提示词工程师：从技能到系统工程的进阶指南_办公软件

1. Self-Evolving 会是 2026 关键词吗？

2. 看完 Manus、Cursor 分享后的最大收获：避免 Context 的过度工程化才是关键

3. 现在所有的 XX.Agent / XX.Skill，本质上都是【语言风格插件（Style Plugin）】而不是【决策策略插件（Policy Plugin）】。“花叔 (alchaincyf)” 的 nuwa-skill 确实是目前公认将“思维蒸馏（Thought Distillation）”工程化落地最完整的尝试，但它提取的仍然是“解释性思想”而不是“执行性策略”。如果划分蒸馏层级，可以分为四层：L1 Style PluginL2 Thought PluginL3 Policy PluginL4 Simulation Engine目前大家推进的状态大概是：90% L1 Style9% L2 Thought1% L3 Policy 查看图片

4. 刘诗诗 in self-portrait新一季的美丽加码，全球品牌代言人刘诗诗出镜 self-portrait 2026 早秋系列广告大片，不论是白裙公主，还是蓝调学院风，感受“浪漫、精致、兼具现代感”的 self-portrait 女郎之美～✨#时尚灵感解读#

5. 给 Claude Code 接上「整个代码库」的语义搜索。大模型 context window 再大，也有上限。真正的工程项目动辄几十万行代码，没法一次性全塞进去。Zilliz 开源的 claude-context 解决的就是这个问题：把你的代码库向量化存进数据库，让 Claude Code 在需要时按语义检索相关代码片段——而不是每次都把整个目录加载进 context。1. 核心机制代码不是以文件为单位存储，而是先用 AST（抽象语法树）做智能分块，再通过 OpenAI embedding 模型向量化，存入 Milvus / Zilliz Cloud 向量数据库。检索时用的是混合搜索：BM25 关键词匹配 + 向量语义搜索，两种方式的结果合并排序，相关性比单纯向量搜索准。官方测评数据：在同等检索质量下，减少约 40% 的 token 消耗。代码库越大，节省越明显。2. 增量索引用 Merkle Tree 跟踪文件变化，只重新索引改动的文件，不需要每次全量跑一遍。3. 安装方式极简对 Claude Code 来说，加完claude-context 之后，在 Claude Code 里直接说「Index this codebase」，等索引完成，就可以用自然语言检索了：「找所有处理用户认证的函数」。4. 兼容范围不只 Claude Code，Cursor、Codex CLI、Gemini CLI、Windsurf、VS Code、Cline 全都支持，都是改 MCP 配置文件，几行 JSON 搞定。支持的编程语言：TypeScript、Python、Java、Go、Rust、C++、C Sharp、Ruby、Swift 等主流语言。Embedding 也可以换：除了 OpenAI，还支持 VoyageAI（voyage-code-3，代码搜索效果更好）、Ollama 本地模型、Gemini。5. 本质上Claude Code 默认的代码理解方式是：你告诉它看哪里，它看哪里。这个工具把它升级成：你问它一个问题，它自己去整个代码库里找相关的部分，带上来给你用。对于中大型项目，这个差距很明显——不用再手动 (at)file 指定文件，不用担心忘了哪个关键模块，Agent 的自主性和准确性都会提升。访问：github.com/zilliztech/claude-context#HOW I AI# #程序员#

