提示词工程与助手调试：哪种方法对AI提效更关键？全网观点大PK_办公软件

1. AI提示调试减半秘诀

2. 提示词工程最佳实践

3. Dify应用开发指南

4. 一文了解提示词、提示词工程和上下文工程

5. 提示词与上下文工程终极指南！从定义到实战（非常详细）小白必学！

6. 上下文工程与提示词工程

7. 提示词工程深度解析

8. 【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

9. 【保姆级教程】2025提示词工程prompt，从入门到实战，全程干货讲解，就怕你不学！——LLM/大模型入门/大模型学习路线

10. 【吊打付费】目前B站最全最细的提示工程prompt入门到精通全套教程，手把手教你从0基础开始！包含所有干货！这还没人看! 我不更了！！

11. 提示词工程完全指南

12. 提示词工程（Prompt Engineering）是什么？看这一篇就够了！

13. 提示词工程（Prompt Engineering）包含哪些核心要素？

14. 提示词工程

15. 提示词工程（Prompt Engineering）分类

16. 如何准备LLM工程师面试系列讲座｜第6讲总结

17. 别再“驯服”AI了

18. Hello-Agents 读书笔记（六）上下文工程，才是 Agent 成败的关键

19. 一文讲清提示词、提示词工程和上下文工程，值得收藏

20. Vibe Coding 提示词指南 - 代码调试提示词技巧

21. 提示词工程与优化技巧

22. 人工智能的沟通技术及艺术，AI“提示词工程”

23. AI产品经理实战手册

24. 迭代15版的AI提效工作流

25. AI提效避坑指南

26. 效率提升300%!我偷偷用了一年的AI提效技巧

27. AI如何真正提升日常办公效率？穿透“能用”与“提效”的关键差异

28. AI提效神话破灭？当…

29. AI提效的秘诀

30. 拒绝低效！让AI工具真正为你所用

31. 什么是提示词工程 Engineering？一份写给业务人的终极指南

32. 从"会用AI"到"用好AI"

33. ALL About AI 系列（二）

34. 提示词工程

35. AI 提高工作效率的5种方法

36. 10个AI最常用提示词模板，直接复制就能用

37. 架构火花 | 提示词工程在AI时代下的思考

38. 有多少老板在为自己的AI幻想买单

39. 提示词和上下文是编程语言吗？提示词智能体大模型.docx

40. AIGC学习-提示词设计与优化

41. 提示工程与提示调优

42. 东大和漂亮国，AI实力的全面对比#AI #Deepseek #chatgpt #Gemini #AI技术

43. 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

44. “Skill 不就是长一点的提示词吗？” 上篇文章《别把整个 GitHub 装进 Skills，Skills 的正确用法 http://t.cn/AXqLcGP0 》发出去后，收到一些质疑： > "说 skill 能做配图 prompt 不行。本来 skill 就是加载 md，没 skill 之前我们用 prompt 模板照样也是能做流程编排。" > > "现在大部分 skill 不就是长一点的提示词吗？为什么说'单纯靠提示词做不了'？" 这些批评是对的。我原文确实表达有问题。写"提示词"的时候，我下意识拿 Gem、Project、GPTs 里的那种提示词当例子。那些确实做不到一次性生成配图。但"提示词"是个很宽泛的概念。如果我把 SKILL.md 的内容复制出来发给 Claude Code，再给它一个生成图片的脚本，它一样能完成配图任务。这里的差异不在于提示词能不能复用，Gem 和 GPTs 里的提示词也能复用。差异在于：提示词配套的是 ChatBot，还是 Agent？【1】ChatBot 和 Agent 的核心区别 Skills 的完整名称叫 Agent Skills。注意这个"Agent"，它不是装饰词。Skills 利用 Agent 的虚拟机环境，提供单纯提示词无法实现的能力。一句话总结：ChatBot 只能对话，Agent 能动手干活。具体来说： ChatBot 不能调用工具。你给它一段配图提示词，它能帮你分析文章、生成画图 prompt，但真要生成图片？它只能说"请把这段提示词复制到 Gemini"。剩下的活还是你干。 Agent 能调用工具。同样的配图任务，它能像个经验丰富的编辑一样自己完成： 1. 读取你的文件 2. 分析需要几张图、放哪里 3. 为每张图设计内容和风格 4. 调用画图模型生成图片 5. 把图片插入正确位置 6. 输出成品交到你手上全程自动化，你只需要验收。【2】那 Skill 到底是什么？很多人把 Skill 理解成"一段很长的提示词"，这个理解对了一半。 SKILL.md 的核心确实是指令文本。但 Skill 不止于此。一个 Skill 可以包含三层内容：第一层：元数据。就是 name 和 description，告诉 Agent 这个 Skill 是干嘛的、什么时候该用。这部分在启动时就加载，但只占几十个 token。第二层：指令。SKILL.md 的主体内容，工作流程、最佳实践、注意事项。只有 Agent 判断需要用这个 Skill 时，才会读取这部分。第三层：资源和代码。附带的脚本、模板、参考文档。Agent 按需读取，用的时候才加载。这就是官方说的"渐进式加载"：不是一股脑把所有内容塞进上下文，而是用到什么加载什么。所以你可以给一个 Skill 附带几十份参考文档，只要这次任务用不上，它们就不占用上下文窗口。传统提示词做不到这一点。【3】为什么说配图"单纯靠提示词做不了"？回到原来的争议。如果你说的"提示词"是指发给像 Claude Code 这样的 Agent 的指令，那配图当然能做到。因为这时候提示词是发给 Agent 的，Agent 能调用工具。但如果你说的是发给普通 ChatBot 的提示词，比如 ChatGPT 的自定义指令、Gemini 的 Gem、Claude 的 Project 指令，那确实做不到。因为 ChatBot 没有工具调用能力，它只能输出文字。我原文的问题在于：默认读者理解的"提示词"是 ChatBot 场景下的提示词，但没有明确说出来。更准确的表达应该是：Skill 必须配合 Agent 使用。发给 ChatBot 的提示词，无论写多长多详细，都只能完成对话能完成的事。要让 AI 真正"动手"，需要的是 Agent + 工具调用能力。【4】那我直接给 Claude Code 发长提示词不行吗？行。把 SKILL.md 内容复制出来当提示词发，Agent 一样能执行。这也是为什么有人觉得"Skill 就是长一点的提示词"。但 Skill 的价值不在于"能不能做到"，而在于：可复用。写一次，以后每次相关任务自动触发，不用每次复制粘贴。可组合。分析 Skill + 提纲 Skill + 写作 Skill，像乐高一样拼起来。单独的提示词模板做不到这种模块化组合。可迭代。用着用着发现问题，直接让 Agent 帮你改进 Skill。下次自动生效。传统提示词模板改了之后，你得记得每次都用新版本。可渐进加载。Skill 附带的资源文件不会一开始就占用上下文。你的提示词模板再怎么组织，发出去就是全量加载。简单说：Skill 是提示词的工程化封装。能做的事差不多，但管理成本、复用成本、迭代成本完全不同。【5】最后上篇文章的核心没变：因需而建、可组合、可迭代。 Skill 就是长一点的提示词吗？是的。但光有提示词不够。关键是执行这段提示词的系统，到底是只会说的 ChatBot，还是能真正动手的 Agent。 Skill 是给 Agent 用的。没有 Agent 的工具调用能力，Skill 就只是一段躺在文件夹里的 Markdown。

