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

AI面试系统靠不靠谱？关键不在Prompt，而在三层工程协同

源自88位全网作者

05-27 13:41

精选参考来源

【LLM的Token物理学：为什么开头50个Token决定了输出质量】大多数人把AI当成神奇的聊天机器人，像跟人说话一样随意交流，然后祈祷好运。但要从现代LLM中获得精英级结果，你必须把它当作一个可操控的预测引擎——它处理的是token，而非"你脑中的想法"。一、理解机器运作的核心概念Token：LLM不"阅读"人类语言，而是通过分词器将文本拆解成token（子词单元），然后预测数学上最可能出现的下一个token。概率镜像：AI是训练数据的一面镜子。它在潜在空间——一张庞大的人类知识数学地图——中导航。你的prompt就是告诉它该往哪看的坐标。内部白板：高级模型使用隐藏的推理token在"说话"前"思考"。如果你用社交寒暄填满prompt开头，就等于用无用数据塞满了这块白板。指南针与一度误差：因为每个新token都基于之前所有token来预测，你的初始token序列就像指南针。开头一句话偏差一度，到回复结尾时逻辑可能已经完全跑偏。二、核心策略：约束优先模型的物理特性决定了序列中越靠前的token权重越大。因此最佳顺序是：规则 → 角色 → 目标。先定义规则，就是在AI开始工作前清理掉潜在空间中不需要的路径。三、实战对比案例一：语气与自信度❌ 社交噪音式："我在找一些在会议中更自信的方法，你能帮忙吗？"✅ 序列架构式：- 规则：使用自信但协作的语气，去除模棱两可和道歉- 角色：高管教练- 目标：提供3条可执行策略逻辑：前置风格约束锁定了"语气区域"，防止一度漂移滑入泛泛的心灵鸡汤。案例二：复杂概念教学❌ 社交噪音式："你能用容易理解的方式解释光合作用吗？"✅ 序列架构式：- 规则：使用检查点式教程（每步确认），避免隐喻，使用专业术语- 角色：生物学家- 目标：提供完整流程分解逻辑：在开头token中强制设置检查点，阻止模型匆忙给出浅层概述。案例三：复杂规划❌ 社交噪音式："帮我规划东京3日游，我喜欢美食和科技，预算有限。"✅ 序列架构式：- 规则：排序成功标准，定义硬约束（如单程交通不超30分钟），使用目标驱动规划- 角色：旅行架构师- 目标：创建高效行程逻辑：在开头token中定义硬约束和优先级，将指南针锁定在高效结果上，过滤掉低概率的填充内容。四、社区讨论的关键补充关于位置权重：评论中有人指出，不仅开头重要，结尾也重要，真正容易被"遗忘"的是中间部分。这符合注意力机制的研究发现。关于系统提示词：有经验的开发者提醒，在实际应用中，用户输入前往往已有系统提示词和工具定义，你的prompt实际上并非"真正的开头"。但对于普通用户使用ChatGPT等产品，这套原则依然适用。关于幻觉问题：即使精心设计prompt，幻觉问题仍难以根除。可以要求模型"不确定时说不知道"，但这只能缓解，无法消除。五、核心认知转变停止"提问"，开始"架构"。你输入的每个字都是对模型概率引擎的物理约束，以token序列的形式进入系统。如果你不用前50个token设定好指南针，机器就会愉快地花费接下来500个token猜测你想去哪。制胜序列：规则 → 角色 → 目标 → 内容这不是完美的模型，但它是实用的——而且欢迎挑战。reddit.com/r/PromptEngineering/comments/1q5h5og/the_physics_of_tokens_in_llms_why_your_first_50