6. 在推特上看到一篇推文，是博主北火写的，超级有价值，很有启发性，核心观点是：约束即智能，AI Agent 的 Context 困境。作者通过一个脑损伤病人的案例，揭示了AI的致命困境。原文如下：1990年代，神经科学家 Antonio Damasio 遇到一个奇怪的病人。这人叫 Elliot，脑部手术切除了一个肿瘤，顺带损伤了前额叶的一小块区域。手术后，智商测试正常，逻辑推理正常，记忆力正常，所有认知指标都没问题。但他没法正常生活了。他没法做决定。不是不会分析——恰恰相反，他分析得太好了。选午餐吃什么，他能花半小时权衡每家餐厅的优缺点。选用蓝笔还是黑笔签字，他能陷入无尽的比较。老板解雇了他，妻子离开了他。Damasio 研究了很久，最后得出结论：Elliot 损伤的那块脑区，负责把情绪和决策连接起来。没有了情绪的"偏见"来帮他筛选，所有选项在他眼里同等重要。所有选项同等重要，等于没有选项重要。我们通常把"限制"当成坏事。更多信息更好，更多选择更好，更强的处理能力更好。Elliot 的案例指向相反的结论：约束不是决策的障碍，而是决策的前提。人类的情绪系统本质上是一套筛选机制。当你面对选择时，它把你过去的经验、当前的身体状态、社会信号，整合成一个"感觉"——"这个选项让我不舒服"。你不需要推演导致这个感觉的所有原因，情绪直接给你一个倾向。这是一种偏见，但没有这种偏见，你会像 Elliot 一样卡在原地。这和 AI 有什么关系？表面上看，Elliot 的问题是"情绪缺失"，AI agent 的问题是"context 管理"，一个是神经科学，一个是工程实践。但往深一层看，它们是同一个问题的不同表现：有限的处理能力如何面对无限的信息？Elliot 的处理能力没问题，但他失去了告诉他"关注这里、忽略那里"的机制。AI agent 的处理能力也没问题，但 context window 有上限——它必须决定把什么放进去、把什么留在外面。人类用情绪来筛选。AI 用什么？AI 领域有一个已经被实证验证的现象：context 越长，模型表现不一定越好。研究显示，当 context 变长时，模型容易"迷失在中间"——对 context 开头和结尾的信息关注度高，中间的信息容易被忽略。更多的信息塞进去，反而可能稀释真正重要的内容。这不完全是 Elliot 的问题，但有相似的结构：当所有信息都摆在面前，没有机制来区分重要和不重要，系统的表现会下降。AI 领域发展出了一系列技术来应对这个问题。看起来五花八门，但本质上都在做同一件事：决定 LLM 应该"看到"什么。Skills 和 SubAgent 是两种不同的能力组织方式。Skills 是把能力内化：你想让 agent 会写 PPT，就把工具说明、调用方式、注意事项塞进它的 context，它读完说明自己动手，所有过程发生在同一个 context 里，信息互通，但 context 会越来越臃肿。SubAgent 是把能力外包：你派一个专门的 agent 去写 PPT，它做完把结果交回来，两个 agent 各有独立的 context，主 agent 的工作空间保持干净，但信息在交接时有损耗——你只拿到对方选择告诉你的东西。一个是"我自己学会"，一个是"我找人帮忙"，本质区别是 context 的边界：共享还是隔离。MCP 和 A2A 是另一层的东西，它们是通信协议。MCP（Model Context Protocol）规定 agent 怎么发现和调用外部工具——有哪些工具可用，怎么传参数，怎么拿结果。A2A（Agent2Agent）规定 agent 之间怎么对话——怎么发现对方，怎么协商任务，怎么交换信息。它们定义的是信息怎么流动，不规定信息怎么筛选。一个 MCP 工具，你可以直接塞进主 agent 的 context，也可以让另一个 agent 去调用然后汇报结果。协议是管道，架构才是决定 context 怎么组织的地方。Context compression 是在空间不够时做取舍。两种主流方法：一种是直接砍掉旧的内容，只保留最近的信息，快但粗暴，可能砍掉重要的早期信息；另一种是用模型生成摘要，把长历史压缩成短结论，保留了信息的"精华"，但摘要本身是一次有损转换——摘要者认为不重要的细节可能恰恰是后续决策需要的。这里有一个经常被技术讨论忽略的因素：成本。Context 不是免费的，更长的 context 意味着更多的计算量、更高的延迟、更贵的 API 账单。在生产环境里，一个任务跑几分钟还是几秒钟，可能决定了这个方案能不能用。所以 context 管理不只是"怎么让 agent 更聪明"的问题，也是"怎么在预算内完成任务"的问题。你可能有能力把所有相关信息都塞进 context，但你付不起那个钱。约束不只来自技术上限，也来自经济现实。把这些技术放在一起看，它们都在回答同一个问题：这一轮推理，LLM 应该"看到"什么？