45. 告别「手搓Prompt」，前美团高管创业，要让物理世界直接成为AI提示词

46. 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#

47. #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

48. 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

49. 一学就会，1招去除图片的AI味儿，超绝真实感你用关键词生成的图片是不是看起来一眼假？原来不用关键词才是去掉AI味的关键！#设计 #ai #AI生图 #ai新星计划 #抖音知识年终大赏

50. 谷歌工程师泄露：让 AI 正确率从 21% 飙到 97% 的秘密，竟然只需要按一次 Ctrl+C 。上周，我在用 AI 写代码的时候，遇到了一个特别抓狂的事。我让它帮我生成一段数据处理的逻辑，结果它给我写了一堆乱七八糟的代码，完全不是我想要的。我改了好几次提示词，换了各种说法，结果还是不对。我当时就在想，这玩意儿是不是根本没理解我在说什么？后来我无意中看到一条消息，说谷歌的研究人员发现了一个特别简单，但效果夸张的技巧。简单到什么程度？就是把你的提示词，原封不动地再重复一遍。对，你没看错，就是当一回“复读机”。一、一个离谱的实验结果谷歌的研究人员做了一个实验，他们拿 Gemini 模型测试，给它一个任务，然后对比两种情况下的表现。第一种，正常写一遍提示词。第二种，把同样的提示词，一字不差地再写一遍。结果出来之后，所有人都惊了。正常写一遍的时候，Gemini 的正确率是 21.33%，也就是说，十次里面只对两次，基本等于瞎猜。但是，当把提示词重复一遍之后，正确率直接飙到了 97.33%。从两成到接近满分，就因为多复制粘贴了一遍。这听起来像是在开玩笑，但这是谷歌官方发布的研究结果。二、为什么重复一遍就有用？你可能会问，这到底是什么原理？为什么复读一遍就能让 AI 变聪明？谷歌的解释是这样的。AI 模型在生成回答的时候，通常是按照一种“单向”的方式在推理。它从你的提示词开始，一路往下生成，就像一辆只能往前开的车，不会回头看。但是，当你把提示词重复一遍的时候，模型在处理的时候，会形成一种“回看，再理解”的结构。原本它只是单向地往前推理，现在它会在生成的过程中，再次回到你的提示词上，重新审视一遍你到底想要什么。这种机制，让模型的注意力从“单向因果注意力”，变成了接近“双向注意力”的效果。说得通俗一点，就是 AI 原本只是快速扫了一眼你的要求，然后就开始干活了。但重复一遍之后，它会停下来，再仔细看一遍你的要求，然后才开始干活。这一停，这一看，正确率就上去了。三、怎么用？手把手教你这个技巧的好处就是，简单到不能再简单了。你不需要学什么复杂的提示词工程，不需要研究什么思维链，不需要调参数，不需要换模型。你只需要做一件事，把你的提示词，复制一遍，粘贴在后面。举个例子。假设你原本的提示词是这样的：“请帮我写一段 Python 代码，用来读取 CSV 文件，并计算每一列的平均值。”现在，你只需要改成这样：“请帮我写一段 Python 代码，用来读取 CSV 文件，并计算每一列的平均值。请帮我写一段 Python 代码，用来读取 CSV 文件，并计算每一列的平均值。”就这么简单。你可以在任何场景下试试看。写文案的时候，重复一遍。做数据分析的时候，重复一遍。让 AI 帮你总结文章的时候，重复一遍。让 AI 帮你翻译的时候，重复一遍。不需要改任何东西，只需要多复制粘贴一次。四、我试了一下，真的有效看到这个技巧之后，我立刻回去试了一下。我把之前那个让我抓狂的代码生成任务，重新跑了一遍。这次，我把提示词重复了一遍。结果，AI 生成的代码，一次就对了。我又试了几个其他的任务，写文案，做翻译，做数据处理，基本上每次重复提示词之后，输出的质量都明显提升了。尤其是那些比较复杂的任务，或者那些 AI 经常理解偏差的任务，重复一遍之后，效果特别明显。当然，这个技巧也不是万能的。如果你的提示词本身就写得很模糊，或者任务本身就超出了 AI 的能力范围，那重复一百遍也没用。但是，对于大部分日常任务来说，这个技巧真的可以帮你省掉很多反复调试的时间。五、一个小小的改变，带来的启发这件事让我想到一个问题。我们在用 AI 的时候，经常会觉得它“不够聪明”，经常会觉得它“理解不了我的意思”。但其实很多时候，不是 AI 不够聪明，而是我们和 AI 之间的沟通方式，还不够好。AI 不是人，它不会像人一样，主动去揣摩你的意图，主动去补全你没说出来的信息。它需要你给它足够的信息，足够的提示，足够的“停顿”，让它有机会重新审视你的要求。而重复提示词这个技巧，本质上就是在给 AI 一个“停顿”的机会。它让 AI 有机会回头看一眼，重新理解一遍你到底想要什么。这个小小的改变，带来的效果却是巨大的。从两成的正确率到接近满分，从反复调试到一次成功，从抓狂到顺畅，就因为多了一个“复读”的动作。所以，下次你在用 AI 的时候，如果觉得它理解得不够好，不妨试试看，把你的提示词，再重复一遍。也许，你和 AI 之间，真的只差了一个“复读机”。#HOW I AI##科技先锋官#

