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

提示词工程师的真实工作：系统化构建人机协作指令体系

源自143位全网作者

06-06 10:18

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。

高效提示词（prompt）工程指南

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. 高效提示词（prompt）工程指南

3. #AI时代如何避免被替代#？AI发展飞快，2026年已经进入“应用爆发元年”。很多重复性、规则性的工作正在被快速重塑：客服呼叫中心、数据录入、基础翻译、制造业流水线操作、初级文案撰写、行政支持、基础编程、简单会计记账……这些岗位的30%-70%任务已被AI自动化（麦肯锡、世界经济论坛等最新报告数据）。但这不是“失业潮”，而是“岗位重构”——AI同时创造出AI伦理专家、智能供应链优化师、虚拟体验架构师、人机协作设计师等新角色。🔻关键是：被替代的不是人，而是“不升级的人”。普通人该怎么做？别慌，以下三点干货，直接帮你避坑+放大优势。🔻1. 哪些岗位在变？普通人重点培养这些“AI护城河”技能AI最先吃掉的是“高度重复、可量化、少情感交互”的工作。相对安全的，是需要复杂决策、创造力、人际温度的领域。普通人（无论文职、蓝领还是自由职业）必须培养的核心技能组合： • AI素养（AI Literacy）：不是学写代码，而是会用AI工具（ChatGPT、Midjourney、Copilot等）高效完成任务。2026年，78%的IT招聘都要求这个，连非技术岗也越来越看重。 • 批判性思维 + 判断力：AI会给出答案，但不会告诉你“这个答案在真实场景里行不行”。学会验证、质疑、权衡风险。 • 创造力与创新：AI能生成内容，但无法真正“洞察人性”或跨界融合。 • 沟通力 + 情感智能：领导团队、谈判、安抚客户、讲故事——这些AI永远缺“温度”。 • 适应力 + 终身学习：快速切换领域、人机协同。行动建议：每天花30分钟练习提示词（Prompt Engineering），把AI当“第二大脑”辅助工作；同时选1-2个硬核证书（如CDA数据分析师、AI相关职业资格），搭配实操项目，简历上直接写“AI+专业”复合能力。🔻2. 判断力、沟通力、创意这些“软技能”，AI时代怎么具体提升？AI越强，这些能力越值钱（世界经济论坛2025报告：分析思维排第1，创意思维排前4）。提升方法超级实用： • 判断力：别让AI替你决定。先让AI生成3个方案，你再问自己“真实场景下风险是什么？伦理冲突呢？用户真实痛点呢？”每天练习“反向验证”：AI输出后，找2个反例或现实数据戳破它。长期下来，你会比AI快一步看到坑。 • 沟通力：多做“人际场景演练”。用AI模拟客户对话（让它扮演刁钻老板），然后你真人回复，再对比AI版哪里冷冰冰。加入线下社群、Toastmasters演讲，或每天写一篇“给同事/客户的温暖邮件”，重点练共情+清晰表达。记住：AI写得再好，也缺“信任温度”。 • 创意：别直接抄AI输出。技巧是“AI+人类火花”——先让AI生成100个idea，你只挑1个疯狂改造（加个人经历、跨界元素、情感故事）。每周做一次“无用创意练习”（比如用AI画草图，然后手绘升级），或者跨领域阅读（科技+人文+艺术），打破AI的“数据局限”。这些能力不是天生的，而是通过刻意练习+真实反馈堆出来的。2026年，企业最抢的不是“会用AI”的人，而是“让AI更好用”的人。🔻3. 如何摆脱焦虑？把AI变成你的“能力放大器”焦虑最大来源是“被动等待被淘汰”。转变思维：AI不是敌人，是超级工具。实用三步法： 1 每天小胜积累：列出“AI能帮我省时的事”（写报告、查资料、脑暴idea），主动用它把效率翻倍。省下的时间用来学新技能或陪家人——焦虑自然少。 2 拥抱终身学习：政府和企业都在推免费AI培训（很多平台已上线2026课程）。每周固定2小时学习，不求精通，只求“会协同”。记住世界经济论坛预测：到2026年AI会取代8500万岗位，但同时创造9700万新岗位——机会在“会用AI的人”手里。 3 聚焦人类独特性：AI缺判断、缺温度、缺伦理。你就把精力放在这些上面：主动接高不确定性任务（战略决策、客户关系、创意项目），做“流程架构师”而非“执行螺丝钉”。当你学会“AI辅助+人类把关”，你的价值不是被替代，而是指数级放大。2026年，职场不再拼“固定技能”，而是拼“动态适应力”。别怕被AI抢饭碗，学会和AI一起做大蛋糕，你就是不可替代的那一个。你现在最担心哪个岗位或技能被冲击？评论区说说，一起定制升级路径。一起行动起来，AI时代，我们不被淘汰，我们定义未来！#科技风向标##ai创造营#

