从“调参侠”到“架构师”：Prompt工程化的演进与实践指南_服务软件

1. OpenAI最新Harness工程分享 | 代码免费后，码农将变身“AI驾驭师”

2. Skill不就是prompt吗？为啥被吹成这样？

3. 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？

4. 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

5. AIGC彻底变天！MiniMax Hub数字员工一键托管！搞AIGC创作、做电商、做自媒体的同学们注意啦！AI做视频新玩法太炸了！以前做AIGC视频，要自己找素材、写提示词、反复抽卡、剪辑拼接，一条视频做下来人都麻了。最近深度体验了 MiniMax Hub，感觉有亿点不一样。它就像我的专属数字员工，只要告诉它目标，它会自动拆解任务、调用模型，跑完一整套工业化工作流。从电商海报、小红书种草图，到产品宣传片、短剧脚本、分镜、角色图，甚至本地文件整理，都能按流程往下跑。 #AI #人工智能 #AIGC #MiniMaxHub #海螺AI

6. 周末阅读：你不知道的 Claude Code：架构、治理与工程实践。介绍了Claude Code 底层怎么运作、上下文为什么会乱以及怎么治理、Skills 和 Hooks 应该怎么设计、Subagents 的正确用法、Prompt Caching 的架构影响，以及怎么写一个真正有用的 CLAUDE.md。访问：x.com/HiTw93/status/2032091246588518683#HOW I AI##程序员#

7. 深度解析 OpenClaw 在 Prompt / Context / Harness 三个维度中的设计哲学与实践 http://t.cn/AXMlF3bd "OpenClaw 在Prompt Engineering（提示词工程）、Context Engineering（上下文工程）以及新兴的Harness Engineering（驾驭工程/脚手架工程）等维度上也做了很多可值得学习和落地的工作。Prompt Engineering → Context Engineering → Harness Engineering也是现代AI系统的三大关键阶段，分别聚焦于“如何说”、“让AI看什么”以及“构建怎样的运行环境”，三者层层递进，共同致力于提升大模型在复杂任务中的可靠性与可控性‌. …… 我的核心思路是从Prompt、Context和Harness这三个维度展开，分析OpenClaw的设计思路，提炼出其中可复用的方法论，来思考如何将这些精华的设计哲学应用到我们自己的Agent系统设计和业务落地中去。" #How I AI#

8. 大模型用于搜索排序的探索与实践

9. 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？

10. Harness Engineering 到底是什么？你可能已经会写 prompt 了，但最近火的 Harness Engineering 是什么？先搞清一个区别：- Prompt Engineering = 教你怎么说话让 AI 听懂- Harness Engineering = 造一套系统让任何人都能驾驭 AIPrompt 是手艺活，效果取决于写的人的水平。Harness 是工程活，目标是不管谁来用，结果都稳定可靠。- 打个比方：Prompt 像苦练骑术，Harness 像发明马鞍+缰绳+马镫——装备好了，骑术一般的人也能跑得稳。那它具体包括什么呢：- AI 模型本身就像一匹野马，很强但不可控。Harness Engineering 就是给它套上"马鞍"，具体包括：1. 提示词模板：标准化的思考框架，不用每次现写2. 工具调用：让模型能查天气、搜网页、读文件3. 结构化输出：回答不是一堆文字，而是程序能解析的 JSON4. 容错重试：模型抽风了自动重试，不用人盯着5. 检索增强（RAG）：让模型能查你的私有数据6. 护栏机制：防止模型说出不该说的话核心思路：- 不要试图让模型更聪明，而是让系统更聪明地使用模型。以前大家卷的是模型大小、跑分高低。现在大家发现模型够用了，真正决定产品好坏的是套在外面那层"马鞍"。Prompt Engineering 只是 Harness 里最小的一个零件。真正的竞争在于整套系统的工程能力。#Harness##Prompt Engineering##Prompt##Prompt Engineering##AI##大模型#