51. 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？

52. 【让AI自己检查作业：一小时写4000行代码的秘密】YC掌门人Garry Tan分享了他使用Claude编程的方法论，核心思路是让AI在动手之前先做系统性的自我审查。他的提示词设计了四个审查维度：架构评估、代码质量、测试覆盖、性能分析。每个维度都要求AI列出具体问题，给出多个解决方案，说明利弊权衡，然后等待人类确认方向再继续。这套方法的精髓在于：把AI从执行者变成对话者。传统的AI编程是你说需求，它吐代码。这套流程是让AI先扮演架构师和代码审查员，把潜在问题暴露在写代码之前。Garry说他用这个方法一小时能完成4000行以上的功能开发，包含完整测试。Paul Graham在评论区算了一笔账：这个速度是去年八月那个引发争议的创始人案例的四倍。几个值得注意的细节：第一，他特别强调用ASCII图来可视化架构。上传截图让AI画出页面结构图，然后用AI命名的元素名称来沟通，省去了大量描述成本。这是个被低估的技巧。第二，提示词里明确写了工程偏好：DRY原则要严格执行，测试宁多勿少，宁可处理更多边界情况也不要图快，显式优于聪明。这些偏好让AI的判断有了锚点。评论区的讨论很有意思。有人指出真正的提升不是来自单个完美提示词，而是整个仓库的配套设施。有人说提示词工程的元游戏正在从「获得好输出」转向「让模型验证自己的输出」。自我检查才是真正的解锁点。也有质疑声音。有开发者说Claude在复杂代码库上最近退步明显，容易陷入循环，中途丢失上下文。还有人直接挑战：4000行代码本身不是成就，4000行你没写的代码才是。这个观点值得深思。速度从来不是稀缺资源，克制才是。一位工程师的总结很到位：提示词不是黑魔法，前置思考才是。他写代码前会先写分形规格文档，把架构、边界情况、测试场景全部预定义，文档和代码的比例是3.6比1。AI编程的本质正在发生变化。瓶颈不再是写代码的速度，而是你能多快想清楚要构建什么。x.com/garrytan/status/2020072098635665909

53. 【2026年，提示词工程将成为你最重要的隐形技能】很快，你每天使用的工具都会变成一个对话框。能写出好提示词的人，将获得别人难以复制的输出。这不再是锦上添花，而是真正的竞争优势。你可能觉得自己已经搞懂了提示词——毕竟你已经创建了自定义GPT或Claude项目来帮你写提示词。坦白说，那些东西很糟糕。真正的提示词工程，80%的工作发生在你打开聊天窗口之前。+ 隐形的工作当你坐下来写提示词时，你脑海中有一个模糊的想法，然后期待模型能填补空白。但模型不知道你脑子里在想什么，它只知道你打出来的字。模糊的输入，必然产生模糊的输出。大多数人跳过了提示词工程中最难的部分——思考。他们以为工作在于打字，其实工作在于想清楚。+ 法则一：清晰度就是一切这里说的不是你键盘上打的字，而是你脑海中看到的画面。如果你只能看到模糊的东西，模型给你的也同样模糊。你需要在把想法转化为语言之前，先把脑海中的图像打磨清晰。问自己这些问题：这个视频特别在哪里？我脑海中的画面和普通作品有什么不同？为什么有人看完这段文案会想买？我想在什么时刻创造什么情绪？去找参考。找到一个能完美呈现你想要效果的案例，让你看了会说“对，就是这个感觉”。一旦你脑海中有了清晰的画面，把它翻译成提示词就变成了机械性的工作。+ 法则二：上下文是一切无论你在做什么项目，按这个流程操作：1. 在你选择的AI工具中创建一个项目2. 让AI就这个项目采访你——目标、约束、受众、任何相关信息3. 把整个对话保存为context.json文件，上传到项目中4. 以后每次对话，让AI更新这个文件，然后替换旧版本这只需要两分钟，却能完成80%的上下文工程工作。+ 法则三：任务分解AI模型和你一样——当你清晰地列出任务和顺序时，它表现得更好。如果你让AI写一份商业计划书，它会给你一个标准模板，平淡、通用、没用。但如果你让它先写一个聚焦市场时机的执行摘要，然后是包含心理触发点的用户画像，跳过竞争分析因为你在创造新品类——你得到的就是定制化的东西。+ 法则四：定义输出格式人们每天跑深度研究提示词，给模型上下文、来源、详细指令，最后得到一份二十页几乎没法用的文档。你可以指定任何输出格式：要点列表、JSON、表格、执行摘要。想想你拿到输出后要做什么，然后围绕这个用途设计格式。+ 法则五：提供示例当你提供示例时，你在强迫模型在一个特定的通道里工作，而不是从整个训练集中随机抽取。这意味着你得到的输出会匹配你的风格，而不是通用的AI风格。+ 法则六：角色设定不要说“你是一个营销专家”，试试这样：“你是那种能看到消费者行为中别人完全忽略的心理模式的营销人，能在事情火之前三个月就预测到，因为你对注意力经济的理解达到了大多数人永远无法企及的水平。”你不是在让AI扮演一个角色，而是让它进入一种新的思维方式。+ 法则七：约束定义明确你不想看到什么。约束就像设计中的负空间——通过清晰地勾勒你不想要的东西，来定义你想要的形状。保持约束具体且有限，每个提示词最多三到五条。+ 这些法则如何协同工作这七条法则不是简单相加，而是相乘。清晰度加上上下文，比单独的清晰度强大得多。上下文结合任务分解，产出的东西感觉像是一个在你项目上工作了几个月的人做的。你的工作不是记住这些法则，而是学会如何为你的具体场景把它们叠加起来。从清晰度开始。在打开聊天窗口之前想清楚你要什么，找参考，问自己那些不舒服的问题。然后层层叠加上下文、任务结构、格式规范、示例。像设计一个思维系统那样构建你的提示词，而不是给聊天机器人发消息。因为在专家层面，提示词工程就是认知架构设计，AI只是执行引擎。大多数人会继续把它当成一个许愿的魔法盒子。你不会。原文：x.com/levelsio/status/1932773893893009696