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

5. 蚂蚁数科王磊：垂直大模型训练成本呈百倍级下降，金融AI落地需构建“可信智能体”三大基石 | Alpha峰会

6. 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

7. 半夜睡不着刷到一个访谈，其中有个含金量很高的提示词，简直夯爆了！#ai #ai工具 #ai学习 #职场 #提示词

8. 【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

9. 🚀 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#

10. 当模型推理能力越来越强，我们还需要提示工程吗？

11. 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

12. 分镜场景设计全自动！视频Agent一键直出大片

13. 荣耀MagicAgent正式全球开源！作为YOYO智能体的“大脑”，它彻底打破了AI只会动嘴不会动手的僵局。这不只是简单的模型升级，而是行业首个支持全场景泛化规划和异构任务编排的基础模型。在荣耀AI团队与复旦大学的深度调优下，它最核心的“规划”能力实现了质变。硬核数据直接看齐：在5大场景和6大核心性能测试中，MagicAgent全面领先GPT-4o（注：此处根据当前主流大模型命名认知调整，保持专业感）。中国智能体正式进入“全球领先”的规划编排时代，未来你的手机将比你更懂如何执行复杂任务。 #MagicOS月月新##万事找YOYO##有点东西##数码闲聊站[超话]#

14. 【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#

15. OpenAI 内部残酷真相：只会写代码的工程师正在“消亡”，AI 正在制造无法跨越的阶层鸿沟

16. 把C++写的老项目重构成现代框架?给AI吧我不干了!

17. 【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

18. 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？

19. 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？

20. 《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）

21. ICLR 2026 | DIPOLE：扩散模型强化调优新范式，打破RL微调“稳定性-最优性”的诅咒！

22. 如何用视角来提升设计效果？这3个技巧新手必学！想让设计更有视觉效果，改变视角是个好方法，那如何用AI不写提示词的情况下，生成这样充满创意的视角呢？ #AI #AI新星计划 #平面设计 #AI生图 #AI工具

23. //@业务员小韩:回复@宝玉xp:我在《代码整洁之道》第一版“译者序〉中提到过代码猴子的梗：2007年在SD west大会上聆听Uncle Bob演讲，这位大佬伴着Code Monkey的歌声上的台。 //@业务员小韩:提示词背后是大模型与开发工具的原理、能力的理解与应用，用于写代码的话，也是对软件工程的掌握与应用。照搬一堆提示词（还有hook和skill），不知其所以然，和猴子得到机关枪没有本质区别。