【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/

全部
来源

内容由AI生成

1. 【LLM的Token物理学：为什么开头50个Token决定了输出质量】大多数人把AI当成神奇的聊天机器人，像跟人说话一样随意交流，然后祈祷好运。但要从现代LLM中获得精英级结果，你必须把它当作一个可操控的预测引擎——它处理的是token，而非"你脑中的想法"。一、理解机器运作的核心概念Token：LLM不"阅读"人类语言，而是通过分词器将文本拆解成token（子词单元），然后预测数学上最可能出现的下一个token。概率镜像：AI是训练数据的一面镜子。它在潜在空间——一张庞大的人类知识数学地图——中导航。你的prompt就是告诉它该往哪看的坐标。内部白板：高级模型使用隐藏的推理token在"说话"前"思考"。如果你用社交寒暄填满prompt开头，就等于用无用数据塞满了这块白板。指南针与一度误差：因为每个新token都基于之前所有token来预测，你的初始token序列就像指南针。开头一句话偏差一度，到回复结尾时逻辑可能已经完全跑偏。二、核心策略：约束优先模型的物理特性决定了序列中越靠前的token权重越大。因此最佳顺序是：规则 → 角色 → 目标。先定义规则，就是在AI开始工作前清理掉潜在空间中不需要的路径。三、实战对比案例一：语气与自信度❌ 社交噪音式："我在找一些在会议中更自信的方法，你能帮忙吗？"✅ 序列架构式：- 规则：使用自信但协作的语气，去除模棱两可和道歉- 角色：高管教练- 目标：提供3条可执行策略逻辑：前置风格约束锁定了"语气区域"，防止一度漂移滑入泛泛的心灵鸡汤。案例二：复杂概念教学❌ 社交噪音式："你能用容易理解的方式解释光合作用吗？"✅ 序列架构式：- 规则：使用检查点式教程（每步确认），避免隐喻，使用专业术语- 角色：生物学家- 目标：提供完整流程分解逻辑：在开头token中强制设置检查点，阻止模型匆忙给出浅层概述。案例三：复杂规划❌ 社交噪音式："帮我规划东京3日游，我喜欢美食和科技，预算有限。"✅ 序列架构式：- 规则：排序成功标准，定义硬约束（如单程交通不超30分钟），使用目标驱动规划- 角色：旅行架构师- 目标：创建高效行程逻辑：在开头token中定义硬约束和优先级，将指南针锁定在高效结果上，过滤掉低概率的填充内容。四、社区讨论的关键补充关于位置权重：评论中有人指出，不仅开头重要，结尾也重要，真正容易被"遗忘"的是中间部分。这符合注意力机制的研究发现。关于系统提示词：有经验的开发者提醒，在实际应用中，用户输入前往往已有系统提示词和工具定义，你的prompt实际上并非"真正的开头"。但对于普通用户使用ChatGPT等产品，这套原则依然适用。关于幻觉问题：即使精心设计prompt，幻觉问题仍难以根除。可以要求模型"不确定时说不知道"，但这只能缓解，无法消除。五、核心认知转变停止"提问"，开始"架构"。你输入的每个字都是对模型概率引擎的物理约束，以token序列的形式进入系统。如果你不用前50个token设定好指南针，机器就会愉快地花费接下来500个token猜测你想去哪。制胜序列：规则 → 角色 → 目标 → 内容这不是完美的模型，但它是实用的——而且欢迎挑战。reddit.com/r/PromptEngineering/comments/1q5h5og/the_physics_of_tokens_in_llms_why_your_first_50