54. 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？

55. DeepSeek一键生成课堂动态课件【附提示词】

56. 当OpenAI们还在拼谁烧的钱多中国工程师已经在拼谁的方法更巧。#大咖观察 #红衣聊AI #OpenAI #kimi

57. Nano Banana 官方 Prompt 提示词教程

58. 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

59. 2025年AI提示词深度指南：从基础知识到高级技巧

60. 发现一个AI的新用法，再也不用担心不会写提示词了！

61. AI效率革命！一本手册，让你的智能体助手覆盖五大场景

62. 怎么成为一个 ai agent 工程师？

63. 在画了几百张 nano banana pro 图片收获了几百万流量之后的一些提示词写作经验（同步发布于博客：http://t.cn/AXygY9D8）最近一段时间，沉迷于 nano banana pro 画图，也写了一些颇受欢迎的提示词，X 上的浏览量加起来有几百万。但你要说我写画图提示词水平多牛，这我可不敢认，因为我写画图提示词水平其实一般，写不出那些专业的参数，绝大部分提示词都是让 AI 帮我写的。写画图提示词，没有你想的那么复杂，拿我最近写过的一些提示词来讲一下。首先，提示词是手段不是目的提示词是为画图服务的，所以最重要的是你的想法，你想呈现什么，至于提示词，只不过是为了实现你想法的手段，有很多种写法都可以让你得到不错的结果，所以不必太纠结提示词的细节，什么结构、关键字、长短、是不是 JSON，都没那么重要！比如说 4 月份的时候，我就想用 GPT-4o Image 帮我画一张巨型裸眼 3D 屏幕的图（图2），提示词很简单，就是大白话： > 一只超写实大熊猫半个身子在成都繁华商街巨型弧形裸眼 3D 屏幕外边，肚皮朝上，脑袋吊着，嘴里咬着竹笋，憨态可掬提示词大部分时候就是这样，你都不需要多么复杂的技巧，就先大白话发过去看看效果。然后我把提示词发给 Gemini，得到了一张这样的图：参考图3 也还行，但效果不算太好。写提示词不难，难得是你得有一点审美，知道什么是好的，什么是不好的，最好还能知道哪不好！我水平不够好，只能看得出它不好，但说不上不好在哪里。这时候专业水平就能起作用，要是你专业的话，马上能知道哪不好，怎么调整。我不专业但我有 AI，于是把这个提示词（有时候我还会把生成的图片结果一起）发给 AI，让 AI 优化。最好不要只是让它优化，而是给个方向，比如我就去搜索了一下现实世界中哪几个建筑的裸眼 3D 屏幕最有名，这样 AI 训练的最多最熟悉，更容易明白我想要什么。（参考图4）注意我会同时问 Gemini、ChatGPT（GPT-4.5、GPT-5.1），一方面每个模型擅长的不一样，另一方面这里面有很大的概率因素。所以多试几个总没错。后面就是去测试，根据测试结果让 AI 进一步调整。比如第一次测试，效果不怎么样！（参考图5）我干脆换了个思路，找来一张真实的看起来还不错的图片，然后让 Gemini 根据图片给我写提示词。（参考图6）再让 Gemini 帮我生成几个场景。（参考图7）拿新提示词测试了一下，效果惊艳！（参考图8）再测试几个其他场景也不错，那基本上就可以了。（参考图9）所以写提示词的过程就是不停的变换思路不停的“抽卡”重试，你可以不知道怎么调整，但是至少你得知道什么是好的，这样当偶尔“抽卡”到一张好的，你就可以基于那张好的不停的微调，直到可以稳定的生成。真不稳定也没关系，那就多“抽卡”好了。比如那个 3D 裸眼屏的，得一半结果不怎么好，我后续又尝试优化了好一会，实在改进有效，干脆放弃了。所以我不止一次提到“提示工程”： > 提示词工程是一个过程，系统化地设计、测试、优化提示词的过程——宝玉（参考图10）让 AI 帮你写提示词，有时候还会有意外惊喜。比如我在创作时空交汇的提示词的时候，最初的想法只是简单的时空交汇。但无意中生成了一张古今人物交互的，我一看，这比我原本的想法还要好一些，于是调整了一下创作方向，让画面中融入了古今人物的交互。（参考图11）上面其实只是我提示词创作的第一个步骤，也就是针对一个场景生成一张满意的图片。当提示词能稳定的产生一个效果后，下一步就是基于这套提示词，把它变成一套提示词模板，让它可以产生各种不同结果的图片，这样其他人也能参与其中。比如说四季变换的图，最初的版本只有一棵树。虽然这棵树效果很好，但是大家都来画树就没意思了。最好是能基于同一场景四季变化的设定，让场景可以变化。（参考图12）我把这条提示词发给 AI，让它帮我变成提示词模板。把提示词变成模板，最重要的是设定好“变量”，你希望提示词中哪些是固定不变的，哪些是可以变换的。比如四季变换的提示词模板，我希望它变换的是场景，不局限于一棵树，还可以是一座城市、一个园林等等，每个人都可以代入自己喜欢的场景。参考提示词： > 帮我把下面的提示词变成提示词模板，变量是场景，根据场景在一张画面中显示四个季节的变化，同一个场景，但是每个季节显示场景的一部分同时又融为一体。 > > 超写实数字插画风格，画面以一棵树为核心，从左到右均匀划分为冬春夏秋四个季节区域。树木和背景随季节依次渐变变化，每个季节区域内的树叶颜色、枝条状态和背景元素均应精准呈现相应季节特征。树冠、树干、枝叶以及背景中的植被与天气等自然景观，都应根据季节的典型表现进行细致调整和过渡，确保四个区域间衔接自然流畅、色彩丰富且富有象征意义。画面比例为 4:3。（参考图13）提示词模板的变量也不用局限一个，可以有多个变量，比如这张“现实vs内心映射”的图，{现实}是一个变量，{内心映射}是另一个变量。（参考图14、图15）这一步仍然是要反复测试，直到有一个稳定的效果（参考图10）所以说，写提示词，没有那么难，你有一个想法，先用大白话去试试，不行就让 AI 帮你调整，告诉它你哪里不满意，希望哪里更好，根据 AI 调整后结果再去试，再调整，反复“抽卡”，耐心一点总能成。当然模型也很重要，真不行就等一段时间再重新试试，就像我的裸眼 3D 显示屏的提示词，半年前还画不好，现在这就挺逼真了。让 AI 优化，也可以试试不同的模型，比如我会反复在 Gemini 3 Pro、GPT-5.1、GPT-4.5 之间重试，并没有绝对答案谁最好，保不准谁的结果就让你满意了。如果你想更进一步，让你的提示词能适应不同的场景、人物，还可以把它变成提示词模板，衍生出更多好玩的作品。

64. 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#

65. 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

66. 入职算法应届生如何成为一个合格有竞争力的算法工程师？

67. 提示工程远不止“问AI一个问题”，它是与大型语言模型（LLM）合作时一项关键且系统化的设计技能。了解并掌握以下七大类提示技巧，将极大提升你的AI交互效率和效果：1. 核心提示方式： - 零样本（Zero-shot）：无示例，直接任务。 - 一样本（One-shot）：提供一个示例辅助理解。 - 少样本（Few-shot）：用少量示例教模型识别模式。2. 推理增强技巧： - 思路链（Chain-of-Thought）：引导模型逐步推理。 - 自洽采样（Self-Consistency）：多次推理取最佳答案。 - 思路树（Tree-of-Thought）：探索多条推理路径（进阶）。 - ReAct：结合推理与行动（如调用API）。3. 指令与角色提示： - 指令提示：清晰下达任务（“总结这段内容”）。 - 角色提示：定义身份和行为（“你是法律助理”）。 - 混合提示：结合指令和示例，提升准确度。4. 提示组合技巧： - 链式提示：前一提示输出作为下一提示输入。 - 动态提示：实时注入变量或上下文。 - 元提示：让模型自我改进或验证答案。5. 多模态提示： - 图文结合：同时提供视觉与文本信息。 - 音视频+文本：利用转录或感知输入（需支持的模型）。6. 领域专属提示： - 代码提示：针对编程语言或工具设计。 - 医疗/法律提示：要求高精准和严格格式。7. 提示评估与调试： - 提示消融：去除部分元素测试效果贡献。 - 注入测试：评估提示在应用中的鲁棒性。注意，某些相关技术如RAG架构、代理和工具系统，并非提示技术本身，而是包含提示的更大系统。提示工程已经升级为系统设计。掌握它，不只是会用AI，更是懂得与AI“对话”的新语言。正如有人所说，提示工程是当下最值钱的技能，精通它，你便拥有了打开未来智能世界的钥匙。原文：x.com/techNmak/status/1988095890402480225