24. 【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#

25. Coding 能力，正在颠覆大模型的估值逻辑

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. 2025年AI提示词深度指南：从基础知识到高级技巧

28. 如何学习成为 Agent 工程师：一条从入门到能交付的路线

29. 【AI辅助设计】Claude Design 提示词疑似泄露：7 万字的系统指令，到底写了什么

30. #AI时代如何避免被替代# 一图破解被AI替代的风险：面对越来越聪明的AI，大家是不是多多少少都有些“饭碗焦虑”？其实大可不必！事实是：AI不会淘汰你，淘汰你的是那些比你更会用AI的人。想要在AI时代稳住脚跟甚至弯道超车？请一定看完本条微博👇：📉 1. 哪些岗位在变？我们该点亮什么技能树？那些重复性高、套路化的工作（比如基础文案、数据搬运、初级代码）正在被AI快速接管。普通人现在最该培养的，不再是“死记硬背”或“机械执行”，而是“人机协作力”（如何把机器当成好帮手）和“跨界整合力”（懂点技术又懂点业务，把碎片信息拼成完整方案）。🧠 2. 判断力、沟通力、创意…如何拉满你的“人类独有天赋”？AI负责给出一百个答案，你要负责提出那个最正确的问题，并拍板做决定。💡 判断力：面对AI生成的长篇大论，你需要一眼看穿逻辑漏洞。多去了解行业的底层逻辑和商业本质，不要被表面的数据忽悠。🗣️ 沟通力：包含两方面。对机器，要学会写精准的“提示词（Prompt）”，你的指令越清晰，AI越聪明；对人，要提供AI给不了的情绪价值和共情能力。✨ 创意力： AI的创意只是已有数据的重新排列组合，而真正的灵感来自于真实生活。多去体验、多去热爱、多看世界，你的生命体验就是最独一无二的创意源泉。🚀 3. 告别焦虑：把AI变成你的“外挂”？焦虑的本质是源于对未知的恐惧。打破焦虑最好的办法就是用起来！试着把AI当成你免费的“超级实习生”。让它帮你列大纲、找资料、做数据图表，把这些脏活累活丢给它，把你宝贵的时间省下来去深度思考、去拓展人脉、去享受生活。你的个人能力 × AI的超高效率 = 你的职场核武器。逆水行舟，不进则退，拥抱变化，才能成为驾驭浪潮的人。🌊#科技风向标# #AI创造营#

31. 算法工程师的真正分水岭：敢决策、敢担责、敢迈大步

32. DeepSeek-OCR 2大模型开源，重塑文档AI的认知逻辑

33. 我只是做了杯咖啡，群里的7个AI竟然已经自己互相 @ 走完流程了！不用再给人机当人肉搬运工，谁懂啊，我听到了AI干活的关键一环，“啪嗒”一声彻底扣上了 #ai #飞书 #飞书CLI #AI干活 #AI员工

34. 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

35. 这篇Vibe Coding文章值得一读！ 1. 深入探讨了 Claude Code 2.0 的进阶使用技巧及其作为 AI 编程智能体的演进过程。 2. 通过对比 Anthropic 与 OpenAI 旗下工具的性能，分析了 Opus 4.5 模型在速度、沟通力及意图检测方面的显著优势。 3. 详细解析了子智能体 (Sub-agents)、上下文工程 (Context Engineering) 及 MCP 服务器等核心机制，揭示了系统如何通过任务拆分和提示词注入来优化处理能力。 4. 分享其个人工作流和自定义指令，提供了从技术小白向高效人机协作转型的实操指南。访问：sankalp.bearblog.dev/my-experience-with-claude-code-20-and-how-to-get-better-at-using-coding-agents/ #ai创造营# #程序员#

36. 谷歌68页提示词圣经+老金原创元提示词，直接复制就能用

37. 人工智能科学家吴恩达发了一篇长文，讨论了硅谷新兴的AI前线部署工程师（FDE）岗位以及AI工程师的未来。硅谷最近有一个很火的新岗位，叫AI前线部署工程师（FDE）。简单来说，就是AI公司派工程师驻扎到客户公司里，帮他们定制AI解决方案，比如搭建和调优适合客户业务的AI智能体工作流。自从OpenAI和Anthropic开始组建专门的FDE团队派驻到客户那边，很多人又开始关注这个职业方向了。吴恩达说，FDE这个角色其实不算新鲜事。大概二十年前Palantir就这么干了，当时是派工程师去政府机构，在那些断网的安全网络上干活。做FDE光技术好还不够，你还得会沟通，有时候还得懂点商业。比如你得跟客户聊清楚他们到底要什么，帮他们排优先级，把复杂技术讲明白，客户提了不靠谱的需求你还得礼貌地怼回去。现在FDE又火起来，主要是因为把一个现成的大模型改造成适配某个企业具体业务的智能体工作流，这活儿实在太多太复杂了。不过吴恩达认为，AI工程师的岗位数量会远远超过FDE。原因很直接：一家公司可能接受几个外派的FDE，但大多数公司肯定更想让自己的员工来做自己的项目。他自己的团队也是这样，虽然也招FDE，但招的AI工程师多得多。还有一个很现实的顾虑：FDE很难做到厂商中立，他们本质上就是来把自家产品深度嵌入客户体系的。现在AI领域变化太快，谁也说不准一年后哪家的服务最好，保留选择权特别重要。让FDE把公司流程跟某一家供应商绑死，等于放弃了未来换方案的灵活性。吴恩达观察到，当前市场对AI工程师的需求正在猛涨。这些人需要会用大模型提示词、智能体框架、评估工具这些AI软件组件来构建应用，还得能熟练使用Claude Code、Codex这类AI编程助手。随着这个角色逐渐成熟，他预计会像当年通用软件工程师分化出前端、后端、移动端、数据工程、运维那样，AI工程师也会分化出更多细分方向。未来可能会出现LLMOps工程师、评估工程师、AI数据工程师这些我们现在还叫不上名字的新角色。但眼下，那些什么都能干的全栈型AI工程师正在创造巨大的价值，市场对他们的需求非常旺盛。吴恩达说他很期待未来十年AI工程领域不断冒出新的专业方向，创造更多就业机会。#科技先锋官##How I AI#

