 (Specific): 指令要明确。指示 (Instruction): 给出清晰的指令。关键要素:精准的语言: 使用准确的词汇。情境化信息: 提供必要的背景。创意性措辞: 尝试用不同的方式表达。类比与示例: 给出例子帮助 AI 理解。2. 思维链 (Chain-of-thoughts)将一个复杂的问题分解成一系列更简单的步骤，引导 AI 进行逻辑推理。第一步: 分解主要问题。第二步: 分解子问题。第三步: 要求执行具体任务。3. 分块 (Chunking)将复杂的信息分解成更小、更易于管理的部分。这个方法适用于多种场景，比如：金融分析、研究、工具使用、问题解决或写作等。4. 显式推理 (Explicit Reasoning)这是一种让 AI 以清晰、分步的方式解释其思考过程的技术。你可以要求 AI "一步一步地思考" 或 "解释你的推理过程"。5. 代理提示 (Agent Prompting)在 AI 的框架内为其设定一个“代理”或“角色”，并以任务或查询的形式向这个角色发出提示。例如，你可以让 AI 扮演一位特定的专家。6. 团队提示 (Team Prompting)让生成式 AI 像一个专家团队一样工作。你可以定义多个拥有不同技能、角色和视角的虚拟“代理”，并为它们分配具体的任务，促进它们之间的协作。流程: 定义代理及其角色 → 分配任务与顺序 → 促进协作。7. 苏格拉底式提示 (Socratic Prompting)通过提问引导 AI 深入探索一个主题，进行批判性思考并发现潜在的假设。第一级: 提出开放式问题。第二级: 挑战固有的假设。第三级: 寻求澄清说明。8. 元认知 (Meta-Cognition)鼓励 AI 对其自身的思考过程、偏见和决策进行反思。方法:提示 AI 进行自我反思。进行评估和评级。利用其提供的见解。要求其进行调整。9. 提示词优化与扩展 (Prompt Optimization & Expansion)从一个基本的提示词开始，然后要求 AI 根据你期望的结果来改进它。这种技巧的优势在于可以学习如何使用更精准的词语和句式来获得理想的答案。10. 事实核查 (Fact Checking)使用提示词来验证信息的准确性和可信度。步骤:质疑来源: 询问信息的来源。交叉验证: 要求从不同来源进行核对。询问近期数据: 要求提供最新的信息。要求第三方链接: 索取可供查证的外部链接。11. 迭代探究与顺序提问 (Iterative Inquiry & Sequential Questioning)这是一个持续提问的过程，旨在逐步提炼和改善对任务的理解或输出结果。通过一系列连续的问题，不断优化最终的答案。#微博兴趣创作计划##ai创造营##ai生活指南#

12. AI提示词技巧！一文学会高效地对AI进行提问

13. 《扣子开发 AI Agent 智能体应用》025-实战案例：抖音文案提取与仿写助手

14. 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

15. 《腾讯元宝从入门到精通》002-提示词设计与优化

16. 012-AI 短视频分镜头设计（AI绘画提示词入门）

17. 为了找工作，我用AI投了1000份简历...【Git源宝】

18. 给大家分享一个AI时代的成功方法，每个人都能复制#AI #教育 #学习 #openai #创业#就业#求职#AI学习

19. 起底价值百万的顶级内参，2026年，普通人如何改命 #ai #职场 #面试

20. 白嫖顶级AI模型！GLM-4.7 + MiniMax M2.1 免费 API，媲美直连 Claude Code！NVIDIA 限免福利 | 零度解说

21. Reddit 上有人分享了一个提示词，能让 ChatGPT 不说废话，清晰、准确、直奔主题地回答问题。提示词：系统指令：Absolute Mode（绝对模式）- 删除：emoji、废话、夸张语气、软性请求、对话过渡语、行动号召附录。- 假设：用户具备高感知力，能接受直接语气。- 优先：直白、指令式的措辞；目标是促进认知重构，而非语气匹配。- 关闭：所有情绪/参与感提升行为。- 抑制：满意度评分、情绪柔化、延续偏差等指标。- 永不模仿：用户的措辞、情绪或语气。- 仅表达：认知层面的核心内容。- 禁止：提问、建议、引导、过渡、鸡汤式内容。- 终止回复：传达信息后立即结束——不做结尾。- 目标：重建独立、真实、清晰的思维能力。- 最终效果：用户自我认知增强，模型不再是依赖性工具。#AI创造营##提示词##微博兴趣创作计划#