System prompt 是预加载的背景，few-shot examples 是塞进去的参考案例，RAG 检索是按需拉取的外部知识，tool schema 是能力的说明书，用户消息是实时输入。所有东西都是 context 的一部分，所有决策都是 context 管理决策。有人开始用"context engineering"这个词来描述这件事。它不是 prompt engineering 的新说法，而是一个更大的框架：怎么组织信息，让有限的工作记忆处理超出其容量的任务。人类解决这个问题已经有很长的历史。组织架构本身就是一套 context 管理系统——谁需要知道什么，信息怎么流动，在哪里汇总，在哪里展开。专业分工让不同的人处理不同的信息，层级结构让细节在底层处理、结论向上传递，文档系统把信息外化、需要时再加载。但人类还有一些更底层的机制，AI 目前没有对应物。渐进遗忘：人类的记忆不是"有"或"没有"，而是会逐渐模糊。你记得三年前和某人吃过饭，细节没了，但"那次聊得挺愉快"的印象还在，这种低精度的记忆仍然能指导决策。AI 的 context 是二元的，在窗口里就完整保留，不在就彻底消失。重要性标记：你更容易记住让你意外、紧张、开心的事情，情绪充当了重要性的标签。AI 没有这种内在的重要性判断——它只能依靠位置（最近的更重要）或外部规则（用户说重要的更重要）来决定保留什么。重建而非检索：人类回忆不是从存储里读取文件，而是每次基于碎片重新构建。这意味着同一段经历在不同情境下回想会呈现不同的侧面，有失真的风险，但也有适应当前需求的能力。这些机制能直接移植到 AI 吗？不一定。人类的记忆机制是为人类的任务优化的。人类的"任务"是什么？活下去、繁衍、维持社会关系——模糊、长期、多目标。渐进遗忘、情绪标记、重建式记忆，在这个框架下是 adaptive 的。AI agent 的任务通常更明确、更短期、更单一：写这份报告、修这个 bug、回答这个问题。在这种任务下，人类记忆机制的"模糊性"可能反而是负担，你不希望 agent "隐约记得"你的需求是什么。但有一个趋势：AI 的任务正在变化。从单轮问答到长程对话，从执行指令到自主规划，从单独工作到多 agent 协作，任务变得更模糊、更长期、更复杂。这意味着为简单任务设计的 context 管理方式，可能在新的任务类型上失效。还有一个问题值得展开：当 context 经过多次处理后，它还可靠吗？压缩会丢细节，摘要会引入偏差，跨 agent 传递时每一方都只传自己认为重要的内容。链条拉长后，最终 agent 做决策时依据的信息，可能和原始事实有显著偏离。这个问题人类也有，叫组织里的信息失真——一线发生的事，经过几层汇报传到决策者那里，可能已经变形了，每一层都在压缩、都在筛选、都在用自己的框架重新解读。人类发展出一些对策：冗余通道，同一件事通过多条线传递来交叉验证；越级机制，允许信息绕过某些层级直接向上；实地考察，决策者偶尔下到一线直接接触未经过滤的信息；匿名反馈，让原本不敢说的话有出口。这些机制的共同点是给被压缩掉的信息一条绕过压缩的路径。AI 系统需要对应的设计吗？如果一个 SubAgent 的摘要漏掉了关键信息，主 agent 怎么知道？如果 context 经过多轮压缩后失真了，系统怎么发现？目前没有好的答案，这是 context engineering 还没认真处理的一个维度。现在回到开头的问题。Damasio 的研究告诉我们，约束不是决策的障碍，而是决策的前提。Elliot 失去了帮他筛选的机制，获得了"纯粹理性"的分析能力，结果是瘫痪。AI 领域正在发生一件事：context window 在快速扩大。几年前 4K tokens，现在 128K 是标配，有的模型宣称支持百万甚至千万级别。如果这个趋势持续，context 容量可能很快不再是硬约束。这是好事吗？不一定。容量约束消失后，问题不会消失，只会换一种形式。如果你有无限的 context，但没有机制告诉你什么重要、什么可以忽略，你会陷入 Elliot 的困境：所有信息同等重要，等于没有信息重要。你需要的不是更大的窗口，而是一套筛选标准。约束可以是容量的（塞不下），也可以是注意力的（看不过来），也可以是经济的（付不起），也可以是认知的（不知道该关注什么）。移除一种约束，另一种会变得突出。人类用情绪、直觉、经验沉淀下来的"感觉"来提供认知约束，AI 目前没有对应物，它的筛选标准来自外部：位置、规则、用户指令。当容量不再是瓶颈时，这个缺失会变得更明显。所以，最后一个问题：当 context 容量不再是瓶颈时，什么会成为新的瓶颈？也许答案是：一套内生的重要性判断机制——不依赖外部规则，能让系统自己知道该关注什么、可以忽略什么。Elliot 需要的不是更大的脑容量，他需要的是一个能告诉他"这个选项不对劲"的声音。原文地址：x.com/beihuo/status/2003729415508046321#科技先锋官##微博年度新知博主##AI创造营#