38. 【提示词写满 “务必”、“绝对不要”？你已碰到提示词工程天花板】快速阅读：当你在 Prompt 里写下“务必”、“绝对不要”时，说明你已经撞到了提示词工程的天花板。真正的 Agent 稳定性不来自更长的咒语，而来自在非确定性的模型外层，构建一套确定性的软件控制流。如果你发现自己不得不写下“务必”或“绝对不要”来约束模型，那说明你已经触碰到了提示词的极限。现在的 Agent 开发逻辑很怪。大家总觉得只要模型能力够强，或者 Prompt 写得够长，就能搞定一切。但实际情况是，当你试图让模型去管理高层级的控制流——比如让它自己决定按顺序处理 200 个文件——它很快就会崩溃。它会漏掉文件，或者在没理由的情况下重复测试已经做过的内容。这不像是在用工具，倒像是在祈祷。把 LLM 当成整个系统的核心是危险的。如果一个编程语言的语句只是“建议”，函数返回的“成功”可能只是幻觉，那这个系统根本无法扩展。解决办法不是去堆砌更高级的模型，而是把逻辑从自然语言挪回运行时。有网友提到，与其让 Agent 在 Prompt 里反复横跳，不如写一段 Python 脚本作为“脚手架”。让模型去执行这些确定性的脚本，把复杂的循环、状态管理和文件读写交给代码，而只把模型当作处理模糊逻辑的“插件”。这种做法让系统可靠性提升了几个量级。这其实是在构建一种“混合架构”：用确定性的代码逻辑来包裹非确定性的模型调用。有观点认为，这种模式本质上是把 LLM 从“执行者”降级为“翻译层”或“决策点”。当遇到需要逻辑判断的边界情况时，再调用模型；其余时间，交给高效、廉价且绝对可靠的代码。这种做法虽然让 Agent 看起来没那么“全能”了，但它真正能干活。与其做一个随时可能在生产环境由于幻觉而“自毁”的超级智能，不如做一个能精准调用工具、并能通过代码自动校验结果的可靠系统。你是在构建一个智能体，还是在构建一个昂贵的、不可控的随机数生成器？bsuh.bearblog.dev/agents-need-control-flow/

39. 怎么成为一个ai agent 工程师？

40. 《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）

41. 你的Ai视频为何总比别人差一点？你希望通过提示词来提高画面质量，但问题在于，无法控制生成过程，就无法控制结果，用RHTV可以直接解决这些问题 #runninghub、#rhtv#aigc#ai视频#ai视频剪辑

42. 回复@用户379154968:不是说不能用，是说学一点会让你用的更好，事半功倍//@用户379154968:什么，还要去了解原理，这么说普通人就不能使用了呗//@宝玉xp:回复@业务员小韩:“猴子得到机关枪”😅//@业务员小韩:提示词背后是大模型与开发工具的原理、能力的理解与应用，用于写代码的话，也是对软件工程的掌握与应用。照搬一堆提示词（还有hook和skill），不知其所以然，和猴子得到机关枪没有本质区别。