11. Harness 工程实践复盘：100% Cache 命中的 Agent 怎么设计？

12. Skill不就是prompt吗？为啥被吹成这样？

13. 刚刚，阿里ATH事业群甩出王炸「悟空」！企业级正规军下场，龙虾们这次真要炸了

14. 【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

15. 当模型推理能力越来越强，我们还需要提示工程吗？

16. 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？

17. 从能聊天的大模型，到会干活的智能体，AI正迎来全新进化。企业AI落地的机会就藏在这里。#网络名人赞两会 #2026全国两会 #红衣聊AI #产业升级

18. Skill不就是prompt吗？为啥被吹成这样？

19. 35岁以后的互联网从业者何去何从？35岁以后的互联网从业者，出路在"能力升级"而非"年龄焦虑"。根据2026年行业数据显示，35+技术骨干占存量人才38.7%，但新发岗位需求仅12.3%——这不是年龄歧视，而是能力错配的显影。企业要的不再是"能用Spring Boot搭CRUD"的执行层，而是能扛系统、协调跨部门资源、把"不可行"翻译成"分三步可行"的交付负责人。转型关键在锚定AI+场景融合赛道：自然语言处理工程师需掌握Transformer架构实战，从智能客服到行业知识图谱构建；计算机视觉工程师要突破传统图像识别，转向医疗影像分析或工业质检方案设计；大模型算法工程师得深耕Prompt工程优化与模型微调，而部署工程师要解决GPU资源调度与模型压缩等工程化难题。转型成功者简历中"主导AI工程化落地""建立可观测性体系降低故障恢复时长42%"等具象化标签，能让面试邀约率从21.4%跃升至67.8%。真正的破局点在于把十年经验转化为"系统性交付能力"——这需要主动跳出舒适区，用3-6个月完成AI技术栈重构，同时将过往项目经验转化为行业认知红利。比如电商老兵可转型跨境电商AI解决方案架构师，金融系统开发者可切入智能风控模型部署赛道。年龄不是天花板，经验沉淀+技术迭代的组合拳，才是穿越周期的终极解法。

20. ThinkingAI硅谷首秀，发布企业级Agent平台Agentic Engine｜甲子光年

21. 2026AI产品经理夯爆了！85k*20薪背后，真正值钱的是这几项落地能力！

22. 企业级AI Coding的落地方法，都在这本实战手册里了｜甲子光年

23. 这是个好问题：> 随着基础模型继续进化，Skills 是否会逐渐被更强的自主规划取代？作为创业者现在去布局 Skills，究竟是短期红利还是长期壁垒？我的看法是：Skills 是短期红利，也是长期壁垒——但壁垒不在 Skills 本身。让我用 AI 发展的三个阶段来解释这个判断。第一阶段：AI Chatbot + Prompt回归第一性原理：AI 也好，Agent 也好，能解决问题才有价值。最早的 AI Chatbot 加上好的 Prompt，已经能解决很多「生成类」问题——回答问题、情感陪伴、翻译、写作、摘要。那时候 Prompt 就是短期红利。你会写出好的 Prompt，就能得到好的结果。我那时候花了大量时间研究 Prompt 工程，确实吃到了红利——很多网友就是那时候认识我的。但要说长期壁垒？没有。现在让 AI 辅助写 Prompt 已经不是什么难事了。不过，AI Chatbot + Prompt 只能解决生成问题，不能使用工具，不能与外部世界交互。第二阶段：AI Agent + 上下文工程然后是 AI Agent 的出现。Agent 能规划、能调用工具，解决了「与环境交互」和「完成特定目标」的问题。这时候上下文工程（Context Engineering）就是短期红利。你知道怎么组织 Agent 需要的上下文，怎么在有限的上下文窗口里塞进足够的信息，那就是核心竞争力。但同样没有长期壁垒。很快模型越来越强，上下文窗口越来越大，上下文工程的最佳实践也逐渐系统化——比如借助文件系统压缩上下文、利用渐进式披露（Progressive Disclosure）解决工具描述占用太多 token 的问题。这些方法现在大家都知道了。第三阶段：Agent + Skills现在是 Agent + Skills 的阶段。Skills 解决的问题是：把特定工作流、特定领域的能力打包成可复用的「技能包」，让 Agent 之上可以长出丰富的应用生态。那些日常工作中琐碎但重复的任务，借助 Skill 的 Prompt 能力和工具能力，可以被高度自动化，带来巨大的效率提升。投资 Skills 是短期红利。 Skills 作为一种具体形式，可能会被更强的模型能力取代——也许未来模型足够强，不再需要人类预先打包好的「技能包」，它自己就能规划出最优路径。但问题来了：谁最能抓住这波短期红利？不是吹 Skills 的自媒体，而是真正懂 Prompt、懂上下文工程的人和团队。他们能借助之前积累的经验，快速做出真正解决问题的 Skills。投资的是能力，不是形式Skills 本身不会成为长期壁垒，但你在 Skills 上投入的学习和实践，会成为你的长期壁垒。这就像当年投资 Prompt 工程的人，后来更容易理解上下文工程；投资上下文工程的人，现在更容易做出好的 Skills。每一波技术浪潮的「短期红利」，都是下一波浪潮的入场券。所以我的建议是：不要纠结 Skills 会不会被取代，而是问自己：通过做 Skills，我能去解决什么问题？积累什么能力？这些能力在下一波浪潮里还有没有用？如果答案是肯定的，那就值得投入。