68. 分享个Github 132k星的开源提示词项目

69. Claude Sonnet 4.5 来了！Anthropic说自己工程师已不写代码了，这次我信了

70. 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。

71. 怎么成为一个 ai agent 工程师？

72. 卡帕西宣判Vibe Coding终结！99%代码AI接管，智能体工程时代开启

73. 偷走这5个高效的Nano Banana Pro提示词- LinkedIn信息图- 技术架构图- 产品UI对比模型- 数据可视化- 代码可视化解释一个海外的 newsletter 博主，叫：Aakash Gupta。原名就叫：Steal My Top 5 Nano Banana Pro Prompts: AI Update。看看这 5 个提示词分别是什么？1、LinkedIn信息图提示词创建一个青柠绿配白色的信息图：• 顶部：分类标签、加粗标题、气泡框里的副标题• 中间：7 个编号步骤，用虚线框，三行网格布局• 每个步骤：绿色数字药丸、加粗小标题、解释说明、要点列表• 底部：绿色横幅，写上"关注我获取更多"用 A4D65E 绿色做标题和强调色，白底黑字，圆角设计，文字简洁，适配手机阅读。{博客内容}2、技术架构图提示词创建一个专业的技术架构图，展示 [系统/流程]。使用简洁现代的风格，配上合适的图标和带标签的组件。包含 [关键元素]，用箭头展示它们之间的关系。用不同颜色区分 [不同的系统部分]。图表要既能用于技术文档，又足够美观，可以放进演示文稿。3、产品UI对比模型提示词为 {功能/页面} 创建 3 套 UI 设计稿，展示不同的设计思路。第一套走极简风，信息密度高，强调效率；第二套视觉更丰富，功能更突出；第三套大胆创新，重新想象这个交互可以怎么做。统一使用 {品牌色} 作为配色，填充真实感的占位数据。三套设计要各有特色，但都要能落地实现。4、数据可视化提示词创建一个高级数据可视化，展示 [数据集/指标] 中的规律和异常。用合适的可视化技术揭示 [特定关系]，同时让 [关键异常类型] 一眼就能看出来。用小多图或对比元素展示 [时间段] 内的变化。配色要能突出统计显著性，同时注意可访问性。标注出三个最重要的洞察。5、代码可视化解释创建一个可视化讲解，展示这段 [算法/代码块] 的工作原理。用分步流程图，配上清晰的注释说明每个操作。必要时可以放一些代码片段，但重点是让逻辑一目了然。用颜色区分 [不同的操作/阶段]。图表要足够详细让工程师看懂，又足够清晰让非技术人员也能理解。#AI创造营##科技先锋官##微博兴趣创作计划#

74. 《扣子开发 AI Agent 智能体应用》022-扣子数据库实战（扣子数据库实战案例：搭建 AI登记助手）

75. 大神 Miles 分享了他的 Vibe Coding 提示词，并称这是“迄今为止他用的最有感染力的编程提示”。认真读完一遍，确实非常值得借鉴： 1. 角色定位升维：技术合伙人不是我们习惯说的“技术专家”，而是“技术联合创始人”。这个身份站位更高，意味着要和我一起想产品、做决策，而不只是写代码。 2. 执行流程清晰：Discovery → Planning → Building → … 整个过程被拆解成标准阶段，潜台词就是：别瞎折腾，按规范的产品/工程流程一步步来。 3. 沟通方式明确：我做决策，你来实现把我当成产品负责人，AI/开发是技术合伙人：用通俗语言解释技术方案、在关键节点同步、提供选项而不是替我拍板。外加一套清晰的 Rules：要做是真正可用、拿得出手的产品，并且始终让我在知情和掌控之中。这种提示词设计的核心，就是让 AI 不再只是“写代码的工具”，而是一个靠谱、专业的技术合伙人。

76. 你有没有发现一个很反直觉的现象？那些不是程序员、没学过提示词工程、甚至连 AI 行业都不了解的人，反而能写出最硬核、最强、最能打的 Prompt。为什么？因为高手根本不靠背术语、背框架；他们靠的是：元思维。简单讲，就是：别自己“手搓提示词”，要让 AI 帮你写提示词。今天我把我自己常用的「元提示词 SOP」完整拆开，让你照着学会之后，也能写出专业级别的提示词。建议你先码住，慢慢看。第一步：把原始素材全丢给 AI大部分人写提示词的时候，会很紧张：- 这个术语我不会怎么办？- 提示词结构要怎么写？- 我不是专家能写得好吗？结果越写越别扭，越写越像 AI。我反而反其道而行，我的做法只有一句话：“把你脑袋里的东西全丢给它。”我会把：- 脑海里乱七八糟的想法- 还没成型的需求- 在网上看到的好文章（当风格参考）直接一股脑扔进去，然后给 AI 说：> “我是小白，但我想达到专家的效果。> 这些是我的原材料，你先别生成内容，先理解它们。”第一步的目标只有一个：让 AI 吃饱。第二步：让 AI 自己补知识这是整个 SOP 的灵魂。很多人提示词写得“塑料感十足”，就是因为缺少这一环：他们不知道什么是专业，也不知道专业需要什么。那怎么办？让 AI 自己补！我会对它说：> “为了完成这个任务，你需要哪些专业术语？> 你会用哪些思维模型？> 你会参考哪些行业标准？> 请用这些知识，帮我生成一套结构化的 System Prompt。”这一步的效果非常惊人。你会发现 AI 自动给你：- 行业术语- 核心逻辑- 专家常用的判断框架- 清晰分工的 Prompt 结构这是一个“AI 写给 AI 的提示词”，专业度往往远超人类自己写的。第三步：让 AI 自己跑 3 次模拟看到这里，有些人会立刻把 Prompt 拿去用。错了，你必须让它自测、自跑、自演示。我会让 AI：> “用你刚写的 Prompt，给我 3 组【用户输入 → 模型输出】的模拟案例。”这一招特别强。通过模拟，你能一眼看穿：- 它是不是真的懂你的意图- 输出有没有“AI 味儿”- 行业语气是否对- 它会不会胡乱瞎编- Prompt 哪里不够精确这一步就是“沙盒测试”，能让你用极低成本发现问题。第四步：导演式优化这一步，你完全不需要懂技术。你只需要告诉 AI：- 哪一段不顺- 哪一部分风格不对- 哪一句话你不喜欢- 你想让它更犀利、更幽默、更人味一点我的反馈方式通常很口语化：- “这段太机械了。”- “第二个案例要更有温度。”- “这个专家应该敢下判断，不要这么中规中矩。”像导演一样调风格、调感觉、调情绪，然后 AI 会自己回去修改逻辑、结构、术语、Prompt。反复迭代几轮之后，你就能得到一个完美贴合你审美的 Prompt。总结你只需要会让 AI 扮演专家。过去，我们必须学会机器的语言，才能指挥它。现在完全反了：- 你提供原始信息（原料）- 你给风格偏好（审美）- 你告诉它目标（想要的效果）剩下的交给 AI——让它去补知识、建系统、写提示词。换句话说：你不需要会提示词工程，你只需要会“导演 AI”。这就是大模型时代真正的能力。#科技先锋官##AI创造营##微博兴趣创作计划#