43. 软件工程师的角色正在悄然转变，正从单纯的“代码工匠”走向“产品工程师”。大语言模型（LLM）让写代码变得前所未有的简单，真正的挑战不再是实现，而是“做什么”和“如何设计用户体验”。因此，越来越多工程师开始投身学习设计和产品思维。未来最有价值的工程师，是那些不仅能交付功能，更能塑造产品的人。这场变革带来了几个趋势和思考：- 产品、设计和工程的界限正在模糊，未来团队或许将由少数几个人组成，快速高效地驾驶AI工具，打造出高质量产品。- 代码实现不再是瓶颈，但系统架构、性能优化、代码质量和可维护性依旧至关重要。AI虽日益强大，但工程师对技术选型、架构设计和系统可扩展性的判断力依然不可替代。- 具备产品思维的工程师，懂得如何通过用户访谈洞察真实需求，这种能力比单纯编程更难能可贵。- 设计和产品技能是一门艺术，掌握它们需要时间和实践，工具如Cursor、Figma正在快速进化，助力工程师跨界成长。- 对技术深度和设计广度的平衡，是打造强大团队的关键。理想团队结构或许是三分之一工程技术，三分之一产品策略，三分之一设计体验。- 随着AI能力提升，传统产品经理角色可能重塑，甚至被具备业务敏感度的工程师所替代，或反之。总的来说，未来的软件工程师不只是写代码者，更是能够洞悉用户、把控产品全局的“产品构建者”。拥抱这场变革，将是每位工程师迈向更高影响力的必由之路。x.com/Cramer___/status/1999926485092807155

44. 【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？

45. 2026年了！大部分人还不会给AI提示词。

46. 优秀TVC百万级别视频提示词深度解析

47. 拒绝“黑盒”裸奔！如何构建兼顾“信任”与“价值”的AI治理模型？

48. 我删掉了80%的基础设计能力，可以把基础并重复的劳动工作交给它，把创造力留给自己#AIGC#扣子Coze #扣子技能

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

50. 盘点一周AI大事(4月19日)｜Claude终结设计 Anthropic上线Claude Design，接管整个设计流程 Anthropic上线最强编码模型Claude Opus 4.7 OpenAI内测下一代图像模型GPT-Image-2 OpenAI升级Codex，全面对标Claude Code Heygen开源视频制作技能包HyperFrames Quiver上线最强矢量图模型Arrow 1.1 Adobe发布重新打光图像模型TokenLight 字节开源数字人模型OmniShow 阿里开源开放世界模型Happy Oyster 研究员开源最强3D动画模型AniGen Gemini上线最强语音合成模型Gemini 3.1 Flash TTS Meta研发出神经计算机Neural Computers #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #大模型

51. 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#

52. 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。

53. #谷歌工程师点赞ClaudeCode#：一小时搞定我们一年的活1月4日消息，谷歌一名资深工程师表示，Anthropic 公司的 Claude Code 仅用一小时就生成了一套可用系统，而她的团队从去年起就一直在研发该系统。谷歌负责 Gemini API 的首席工程师亚娜・多根在 X 平台发文称，她向 Claude Code 提交了一份问题描述，仅一小时就收到了结果，这个结果与她的团队过去一年一直在构建的东西相当。这项任务的核心是分布式智能体编排器 —— 即一种能协调多个人工智能体协同工作的系统。多根透露，谷歌此前针对该问题尝试了多种技术方案，但始终未能达成共识。在被问及提示词细节时，多根解释道，她给出的提示词并不算十分详尽，仅有三段内容。由于不能使用公司内部资料，她基于现有公开思路搭建了一个简化版需求，用以测试 Claude Code 的能力。@IT之家