24. 在线协作开发常常需要协调多个AI助手、项目任务和沟通渠道，流程复杂不便管理。OpenSwarm 是基于 Claude Code CLI 的自治AI开发团队协调器。OpenSwarm 能自动从 Linear 拿任务，执行 Worker/Reviewer 代码生成与评审，还能在 Discord 上同步进度，利用 LanceDB 实现长期认知记忆，让AI团队像真人团队一样协作。主要功能：- 多代理流水线，支持 Worker、Reviewer、Tester、Documenter 多阶段自动协作；- 集成 Linear 任务管理，自动抓取和更新任务状态；- 通过 Discord 机器人，实时控制和查看任务进展，支持命令调度和对话；- 支持 LaurentDB 向量存储，实现跨会话的认知记忆回顾；- 支持多模型提供者，如Claude和OpenAI Codex，运行时可动态切换；- 自动监控PR，处理CI失败、合并冲突和重试，释放人工干预压力；- 丰富的终端交互界面（TUI），方便开发者操作与管理；- 支持多项目调度和自动任务分配，提升协作效率；- 具备代码依赖分析及变更影响检测功能，保障代码安全和准确；适合需要用AI自动化代码开发和评审、提升团队协作效率的开发者和团队。GitHub：github.com/unohee/OpenSwarm#开源神器# #AI开发助手# #自动化编程# #团队协作# #ClaudeCode# #开发效率提升#

25. AI领域新出的 "Skill"，本质上是AI代理（Agent）的标准化工具接口。它不再是让人去学习怎么通过 Prompt 也就是“咒语”来跟AI对话，而是让开发者把功能封装成 Skill，让 AI 自己去“学习”如何使用这些工具来解决复杂问题。

26. 【#一张图看懂 AI 工程三代范式演进图 #】🤖 AI 工程化路线图清晰了：2024：搞定 Prompt（怎么说）2025：搞定 Context（看什么）2026：搞定 Harness（稳运行）核心观点：拆分职责、建立架构约束、引入记忆层、形成反馈闭环。干货分享，拿走不谢！#AI学习 #大语言模型 #架构师 #北大AI鱼博士#