77. AI 智能体上下文工程 4 大核心策略，拯救大模型的「金鱼记忆」！

78. 为什么我编写不出优秀的ChatGPT提示词?

79. AI Agent 的“进化之路”：从研究原型到生产级记忆系统，技术趋势与产品对比

80. 国家智慧教育公共服务平台推出的“AI试验场”——数学解题助手

81. //@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。

82. 13个提示词，让Claude从"聊天玩具"变成你的研究助手。我在 Reddit 上看到一个帖子，作者说他收集了所有在社区里走红的 Claude 提示词，用这些提示词把 AI 从“聊天玩具”变成了“研究武器”，原本 10 个小时的工作，现在 60 秒就能搞定。今天，我把这 13 个提示词整理出来，手把手教你怎么用。看完之后，你也能立刻上手，让 Claude 成为你的私人研究助理。一、找矛盾的高手提示词： “列出所有内部矛盾、未解决的冲突，或者那些证据不足以支撑的观点。” 怎么用：当你写完一篇长文档，或者整理完一份报告，把内容直接粘贴给 Claude，然后用这个提示词。它会帮你找出那些你自己没注意到的逻辑漏洞。比如，你在报告里说“我们的产品销量增长了 30%”，但后面又提到“市场份额下降了 5%”，这两句话就有矛盾。人在写的时候很容易忽略，但 Claude 会一眼看出来。二、扮演挑剔的审稿人提示词： “像一个挑剔的同行审稿人那样批评这篇文章。要严厉一点。重点关注方法上的缺陷、缺失的对照组，以及过于自信的结论。” 怎么用：这个提示词特别适合用来检查学术论文或者重要报告。你把文章丢给 Claude，它会像那个永远给你打回修改意见的“审稿人 2 号”一样，毫不留情地指出问题。虽然听起来有点残酷，但这种“提前挨骂”能帮你避免真正提交时被打回来。三、把乱七八糟的笔记变成正式文档提示词： “把下面这些材料整理成一份结构化的研究简报。包括：核心观点、证据、假设、反驳论点，以及未解决的问题。标出任何薄弱或缺失的部分。” 怎么用：你有没有过这种情况：手里一堆零散的笔记、链接、半成品想法，但不知道怎么组织成一篇像样的文章。这时候，直接把所有内容粘贴给 Claude，用这个提示词。它会帮你梳理出清晰的结构，甚至告诉你哪些地方证据不够，需要补充。四、倒推逻辑检验法提示词： “先解释这个结论，然后一步步往回推到最初的假设。” 怎么用：这是检验你是否真正理解一个观点的好方法。如果你能从结论倒推回假设，说明逻辑是通的。如果推不回去，说明中间某个环节有问题。比如，你说“我们应该增加广告投放”，那就倒推：为什么要增加？因为转化率低。为什么转化率低？因为流量质量差。为什么流量质量差？这样一步步往回推，你会发现真正的问题可能根本不在广告上。五、像科学家一样做对比提示词： “对比这两种方法，从以下几个维度：理论基础、失败模式、可扩展性，以及现实约束条件。” 怎么用：很多人做对比只是列功能清单，但真正有价值的对比要深入到原理层面。比如，你在选择两种营销策略，不要只比价格和效果，还要问：这两种策略的理论依据是什么？在什么情况下会失败？能不能规模化？有哪些现实限制？用这个提示词，Claude 会帮你做出专业级别的对比分析。六、找出致命弱点提示词： “描述这个方法在哪些场景下会彻底失败。不要说边缘情况，说那些真实可能发生的失败模式。” 怎么用：大多数人只想着自己的方案有多好，但很少有人会主动去想“这个方案在什么情况下会彻底崩盘”。这个提示词会逼着你和 Claude 一起思考最坏的情况。比如，你做了一个依赖某个供应商的商业计划，那就要想：如果这个供应商突然倒闭怎么办？如果他们涨价 10 倍怎么办？提前想到这些，你才能做好备案。七、改变信念的关键问题提示词： “分析完所有这些内容后，什么东西应该改变我现在的看法？” 怎么用：这是真正的研究者思维。不是为了证明自己对，而是为了找到真相。当你研究完一个问题后，问问 Claude：有什么证据能推翻我现在的观点？这会让你保持开放的心态，避免陷入确认偏误。八、压缩成一个心智模型提示词： “把这整个话题压缩成一个我能记住的心智模型。” 怎么用：如果你学了一堆知识，但没法用一句话概括出来，说明你还没真正掌握。这个提示词会强迫 Claude 把复杂的内容提炼成最核心的框架。比如，学习了一整本营销书，最后能不能总结成“找到痛点，提供解决方案，建立信任”这样的简单模型？能压缩，才算真正拥有。九、跨领域类比法提示词： “用一个完全不同领域的类比来解释这个概念。” 怎么用：最好的理解往往来自跨界类比。比如，解释“复利”这个概念，可以用“滚雪球”来类比，用“健身”来类比，用“人脉积累”来类比。这个提示词会让 Claude 从不同角度重新解释一个概念，帮你获得更深的洞察。十、偷师学艺法提示词： “忽略内容本身，分析这篇文章的结构、流程和论证模式。为什么它写得这么好？” 怎么用：看到一篇特别好的文章或论文，不要只看它说了什么，要看它是怎么说的。把文章丢给 Claude，用这个提示词，它会帮你拆解出底层的写作框架。然后你就可以把这个框架套用到自己的写作上。十一、压力测试假设提示词： “列出这个论证依赖的所有假设。然后告诉我哪些假设最脆弱，为什么。” 怎么用：每个论证背后都有一堆隐藏的假设。比如，你说“我们应该开发这个新产品”，背后的假设可能是：市场需求存在、竞争对手不会跟进、技术可行、成本可控，等等。这个提示词会帮你把所有假设都挖出来，然后告诉你哪些最容易出问题。这样你就知道该重点关注什么。十二、再来一次科学对比提示词： “对比这两种方法，从以下几个维度：理论基础、失败模式、可扩展性，以及现实约束条件。” 怎么用：这个提示词在原帖里出现了两次，说明它真的很重要。无论是选技术方案、营销策略，还是做人生决策，都可以用这个框架来对比。记住，真正的对比不是列清单，而是深入到原理和风险层面。十三、最后的压力测试提示词： “列出这个论证依赖的所有假设。然后告诉我哪些假设最脆弱，为什么。” 怎么用：这个提示词来自研究社区，专门用来检验论证的稳固性。把你的核心论点丢给 Claude，让它帮你找出最薄弱的环节。这就像给房子做地基检测，看看哪里最容易塌。写在最后其实，AI 不会替代你思考，但它可以成为你思考的放大器。这些提示词就像是给 Claude 装上了专业的“镜头”，让它能从不同角度帮你审视问题。你不需要成为技术专家，也不需要懂编程。只要把这些提示词复制粘贴，然后把你的内容丢进去，就能立刻看到效果。最重要的是，这些提示词背后的思维方式，找矛盾、挑毛病、倒推逻辑、压力测试，这些才是真正值得学习的东西。学会了这些思维方式，即使没有 AI，你也能成为更好的研究者和思考者。所以，别再让自己像个人肉复印机一样熬夜了。试试这些提示词，让 Claude 帮你干那些重复的苦力活，把时间留给真正需要创造力的地方。毕竟，工具是死的，但会用工具的人，才是真正的高手。 #科技先锋官##HOW I AI#