54. 当AI能写测试脚本时，测试工程师需要具备这些能力（附升职涨薪关键策略+保姆级资源）

55. 【保姆级教程】2026大模型提示词工程教学，从入门到实战系统精讲！存下吧，比啃书好太多了！

56. AI 应用新岗位——“提示词工程师”职业岗位及薪资待遇

57. Prompt提示词工程

58. 专家观点 | 王立非

59. 【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

60. 🔧 提示工程

61. 【2026最新版】提示词工程零基础全套入门保姆级课程，AI学习入门到进阶必备教学！

62. 如何写出好的Prompt（提示词）？

63. 智能体来了

64. AI内容创作提示词宝典--人与AI共创未来的通用语言

65. AI提示词进阶教程 3 - 结构化提示词的工程模型

66. 核心技能

67. 提示词工程是一项被高估的技能？

68. 提示词工程师是怎样练成的（九） - 哔哩哔哩

69. Gemini 提示词工程

70. 一张图看懂提示词工程

71. 提示词测试的5大常见误区

72. 提示词测试

73. 2026提示词测试

74. 如何成为一名提示词工程师

75. AI训练师中的提示词工程师，普通人怎么入门？

76. 提示词工程师入门学习路线

77. 职业新风口周刊#31

78. 【AI自习室札记·日更】第9篇｜从提示词到思维链

79. AI时代必备

80. 当AI成为下属

81. AI 沟通语言的设计

82. 如何给AI进行提示，生成符合预期的答案

83. 提示词天花板攻略｜让你从HR菜鸟直接变大神

84. AI重塑生产力

85. 掌握提示词逻辑，告别AI交互低效内耗

86. AI提示词就是，让你把人话翻译成AI能听懂的话

87. 学习AI提示工程（二）

88. 如何掌握专家级提示词工程（完整课程）

89. AI提示词进阶教程 4 - 提示词如何评估与迭代？

90. 面试题

91. 提示词工程实战

92. 【专栏·知行录】第一期|提示工程

93. 【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！

94. 提示词工程师真的能赚钱吗？一位全职妈妈的变现手记

95. AI提示词工程师

96. 提示词工程师有多香？零门槛上手，AI帮你写文案做海报

97. 程序员转型AI提示词工程师3个月

98. "提示词工程师"要消失了？2026年这个岗位被重新定义

99. 提示词工程师（Prompt Engineer）是一个随着大语言模型（如GPT系列）兴起而快速走红的新兴职业

100. 收藏，1万字教程！Prompt 提示词从入门到精通

101. 2026 AI提示词工程师培训指南：行业导师对比与落地路径

102. 每天解析一个岗位:大模型提示词工程师

103. AIGC提示词工程师必看：精准优化提示词，提升生成内容质量

104. 初级程序员需求锐减，提示词工程师为何高薪？

105. 提示词工程师月入三万：把AI调教好的核心心法全公开

106. 提示词工程要死了吗？2026年还值不值得学

107. 今日话题"提示词工程师"正在消失

108. 📦10 个万能提示词模板

109. 聊聊提示词工程

110. 2026年AI提示词工程师培训导师评测：谁更适配你的学习需求

111. 造价工程师 AI 提效提示词库，拿来即用！

112. 提示词工程·学习备忘录

113. 年薪百万的 AI 提示词工程师，到底在做什么？

114. 提示词工程师已死？2026年，取代它的新职业叫“上下文工程师”

115. AI Coding：提示词工程入门(01) - 四大黄金法则之一

116. 测试工程师深夜改稿：是AI不行，还是你不会“问”？新岗位“提示词工程师”的价值

117. 大模型业务调优复盘：那些写在代码里的昂贵学费

118. 如何进行提示词的A/B测试？用数据说话，告别“凭感觉优化”

119. 提示词工程师缺口大，该怎么入门？

120. 提示词工程科学报告 1:提示词工程既复杂又具有不确定性

121. AI提示词工程师：用语言驱动AI，做新时代的 “编程者” - 哔哩哔哩

122. AI提示词工程师：用语言驱动AI，做新时代的 “编程者”

123. 非技术岗转AI，从提示词工程师入手可行吗？

124. 揭秘提示词工程背后的秘密：提示词工程为啥是工程？

125. AI时代就业指南：AI提示词工程师

126. 提示词工程师怎么学？从入门到精通学习路径

127. 为什么说“AI提示词工程师”已死，而“架构师”才刚入场？

128. 带你入门AI大模型-提示词工程入门介绍

129. 提示词工程

130. 51CTO-2024全新Langchain大模型AI应用与多智能体实战开发+大模型AI应用开发企业级项目实战（提示词工程+大模型NLP应用+AI对话产品）

131. 2026年最火的7个AI新职业：不写代码，也能编程？

132. 我整理副业方向时常用的AI提示词，特别适合没方向的人

133. 零基础也能学懂提示词？OpenCSG公益课给出清晰学习路径：从“会问”到“会驱动”

134. 英语教师转型AI提示词工程师：一场基于语言优势的现实突围

135. AIGC提示词工程师：职业前景与退役军人免费培训指南

136. AI提示词的进阶技巧：ph4实验室带你解锁人机协作的无限可能

137. 100天掌握大语言模型第11周讲座总结：提示词工程

138. 这个副业火了！每天 1 小时，月入 3000+，适合所有人

139. 2026年《人工智能提示词工程师》证书报考流程！

140. 这 10 个 AI 提示词，我建议所有想做副业的人先收藏

141. 副业月入过万：我的AI绘图接单与提示词优化服务实操分享

142. 大模型提示词工程师培训：掌握AI核心技能，提升实战能力

143. 提示词工程师认证考试相关指南

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！