22. 想让 AI 真正懂你？首要任务是学会“结构化表达”。春节期间，向亲友推荐 AI 时常听到这样的反馈：“乍看很惊艳，实操却不稳定；闲聊尚可，一旦涉及严肃工作就不靠谱。”这种“时好时坏”的症结，往往不在模型能力，而在交互质量。大多数人习惯了随意的自然语言，却忽略了：AI 需要清晰的指令边界。“结构化表达”正是人类思维与大模型（LLM）之间最高效的“通讯协议”。当你把模糊意图转化为结构化的逻辑指令，就跨越了从“闲聊玩具”到“生产力工具”的鸿沟。一、Why：为什么大模型喜欢结构化表达？从大模型的技术原理（Transformer 架构）来看，结构化表达能显著提升模型表现：1）降低“熵”（减少不确定性）大模型本质是基于概率预测下一个 token。人类自然语言往往充满歧义、省略和跳跃。结构化表达（如分点、贴标签、定义框架）能减少上下文歧义，缩小模型的搜索空间，从而更大概率命中你想要的高质量答案。2）引导“注意力机制”（Attention Mechanism）结构化文本（如 Markdown 标题、由于/因此、背景/任务/要求）能让模型更清晰地区分：哪些是核心指令、哪些是背景信息、哪些是限制条件。相当于给模型划重点，防止它在长文本里“迷路”。3）触发“思维链”（Chain of Thought）当你用结构化方式拆解问题（比如：第一步做什么、第二步做什么），你是在向模型“演示解题路径”。这种逻辑引导更容易激活模型推理能力，让输出不只是文字堆砌，而是逻辑推演。二、How：结构化表达如何“放大”AI 的能力？在实际工作中，结构化表达能把 AI 从“闲聊机器人”变成“专业生产力工具”：1）从“模糊需求”到“精准指令”非结构化：“帮我写个周报，这周做了 A 项目和 B 项目。”结果：AI 往往会写出一篇通用的、毫无亮点的流水账。结构化：【角色】你是高级项目经理。【背景】本周推进了 A 项目（处于收尾阶段，无风险）和 B 项目（处于启动阶段，缺人手）。【任务】撰写周报。【框架】1）关键进展；2）风险预警；3）资源需求。【风格】简洁、客观、数据导向。结果：AI 会生成一篇逻辑顺畅、重点突出、基本可用的周报文档。2）突破“上下文限制”当你需要 AI 处理复杂任务（如写长篇报告、分析复杂代码）时，结构化表达能帮助你模块化拆解。你不再一次性把所有东西扔给 AI，而是构建一个“工作流”：先定义大纲（结构化框架）再分模块填充内容（结构化填充）最后统一润色（结构化约束）3）确保输出的“可交付性”如果你要求 AI 结构化输出（例如“请以 Markdown 表格形式输出，包含列 A、列 B、列 C”），生成内容就可以直接复制到 Excel 或 PPT。结构化输入往往带来结构化输出，极大降低后期排版与整理成本。三、What：什么是结构化表达？一个高质量的结构化 Prompt 通常包含四个模块：Role（角色设定）：明确 AI 身份（如资深 Python 工程师、麦肯锡咨询顾问）Context（背景信息）：提供任务上下文（如目标受众、项目阶段、原始数据）Instruction（核心指令）：清晰的动词 + 目标（如分析趋势、用隐喻解释概念）Constraints（约束/输出格式）：字数、语气、格式（表格/代码/JSON）另外还有经典的 BROKE 或 ICIO 模型，大家也可以自行学习了解。写在最后结构化表达能力，是 AI 时代最重要的“软技能”。它不是新东西：以前，结构化表达是为了让人听懂（向上汇报、跨部门协作）；现在，结构化表达是为了让 AI 听懂（获得更稳定、更可控的产出）。本质上，你思维的清晰度，直接决定了 AI 产出的精确度。