7. Context 还不够，Harness 才是 Agent 工程优化的正解？

8. 【IDE大对比】30天真实体验：Cursor vs Copilot vs Claude Code！开发者做了一个认真的实验——同一个功能（JWT认证系统），分别用Copilot、Cursor、Claude Code各完成一遍，记录时间、代码质量、bug数和"能否放心上线"。结果如下：1. 工具能力现状1）GitHub Copilot：最强在"Code你写过的东西"。JWT中间件、PR描述、代码review建议都瞬间出现，GitHub集成体验无敌。但缺陷明显——只看当前文件，不理解整个项目的context。上线到半路需要人工干预的频率高。2）Cursor：多文件context是杀手锏。测试中0 bugs found，边界case处理比Copilot好一个数量级。实测数据：同样功能，Cursor生成的代码需要修改次数最少，质量稳定。缺点是对"外层逻辑"（跨文件影响）理解还不够深。3）Claude Code：最"聪慧"，能理解你项目的全景图。调用工具、访问多个文件的能力强，代码风格一致性最好。但速度不如Cursor快，某些细节处理需要多轮对话。2. 如何选择？钱不是小事。这哥们之前同时付费3个（每月$60），后来做出决定：1）日常迭代：用Cursor（多文件context优势明显）2）架构设计/重构：用Claude Code（全局视野）3）快速修bug：用Copilot（反应快）但如果只能选一个，他的答案是：Cursor。理由是time-to-working-code最短，bug最少，减少心智负担。3. 决策链路？这不是"哪个工具最强"的问题，而是：1）你的项目多大？（文件多 → 需要Cursor的context）2）你有多少交接债？（遗留代码多 → 需要Claude的理解力）3）你的编程风格稳定吗？（不稳定 → 用Claude统一风格）Copilot有GitHub加持但context盲；Cursor快但理解浅；Claude Code深但慢。可以考虑组合使用（比如Cursor日常+Claude做重构）。虽然成本高，但显著减少了在工具限制面前的"卡壳时刻"。原文链接： dev.to/harsh2644/github-copilot-vs-cursor-vs-claude-i-used-all-3-for-30-days-heres-my-honest-winner-2f9g#HOW I AI# #程序员#

9. 真正在用 AI 建系统、做沉淀的人，大概是所有 AI 用户的 1% 以下，如图。context engineering 现在有时间窗口。做的人少，但回报是复利型的。等大多数人反应过来，早期建系统的人已经积累了几十周的上下文优势。这也是为什么我最近工作这么勤奋，claude和gpt天天push我建系统最近把交易系统又优化了一轮。慢慢搭，感觉越来越好用了。—-一次性的、不重复的、不需要个人判断标准的事。比如”帮我翻译这段话”“这个错误代码怎么修”“今天天气怎么样”。这些事 prompt engineering 就够了，不需要建系统。一件事如果你做了三次以上，而且每次都要跟 AI 重新解释背景，它就值得被 context engineering 化。你做的次数越多、背景越复杂、判断标准越个人化，回报越高。-claude#人工智能#

10. LLM & coding: so many new, confusing, over-loaded, over-anthromorphic terms: skills, tool-using, MCP, memory... a couple of days ago I was at a vibe coding hobby group meeting, and someone said something that totally clicked -- underneath it's all just text. LLMs do one thing: it takes in a bunch of tokens and spits out a bunch of tokens. you exert influence over its output by selecting what tokens to feed it, in what order. i thought of the following as an analogy: back in the days there was this framework call ruby on rails. it can get complicated, but it really is just code, quite a lot of it, organized into folders. it's got abstractions, and can be a bit overwhelming at first (although it was meant to speedup web dev.), but it's just code. because Ruby is a programming language, and the only way to get it to do anything useful is through code. tool-use, skill -- just text files (organized into folders) that are loaded into the context window with hopes of nudging the LLM to do the right things. but "skill" is such a bad term for it. it's over-loaded with extra meaning that we humans can't help assigning to it. it's nothing like when we say a person has a certain skill. it's just text that you insert into the context window.

11. 高效提示词（prompt）工程指南

12. AI专家成长之路(三）——Prompt Engineering

13. Prompt Engineering 提示词工程核心要点整理

14. 译文

15. Prompt Engineering官方指南，一次看懂(5分钟)

16. 我们还需要提示词工程吗？——一个技术范式的辩证反思

17. Prompt工程师应该具备什么能力和素养？

18. 2026年RAG系统Prompt工程的终极指南

19. AI工程化演进

20. 一张图看懂三种AI工程范式

21. 如何设计AI产品的prompt工程策略？

22. 跳出“调参”误区

23. Prompt设计六要素

24. Prompt 六要素

25. 大模型中的14种Prompt策略

26. (LLM系列)Prompt工程完全指南

27. Few-shot和Chain-of-Thought(CoT)

28. Few-shot和思维链

29. LangChain

30. 034｜Few-shot

31. 为什么你说了 100 遍 AI 还是不懂？因为它需要"示例"，不是"解释"