2. 【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/

3. 【让AI停止客套，开始说真话：一个逼出真实反馈的提示词设计】我们都遇到过这种情况：问AI一个问题，它技术上回答了，但总是绕开最难的部分。措辞圆滑，却对核心问题毫无压力。一位用户分享了他的解决方案——一个专门制造"摩擦"的提示词，不是为了激励，不是为了头脑风暴，而是通过反驳来获得清晰。核心提示词如下：「你不是来让我对这个想法感觉良好的。你是来压力测试它的。在回答我的请求之前，先在内部完成以下步骤： - 识别我提出的核心主张或计划 - 列出这个想法依赖的三个关键假设 - 对每个假设，解释它在现实中可能如何出错 - 找出这个想法最快失败的方式 - 找出一个我可能忽略的、无聊但现实的替代方案规则： - 不要赞美这个想法 - 不要软化批评 - 不要添加鼓励或激励性语言 - 优先考虑正确性而非语气 - 如果信息缺失，明确说明假设，而不是创造性地填补空白把这当作发布前审查，而不是辅导课程。」这个设计之所以有效，是因为它翻转了AI的默认行为模式。AI不再优化"有帮助的氛围"，而是优化"想法的生存能力"。另一位用户进一步优化了这个提示词，关键改动是：移除了一些隐蔽的"逃生通道"。原版中，模型可以在内部完成困难部分，然后依然给出圆滑的答案。强制要求明确陈述假设和可能的失败点，让模型更难回避不舒服的部分。还有用户分享了更复杂的三系统工作流协议：合成引擎负责保持框架连贯和模式识别；形式化引擎将洞见转化为严格的定义和可验证的标准；受控反对派则专门施加摩擦、识别失败模式。这背后的洞见值得深思：我们与AI对话时，往往不自觉地期待认可和鼓励。但真正有价值的反馈，恰恰来自那些让我们不舒服的质疑。好的决策不是在赞美中诞生的，而是在压力测试中存活下来的。当你需要做重要决定、验证计划、或者不想对自己撒谎的时候，试试这个方法。 reddit.com/r/PromptEngineering/comments/1q15mv7/this_is_the_prompt_i_use_when_i_need_chatgpt_to

4. 【Prompt Engineering没死，只是换了一张脸】快速阅读：2024年那套靠“魔法短语”驱动AI的玩法基本过时了，但“Prompt Engineering已死”这个论断本身也夸张了——真正死掉的是技巧，活下来的是思维方式，只是迁移到了更高的层面。---原文来自Reddit，一位用户用AI生成了一篇文章，论证“Prompt Engineering在2026年已经死了”。有人立刻问：这篇文章的prompt是什么？发帖者坦白了，分三次迭代完成，第一次是“给我支持这个观点的论据”，第二次是“写得像个聪明的大学生”，第三次是“别聚焦在prompt工程师这个职位上”。这件事本身就是一个有趣的自我证伪——一篇论证prompts不再重要的文章，是用精心迭代的prompts写出来的。不过抛开这个讽刺，文章的核心判断其实有几分道理。2024年那套“把AI当精灵供着、一个词说错就翻车”的时代确实过去了。现在的模型理解意图的能力强多了，你语言混乱它照样能猜出你在问什么。那些当年被当作“独门秘籍”传授的技巧——Chain of Thought、情感刺激词、persona hacking——很多已经被直接训练进模型了，你不需要特意触发，它默认就会做。真正的变化在于，行业的杠杆点从“怎么说”转移到了“给什么”。RAG（检索增强生成）、evaluation loop、agentic工作流、自动优化框架（如DSPy）——这些系统级的东西，才是现在决定AI输出质量的关键变量。你花在精调措辞上的时间，远不如花在数据质量和架构设计上值钱。但评论区里有个观点说得很准：死掉的是gimmick（那些投机取巧的“花招”），不是discipline（这门职业背后的“方法论”）。你还是需要告诉系统“什么是成功，什么是失败”。你还是需要定义边界、约束条件、失败时怎么处理。只不过这些决策已经从“我该怎么措辞”升级成了“我该怎么设计这个系统的逻辑层”。有观点认为，prompts就是AI的语言，RAG不过是一个知识检索机制，没有精准的prompt，RAG系统照样会产生幻觉。这话不算错，但有点守旧——它描述的是今天，不是趋势。另一个更有意思的视角来自讨论中：问题不是prompts重不重要，而是“谁在写prompts”。DSPy这类框架是让另一个AI来优化prompt，人类只需要定义“什么结果算好的”。这个“Ground Truth”的设定，才是真正需要人类判断力的地方。所以“Prompt Engineering”这个词在某种意义上确实在消亡，就像“Webmaster”这个职位的消亡——不是因为工作不再需要，而是因为技能变成了更广泛角色的一部分，不值得单独挂牌了。一个有点未解决的问题留在这里：当模型足够强、系统足够智能，人类剩下的那部分判断力——定义“什么是好的输出”——还能维持多久？---点评：你以为咒语死了，其实是咒语成仙了。2024年那套“一个词说错AI就翻脸”的玄学，确实该进博物馆了。但说Prompt Engineering死了？这就像说“会打字”死了——不是技能消失，是技能降维成了呼吸，你甚至感觉不到自己在用它。真正有趣的是那个自我证伪的套娃：用三轮精心迭代的prompt，写出“prompt不重要”的文章。这不是打脸，这是进化的活标本。当技巧被训练进模型，你省下的不是思考，是表达思考的摩擦成本。死掉的是“说话的艺术”，活下来的是“想清楚的能力”。前者有套路可抄，后者从来就没捷径。---www.reddit.com/r/PromptEngineering/comments/1rci46t/prompt_engineering_is_dead_in_2026