23. 《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）

24. 《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）

25. 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。

26. 15 组文案润色 AI 提示词，秒变神仙质感（直接复制即用）

27. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

28. AI时代保命符我们该教孩子什么 OpenAI掌门人山姆奥特曼对自己孩子未来的规划，AI时代到底学什么才不会被淘汰 #ai #教育 #认知

29. 告别生成排队，彻底实现顶流模型创作自由

30. 高效提示词（prompt）工程指南

31. 这个厉害了！Berryxia.AI 整理的：完整提示词工程指南:框架、技术与模板手册↓——包含从入门到高级的完整提示词方法论——57+ 主流框架、10 大模板、9 大体系结构，一次性搞懂 Prompt Engineering。🎯 核心内容总览📘 框架体系地图（6层）1️⃣ 基础框架（COSTAR、STAR、AIDA...）2️⃣ 分析研究（TRACE、RACE、SMART...）3️⃣ 创意创新（SPARK、SCAMPER、Six Hats...）4️⃣ 问题解决（HMW、COAST、RICE...）5️⃣ 沟通表达（TAG、APE、ORID...）6️⃣ 高级推理（CoT、ToT、Meta Prompting...）🧩 关键提示词结构（5要素）角色（Role）｜上下文（Context）｜指令（Directive）｜格式（Format）｜约束（Constraints）💡 快速选框架指南：任务类型推荐框架 ①营销文案 AIDA / COSTAR ②数据分析 TRACE / RACE ③创意脑暴 SCAMPER / SPARK ④复杂推理 CoT / ToT ⑤项目规划 COAST / GOPA ⑥学术写作 PEE / TRACE 访问：drive.google.com/file/d/1re3Ca-7SjSqupXjQpsS-YSjC9-xpoIXU/view#ai创造营##人工智能#

32. 【你的提示词写得像搜索引擎查询，难怪AI输出不行】经过大量测试，我发现90%的ChatGPT糟糕输出都源于同一个问题：我们写提示词的方式更像是在Google搜索，而不是在写项目简报。这个五层框架能让输出质量产生质变：角色、背景、任务、格式、约束。+ 第一层：角色。别只说“你是专家”。要具体到专业程度、行业领域和个性特征。“你是一位有15年经验的直复营销文案，专门服务DTC电商品牌，深入研究过尤金·施瓦茨和大卫·奥格威的方法论。”角色越具体，输出越精准。模型会根据这个设定调整词汇、结构和推理方式。+ 第二层：背景。AI读不了你的心思。大多数人在这一层丢失了质量。“我的客户销售一款49美元的有机护肤精华液，目标用户是28到42岁的女性，她们对那些承诺效果却使用合成成分的产品感到失望。品牌调性温暖、自信、有科学依据，但不推销感。”+ 第三层：任务。具体到让人觉得啰嗦的程度。不是“写几封邮件”，而是“写一个5封邮件的欢迎序列。邮件1是温暖的品牌介绍，邮件2针对最大异议也就是价格问题，邮件3分享客户转变故事，邮件4用限时优惠制造紧迫感，邮件5用社会认证做最后推动。每封邮件要包含主题行、预览文本和正文。”+ 第四层：格式。告诉AI确切的结构。“每封邮件使用这个结构：主题行、预览文本、开场钩子一句话、正文100到150字、一个清晰的行动号召。使用短段落，每段不超过两句话。”+ 第五层：约束。这是秘密武器，约束能防止通用化输出。“不要使用革命性、颠覆性、解锁这些词。不要用问句开头。每封邮件感叹号不超过一个。阅读水平控制在八年级。”有评论指出，约束层的作用比表面看起来更深。你不只是在避免陈词滥调，而是在压缩模型的输出概率空间，迫使它把注意力权重重新分配到非默认选项上。这就是为什么有约束的提示词感觉更专业：你让懒惰的输出变得不可达。当然，也有人直接说这框架没什么新鲜的，不过是把“具体一点”包装进五个盒子，撒上企业咨询的术语。确实，这类结构Google早就有70页的PDF免费提供。但重点从来不是原创性，而是是否真正在用。一个更实用的变体是调整顺序：角色、任务、约束、背景、格式。把指令放在最前面，因为模型对最近的显式内容权重更高。还有人提出了更深的思考：当约束不是偏好而是硬性要求时会发生什么？金融、医疗、法律这些领域，“模型通常会遵守”是不可接受的。那时候约束架构就变成了一门和提示词工程完全不同的学科。框架之外，真正的高手会让AI帮你写提示词。把想法扔进去，告诉它你想要的结果，它通常会默认输出类似结构。让AI做重活，这才聪明。www.reddit.com/r/PromptEngineering/comments/1r4b2y3/the_5layer_prompt_framework_that_makes_chatgpt/