83. 【如何构建任何场景的提示词：一套可复用的系统架构】互联网上到处都是“ChatGPT最强提示词合集”，人们收藏、粘贴、得到平庸的结果，然后继续寻找下一个。这就像戴着别人的近视眼镜，技术上能用，实际上没用。问题的根源在于：为别人的场景、别人的上下文、别人的输出需求构建的提示词，永远不会像你自己构建的那样有效。你需要的不是一个很少打开的收藏夹，而是一套系统架构。大多数人用自然段落写提示词。简单问题还行，稍微复杂一点就崩溃。因为模型必须猜测：角色在哪里结束？任务从哪里开始？约束是什么？输出应该长什么样？每一次猜测都是潜在的幻觉。XML标签消除了猜测。它们创建带标签的容器，告诉模型每条信息是什么、如何使用。这不是理论，Anthropic在自己的系统提示词中就使用XML标签，这是模型被设计来解析结构化指令的方式。核心标签有六个，几乎每个提示词都会用到：【角色】定义模型成为谁。不是“你是一个有帮助的助手”这种废话，而是“你是一位拥有15年经验的品牌策略师，专注于定位、信息架构和竞争差异化”。角色越具体，模型猜测越少。【任务】定义模型做什么。不是描述，是指令。“帮用户改进写作”是描述，“分析用户草稿，针对结构、清晰度和说服力提供具体可执行的反馈，找出三个最弱的点并重写作为示例”是指令。没有清晰任务的提示词会随心所欲，而随心所欲通常意味着平庸。【准则】控制模型如何行动。“永远不要假设用户没提供的上下文”“如果信息缺失就提问”“不要给泛泛的建议”。规则是覆盖模型默认行为的方式。【约束】是硬性限制，定义输出本身的边界。“回复必须少于280字符”“不要提及竞争对手名称”“所有建议必须在30天内可执行”。规则管行为，约束管产出，区分很重要。【格式】是最被忽视的标签。大多数人描述想要什么，却从不描述它长什么样。同样的角色和任务，“一句话”给你标题，“三段式摘要”给你简报，“带章节的详细报告”给你文档，“JSON格式”给你结构化数据。模型没变，你对输出格式的控制变了。【示例】是最强大也最少被使用的标签。一个好例子教给模型的东西，比一段指令多得多。它同时展示格式、深度、语气、结构和推理。两个例子通常就够了，目标不是全面覆盖，是校准。进阶标签处理那20%需要更高精度的场景：【上下文】提供背景信息，【个性】定义个性，【语气】定义情感基调，【受众】决定输出面向谁，【知识】注入领域知识，【方法】规定执行步骤，【反模式】展示什么是坏输出，【退路】定义无法完成任务时怎么办，【验证】让模型自检，【发现引擎】让模型先提问再行动，【链】把多个提示词串联起来。不是每个提示词都需要每个标签。简单任务用【角色】加【任务】加【格式】就够了。专业输出加上【准则】、【约束】和【示例】。交互式场景加【发现引擎】和【退路】。复杂工作流才需要全套。六个标签各司其职，比十二个标签一半在划水强得多。调试提示词有规律可循：输出太泛，【角色】不够具体；格式不对，【格式】缺失或太松；指令被忽略，【准则】埋得太深或相互矛盾；输出太保守，加【反模式】展示你不想要的样子；输出跑偏，【任务】有歧义；输出编造事实，加fallback告诉模型不知道时该怎么办；输出不稳定，加【示例】。框架是通用的，无论你构建代码审查、内容写作、数据分析还是任何其他场景的提示词。标签不变，里面的内容变。现在你可以随意构建和混搭提示词了。x.com/kloss_xyz/status/2018951817892442260

84. 【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

85. 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。

86. 算法工程师面试需要怎么准备？

87. 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#

88. 生成式AI的教学风格对齐：提示词很难改变内置倾向

89. 抖音爆款AI图文带货，用这套礼盒提示词张张都是大片

90. 如何看待周鸿祎「豆包手机助手拿捏所有 App，直击互联网大厂的护城河」的观点？

91. 【破解铁路信号调试难题：我国自主研发无绝缘轨道电路调试模拟器投用】9月24日消息，中铁六局晋鲁豫区域项目部自主研发的ZPW-2000无绝缘轨道电路调试模拟器已正式投入使用。该设备被工程师形象地称为“移动实验室”，外形为一个黑色背包，有效解决了传统铁路信号调试对深夜“天窗点”的依赖，为信号系统改造提供了更加高效的解决方案。在铁路信号系统改造中，调试作业通常需在列车停运后的“天窗点”进行。深夜施工时间紧张、任务集中，不仅安全压力大，还易受天气和现场配合等因素影响，常导致工期延误。项目部副总工程师张颖指出：“过去一组设备调试常需熬夜完成，反复拆装轨旁设备，效率低且存在安全隐患。”传统方式已难以适应当前铁路运维对效率与安全的要求。“移动实验室”通过技术创新成功破解了这一行业难点。该设备体积轻便，可模拟调试环境，使技术人员能够随时随地开展设备参数调试与故障预判，摆脱了对“天窗点”的依赖。实际应用显示，单次调试工期从原来的8天缩短至2天，效率提升75%，人工成本也降低75%以上。