32. 【AI工具实战】10-Prompt进阶

33. （11）Chain-of-Thought 进化史——大模型为什么突然学会推理？

34. 提示词工程（prompt engineering）

35. Prompt Engineering的最佳实践

36. 如何写出好的Prompt（提示词）？

37. 说说Prompt范式

38. LLM Power Prompting — 大语言模型高效提示工程

39. 从Prompt Engineering到Context Engineering

40. 从 Prompt Engineering 到 Context Engineering

41. 可信来源和批判性思维提示词改进-5.5

42. Claude API Docs: Prompt Engineering Guide

43. 别再优化 Prompt 了，去构建更好的 Context

44. Prompt Engineering 演进

45. 从《Prompt Engineering》看AI的边界与模糊

46. Prompt Engineering

47. Prompt 设计入门指南

48. 从 Prompt Engineering 到 Harness Engineering，团队真正该升级的是什么

49. 企业级的prompt的设计原则

50. 企业级场景 Prompt 架构示例

51. Prompt Engineering(提示词工程)

52. 怎么判断是自己prompt写的不够好？还是基座模型能力不够？

53. 提示词工程 2026

54. 从prompt到context到harness engineering, 乃至protocol Engineering

55. 从 Prompt Engineering 到 Harness Engineering

56. 从“会用”到“用好”

57. 提示词工程已死？Agent Skills 才是未来

58. 2026年必懂概念

59. 亲测2年高效Prompt，快速搞懂全新领域知识

60. 程序员必读的Prompt Engineering指南

61. 用户意图识别与关键词提取 Prompt 设计方法论（上）

62. 【Harness】03-OpenAI Harness Engineering方法论解析——如何用智能体构建百万行代码系统

63. 思维链（CoT）的演进与创新：Few-Shot与Zero-Shot架构设计深度解析

64. 写了个 Prompt 自动评测Skill，自动优化prompt效果

65. 新来的产品经理连prompt如何调优都不会……

66. 不愧是字节挖过来pm，这prompt水平太恐怖了

67. 如何让AI更好的完成任务？如何编写更好的Prompt？ - 哔哩哔哩

68. Prompt Engineering 完整学习指南

69. 译文：提示词技巧part1

70. 29 条 Prompt 设计经验

71. 养虾记·第104期｜龙虾的思考链——Chain-of-Thought原理与实战

72. 不会 Prompt 的职场人，只是在浪费 AI

73. [Prompting Techniques] Prompt Chaining

74. Prompt Engineering入门

75. Prompt & Skill精选 | 思维链推理、React最佳实践、前端设计、AI图片生成

76. 这才称得上是提示词工程！

77. 每天半小时 AI 知识｜TextGrad：AI 自己改 Prompt？就像训练神经网络一样‘反向传播’你的提示词

78. AI大模型核心知识点与实战学习路线

79. 思维链提示（Chain-of-Thought Prompting）如何激发复杂推理能力

80. AI时代的编程语言（prompt工程）-失业牛马的自救

81. 你的AI提示词水平糟透了（这就是秘诀）

82. AI agent学习笔记（Prompt工程）

83. 一文读懂：思维链 CoT（Chain of Thought）

84. 多语言系统提示词对 ai系统的影响zenodo.19433874 - 哔哩哔哩

85. Cursor 和 Devin 的 Prompt 被逆向开源了

86. 一个被忽视的Prompt技巧，居然是复制+粘贴。

87. Prompt Engineering实战技巧指南

88. Prompt Engineering 与 In-Context Learning

89. 深度解析 Chain-of-Thought：如何通过“思维链”解锁大模型的推理上限？

90. 开源的AI编码提示词工程，适用于 java+vue3+uniapp 全栈开发

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

92. 我读完 GPT-5.4 官方指南：别急着加钱调参数，先把这 6 个模块写对

93. 简单的CoT更能Scale，提示词工程也有"Bitter Lesson"

94. [中配]NotebookLM：我构建了一个“提示工程师”（免费且无限） - Tool Drop

95. 【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

96. 思维链 (Chain of Thought)

97. 告别 Prompt 管理混乱！Prompt Manager：你的 AI 提示词全能管家

98. 告别重复Prompt：Skills如何让AI像专业员工一样可靠工作？

99. Vibe Coding：通用高质量 Prompt 合集🔥

100. Prompt实验性艺术之问题重复以提升性能及大模型用于交互式个性化学习开源Demo

101. 当 AI 落地到了“深水区”：到底是 Prompt 不行、RAG 不够，还是该考虑微调了？

提示词工程师：从技能到系统工程的进阶指南

精选参考来源