33. 【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#

34. 发现一个AI的新用法，再也不用担心不会写提示词了！

35. 千问发布2025十大AI提示词，股票意外排名第一，普通人如何用AI做好投资？

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. 我分析了求职APP的内部数据！原来应该这么用？

38. TRAE中国版白送SOLO，一人指挥一支AI大军重磅消息！SOLO终于上线TRAE中国版了，Waitlist免费开放中本期视频实测TRAE的新版本，亮点很多 1、先规划再动手的 Plan 模式 2、带专家团一起干活的 Subagent 子智能体 3、DiffView 差异视图 4、多任务并行 5、上下文智能压缩长时运行不掉链子 SOLO终于把AI从“瞎干活的外包”变成了“懂协作的队友” #AI #人工智能 #TRAE #AI编程 #vibecoding

39. #Seedance必玩提示词模板#千万码住🔥即梦3.0导演级运镜提示词，拿去抄‼在练习AI试试的时候发现运镜提示词真的太重要的，会写运镜提示词，直接把画面效果提升100倍！#HOW I AI##过个有ai年# seedance必玩提示词模板

40. #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

41. Seedance 2.0 全面教学，解锁各种玩法，轻松过审小诀窍！

42. 2025设计师必学的AI生图方法，0基础教程来了！ AI出图别只磕关键词，1期视频总结超多的AI出图方法，还有图文教程！#设计 #平面设计 #Lovart #ai新星计划 #抖音知识年终大赏

43. #智能辅助驾驶规范该不该纳入驾考#完全有必要纳入驾考，这是智能时代驾驶认知的“必修课”。首先能解决驾驶员误用功能的安全隐患，把“人为主、系统为辅”的权责边界讲明白。同时，可以帮对这项技术有偏见的人，纠正错误认知，看到它的实际价值。最终，能让这两类人都建立起对智能辅助驾驶的正确认知，真正发挥技术的安全作用和价值。

44. 如何教小朋友跟AI对话？Open AI官方指南来了

45. #哪些AI工具适合春招党##我的春招故事# 现在是春招黄金时段，无论是求职者还是用人方，都可以巧用一些AI工具来为自己增加效率，我试用了一些工具，还是不错的： 1、简历工优化工具：使用100分简历、AI简历姬、元宝、deepseek、千问、TalenCat等AI工具，上传自己的简历，让AI帮你提简历修改建议。对这些AI说清楚自己想要应聘的什么行业的什么岗位，这些工具都能给你提供较为准确的修改建议，甚至能帮你完成排版、设计和内容修改工作，有些还能还能做简历投递进度跟踪职业规划之类的工作。比如TalenCat，会基于简历内容自动生成个性化的面试题库。你改完简历，立刻就能针对新简历进行模拟面试。现在的AI真的越来越发达了。 2、求职面试模拟工具：智面官、牛客网 (Nowcoder)、粉笔、智蛙、鹅来面 (OfferGoose) 、面试猫AI 、白瓜面试。可以向这些平台上传自己的求职简历、提交求职信息背景，AI就能模拟面试官，对你进行提问模拟面试，还能给出一些问答的参考建议， 3、综合求职工具： JobTap (一箭职达)、国家大学生就业服务平台 (24365)AI工具，对国企、央企及互联网大厂等企业的校招信息整合，对求职者提出针对性简历、求职、职业规划等方面的建议，帮助求职者节省很多时间和精力。另外，我觉得在求职前，可以让千问、DS之类的ai，根据你的简历和求职的诉求，进行一些模拟面试的问题提出，也帮你想一些答案，自己在面试之前有个大概的想法和框架，不至于被问得一无所知。当然，现在也有很多面向用人方的AI工具，比如牛客AI面试、海纳、AI得贤招聘官、Moka (莫卡) 、世纪云猎、飞书招聘、钉钉招聘之类的平台，帮助面试官对求职者进行面试。我觉得求职者也可以了解一下这些面试辅助平台，看看面试官和系统看重的主要信息和点事什么。最后，打铁还需自身硬，能不能面试成功，简历、面试都只是其中一部分，做得再好都只是锦上添花，最重要的还是自己要有足够的能力、硬实力、对口的经验和专业特长技能，才能在面试中脱颖而出。祝大家在春招中找到好工作。

46. 用了这5大技巧后，原来AI人物还可以这么真？

47. 打工人必备的20个AI万能提示词，学会用工作效率翻倍

48. 2026届应届生春招救命！5个AI提示词，搞定简历/面试/谈薪

49. 普通人也能用的AI提示词进阶秘籍，掌握这5个技巧，你的AI输出质量直接翻倍

50. AI提示词真正好用的方法都在这里了

51. 第七篇