92. AI 写方案比我快 10 倍我却靠这招涨薪 50%

93. 最新9800组热门AI提示词，生成的内容效果好坏全靠他！文末下载

94. 揭秘提示词工程背后的秘密：提示词工程为啥是工程？

95. 智能体时代，如何写好提示词？一份高级提示词工程指南

96. 提示词工程的核心概念、作用和示例

97. 如何调试你的AI助手（基础篇）

98. 斯坦福教授独家分享：用AI提升学术写作效率10倍的实用方法，掌握五大核心技巧与三种思维训练（附提示词模板）

99. 2026，怎样用AI提效？给你三个角色-老板、包工头、导演

100. 转载 | 一文看懂提示词工程：解锁大语言模型的神奇密码

101. 为什么我们“抄了那么多提示词”，AI 还是不好用？

102. 提示词知识：提示词工程的局限性是什么？

103. AI编码提示词工程是一个完整的、系统化的AI编码辅助体系，它将成功的AI编码实践经验转化为可复用的知识资产。通过标准化的Prompt设计、分层架构的工程体系和完善的质量保障机制，帮助开发团队：提升开发效率: 自动化重复性工作，让开发者聚焦业务逻辑保证代码质量: 通过标准化Prompt确保代码符合最佳实践降低学习成本: 新成员可以快速掌握团队编码规范促进知识传承: 将专家经验沉淀为可复用的Prompt模板支持持续改进: 基于使用反馈持续优化Prompt内容这套工程体系不仅是AI编码的工具集合，更是团队知识管理和工程能力提升的重要载体。通过系统化的应用，可以帮助团队实现AI编码能力的快速提升，达到89.2%的AI编码采纳率，并显著提升需求交付效率。 #冬日生活打卡季#

104. 你被AI骗了别再傻傻收藏提示词

105. Spring AI系列之提示词工程学习指南

106. 2025年5类AI提示词管理方案横向评测

107. 大语言模型提示词工程学习总结

108. 高效“调教”AI：掌握正确方法，提升工作效率

109. 【干货分享】提示词工程好用吗？Prompt也有Hub了？（附提示词工程集合及适用场景）

110. 提示词工程：最大化AI效能的核心优化技术

111. Prompt越改越糟？收好这套调优方法论，4步让AI乖乖听话

112. AI Agent之路-2 提示词工程

113. AI的下一次进化：从文本处理器到智能代理（上） Gitme.ai: 欢迎咨询遗留系统代码改造及AI创新产品 - Gitme.ai及咨询，培训，工作坊相关的AI产品创新，提示词工程，智能体，知识库初/中/高级课程效率与固化：提示工程与微调（Fine-tuning）的协同策略一、提示工程 vs. 微调：成本、效果与周期的权衡前几篇文章探讨了提示词的安全、多模态应用和底层的激活控制。然而，在实际的生产环境中，高级开发者必须面对一个核心问题：如何最高效、最经济地实现目标性能？这通常涉及对提示工程（Prompt Engineering）和模型微调（Fine-tuning）的权衡。何时从提示转向微调？提示工程的优势在于快速迭代和低成本。开发者可以迅速验证想法。但是，当以下情况出现时，应考虑转向微调：性能饱和：复杂的提示词（如长CoT链）难以进一步提升性能。鲁棒性需求：应用需要极高的稳定性和一致性，提示词的波动性难以接受。延迟与成本限制：复杂的提示词可能导致推理延迟增加，且成本累积较高。专业知识固化：需要将特定领域的知识和风格永久地内嵌到模型中。 #Gitmeai #大模型 #LLM #提示词 #prompt

114. 提示词工程在工作中的应用：从框架到实践，助力AI高效协作

115. AI Code 提效的陷阱

116. 如何巧妙设计系统提示词（prompt）提升模型指令遵循的能力

117. 【提示词工程】高效运用AI的五种方法：角色赋予、上下文工程、思维链推理、小样本提示和反向提问

118. 提示词工程快速掌握：从理论到实践的AI开发进阶之路

119. 【提示词学习指南】这绝对是B站讲的最好的提示词工程（Prompt Enginee

120. 提示词工程入门指南

121. 学100个AI技巧,不如做一张动作单元表

122. 2025 提效别再卷了：当我把 AI 当“团队”，工作真的顺了

123. 大模型提示词工程——大模型应用的核心技术

124. 想让AI更懂你？68页提示词工程书请拿去！

125. LLM工程技能：提示工程入门

126. AI提示词｜掌控提示词句子的“节奏”三要素：时态、情态、体貌

127. AI 智能体时代，提示词怎么写？一份高级提示词工程实战指南

128. 想做智能体，要搞清楚两个重要的概念？用户提示词和系统提示词

129. 提示词工程（Prompt Engineering）系统学习

130. 13.2k星星！开源提示词优化器，快速生成工程化提示词，AI比人更懂AI。

131. 提示词与提示词工程

132. AI大模型应用套路：从“会说话”到“会办事”（提示词工程）

133. 吹爆！全网最通俗易懂的提示工程（prompt）原理到实战！通俗易懂，学完即就业!拿走不谢，学不会我退出IT圈！！！

134. 真正提示词 = 角色协议 + 行为规范 + 约束 + 世界观 + 输出程序

135. 上下文工程是什么意思，和提示词工程有什么区别

136. AI 提示词工程成必修课零基础 3 天入门指南

137. 【2025】提示词工程prompt从入门到精通，系统掌握与AI对话的核心技法，让你少走99%的弯路！

138. 2026年了，别再用“肉眼”看日志和写SQL注入了！一名老红队队员的AI提效实战手册（纯干货，附Prompt模板）

139. 提示词工程平台：让每个智能体都有"专业大脑"

140. 提示词工程发展年鉴：从技术突破到产业变革的全景报告

141. 6 个高频场景下的提示词模板

142. AI大模型学习笔记（八）提示词工程

提示词工程与助手调试：哪种方法对AI提效更关键？全网观点大PK

精选参考来源