5. 【“扮演专家”让AI变蠢？谷歌DeepMind的反直觉发现】一个让提示词工程圈集体尴尬的研究结论：那些“你是一位拥有20年经验的华尔街顶级分析师”之类的专家人设提示，不仅没用，反而让AI变笨了。这项研究来自密歇根大学和谷歌DeepMind团队，测试了162种专家人设提示。结果显示，在金融推理任务中，什么都不写的空白提示，表现竟然优于精心设计的角色扮演。更扎心的数据是幻觉率：使用专家人设时达到18.7%，而不用人设只有9.8%。几乎翻倍。原因其实不难理解。当你告诉AI它是“华尔街专家”，它就开始模仿训练数据中专家的说话方式，变得更自信、更武断、更敢胡说八道。它在表演专业，而不是真正推理。这就像一个演员在扮演医生，他学会了医生的腔调和派头，但你不会真让他给你开刀。模型本身已经针对通用场景做过优化。人设提示的作用是把它从平均态拉向特定方向，但如果这个方向是“像专家一样说话”而非“像专家一样思考”，那就南辕北辙了。不过研究也指出一个重要细节：当人设领域与问题高度匹配时，仍然可能带来帮助。问题在于，大多数人使用的是泛化的“专家”标签，而非精确的能力描述。有经验的从业者早就发现了这一点。与其给AI套一个身份，不如直接设定语气和规则。身份触发的是角色扮演，规则约束的是逻辑边界。前者让模型去想“这个角色会怎么说”，后者让模型去想“正确答案是什么”。这两个问题的答案，很少重合。对于需要准确性的任务，最有效的做法反而是最简单的：直接问问题，让模型自己推理，别给它加戏。创意写作另当别论，但凡涉及事实判断，少一分身份，多一分清醒。那些教你“一定要给AI设定专家人设”的技巧，可能从一开始就搞反了方向。reddit.com/r/PromptEngineering/comments/1qtxam7/google_deepmind_tested_162_expert_persona_prompts

6. 从 Prompt Engineering 到 Harness Engineering

7. 从 Prompt 到 Context 再到 Harness

8. 从 Prompt 到 Context 再到 Harness

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

10. 从Prompt→Context→Harness Engineering，聊聊过去三年的变与不变

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

12. Prompt 不够了，Harness Engineering 正在成为 AI 工程新核心

13. 一文读懂Harness Engineering

14. Bayesian Agent （一）

15. Bayesian Agent

16. OpenAI提出的Harness Engineering，到底在解决什么问题？

17. Harness工程，为AI烈马套上缰绳

18. Harness Engineering是什么

19. Harness Engineering

20. 【干货】从Prompt到Harness

21. 理解工程

22. LLM通识指南 06｜你的 Prompt 为什么不管用？从提示词到上下文工程

23. 每天一个AI小知识

24. Context Engineering到底是什么？

25. 从 Prompt Engineering 到 Context Engineering

26. Context Engineering（上下文工程）初学者教程

27. Harness Engineering

28. LLM 是颗「缸中之脑」，Harness 是给它装上的「身体」

29. 李宏毅

30. 别卷 Prompt 了，2026 年 AI 工程的新战场是 Harness

31. 硅谷已经不卷模型了

32. AI Agent与上下文工程（二）: 上下文筛选方法

33. AI Agent 工程方法

34. 什么是 Harness Engineering？

35. 大模型笔记｜Harness Engineering详解

36. 2026Agent Harness进行时。

37. Harness Engineering 是什么？新范式，还是噱头？

38. 面试官问

39. 超越Prompt与Context

40. 淘天面试官追问“既然你提到了harness，那说一下定义是啥、怎么做的、有啥优点以及如何改进”

41. 从DeepSeek 招募 Harness Engineering 团队说起

42. 2026年，不懂Harness Engineering的开发者将被淘汰

43. 2026 AI 新范式

44. 2026硅谷新范式

45. 大火AI新概念爆发

46. Harness Engineering 让我焦虑了

47. Harness Engineering

48. Harness Engineering

49. 2026年AI圈最火的概念Harness Engineering，到底是什么

50. Harness Engineering（驾驭工程）是什么？

51. Harness Engineering 才是 2026 年的真赛道

52. Prompt 已过时

53. Prompt、Context、Harness 三者区别与组合应用

54. 别只顾着卷Prompt了，真正拉开差距的，是Harness Engineering

55. 一文说清 Harness Engineering 的演变逻辑

56. Prompt Engineering 2026 - 系列0：导论篇

57. 上下文工程（Context Engineering）

58. 驾驭工程：AI Agent 的可靠运行之道

59. Harness Engineer

60. OpenClaw Context Engine 深度解析

61. 4K上下文到自主循环：Harness工程如何终结Agent的“断片”噩梦

62. Prompt Engineering官方指南，一次看懂(5分钟)

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

64. Harness Engineering II: 当任务从分钟级变成小时级

65. 【AI 术语解码局】上下文工程：旨在通过系统性管理和优化模型输入信息，提升AI在复杂任务中的表现

66. RAG 工程里最大的痛点解决了，已开源

67. Manus 团队在构建通用 Agent 过程中的经验总结

68. AI Agent 的上下文系统：Context Engineering 指南

69. 【生成式人工智慧與機器學習導論2025】第 2 講：上下文工程 (Context Engineering) — AI Agent 背後的關鍵技術最终总结

70. AI时代工程师的核心：不是写代码，是做Harness Engineering！

71. Context Engineering：当 Prompt 不再是魔法，而是内存管理

72. 概念大辩析：Harness Context Prompt 到底有什么区别

73. 26年大火的 Harness Engineering 是什么？

74. 长文本（Long Context）会终结 RAG？先把这两个概念搞清楚

75. 译文：打造稳定 AI Agent 的核心方法论part1

76. Harness Engineering 是2026年初在AI开发领域兴起的一个新概念。它的核心思想可以理解为：与其费劲地调教AI本身，不如为它设计和打造一个精良、可控的“工作环境”（即Harness，原意为“马具”），让AI在这个环境里能够安全、高效、自主地完成复杂任务。 Prompt Engin

77. RAG（检索增强生成）会不会消亡呢？

78. 最近爆火的 Harness Engineering 到底是啥？一期讲透！ - 哔哩哔哩

79. Prompt Engineering 完整学习指南

80. 普通人为什么也该理解context engineering

81. 最近爆火的 Harness Engineering 是什么？

82. Harness engineering入门

83. Agent Infra: Sandbox技术和选型

84. 介绍一下Harness Engineering的来龙去脉、核心定义及其解决的问题

85. 为什么你的agent比别人的笨？harness engineering让小白变专家

86. Context Engineering：Agent 开发的核心技能

87. 从「提示工程」到「上下文工程」：Anthropic 一文把 Agent 的注意力账算清楚

88. Prompt工程基础详解

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！