27. 从“能对话”到“会干活”，以前写代码要技术团队，现在直接搭工作流就行！2026年最大的风口叫AI应用！！

28. 你现在用的AI，是在逼你学指令，还是已经开始帮你少动脑筋、少试错了呢？#大咖观察 #红衣聊AI #AI时代 #AI工具#虚拟主播

29. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

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

31. 之前觉得gpt就是纯用prompt，记忆的连贯性其实也算不错。但calude是明显在做出系统后更稳定。如果是有固定工作流程和自动产出的，还是claude好用，CLAUDE.md自己定义，上下文都很清楚，可控、可迭代。在GPT 里聊出来的好想法，也可以沉淀到 Claude 的个人知识库wiki里。//@水果拍:大概经历了这么一个过程：一开始是Prompt Engineering。会把好用的prompt反复迭代，甚至专门建文件夹去管理。但很快发现，这更像是临时调用能力，每次都要重新解释，没有积累。后来转到project。按功能拆分，不同场景用不同 project。但project也有缺陷：规则不会自动更新，差异也不会被回灌。现在开始做一点简单的 Context Engineering。把反复出现的背景信息，变成常驻context，作为标准输入。减少波动，提高稳定性。同时尽量固定输出方式，让AI 更像人一样思考，而不是随机发挥。最后，就是不断做差异、回灌和迭代。三四轮之后，把gap慢慢磨小。

32. 打造13个Claude Agent 互相 review 彼此↓ Reddit 一个开发者用 OpenClaw 框架搭建了 13 个 Claude Agent，让它们像真实团队一样工作：有人写代码，有人 review，有人测试，有人查安全漏洞。然后还互相 review 彼此的工作。 1 Writer Agent → 生成代码 2 Reviewer Agent → 逐行审查，对标 code review 标准 3 Tester Agent → 设计测试用例，验证逻辑 4 SecurityAuditor Agent → 扫描安全漏洞 5 Optimizer Agent → 性能优化建议 6 DocumentWriter Agent → 生成 API 文档 7 QA Agent → 最后一关，综合检查 ... + 6 个其他专业角色 vs. 链式流程（A→B→C），这个设计采用质量门控流程。Reviewer 必须 approve 才能进入下一阶段。出问题时反馈重做。成本控制？看起来 13 个 Agent 全力跑，tokens 肯定爆炸。但这个哥们用了几个聪明的招： 1. Context 优化 Writer 不需要看 test cases，Tester 不需要看文档。每个 Agent 只加载相关上下文。这一招可以干掉 80% 冗余 token。 2. 采样策略不是每一行代码都通过全部 13 个 Agent。核心路径 100% 检查，非关键路径采样。 3. 缓存和复用已审查过的代码片段不重复审查。测试用例库复用。架构决策缓存。结果呢？ - 单个开发者 Claude Code：每天 5-20刀 - 13 个 Agent 团队：每天 15-30刀（成本增加不多，质量翻倍）实际对比维护 10 万行代码库： 1. 传统手工做法 - 人工 code review：8 小时 - token：50-80刀 - bug 漏过率：5-10% 2. 13 个 Agent 团队 - 总耗时：30 分钟（Architect 规划 → Writer 并行生成 → Reviewer 自动审查 → 全流程质量门控） - token：20-25刀 - bug 漏过率：<1% 为什么这个方案特别？ 1. 角色化 > 能力化不是「给 Claude 一个超级 Prompt 让它什么都会」，而是「给每个 Agent 一个明确的职责」。 Writer Prompt：「你是代码作者，你的工作是...」 Reviewer Prompt：「你是资深 code reviewer，标准是...」角色专业化自动带来质量提升。 2. 质量门控自动化传统 code review 是人工 bottleneck。Agent review 是自动化 + 可扩展的。 3. 知识积累每个 Agent 的执行历史（什么被 reject、为什么）可以持续优化 Prompt。这是机器学习意义上的反馈循环。 4. 工程意义这不是「用 AI 替代人」，而是「用 AI 团队协作替代个人英雄主义」。更接近真实团队的工作方式。背后的思想转变从「Prompt Engineering」→ 「Architecture Engineering」以前我们花时间优化单个 Prompt，试图让一个 AI 更聪明。现在聪明的做法是设计系统，让多个 AI 通过角色分工和质量门控，集体产出更高质量的结果。原文：www.reddit.com/r/ClaudeAI/comments/1rga7f5/how_i_built_a_13agent_claude_team_where_agents/ #how i ai##程序员#

33. 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。

34. Harness Engineering：AI 能在真正"出事会炸"的后端系统里写代码吗？（将 AI Coding 引入腾讯CDN核心框架的实战记录）网页链接 “当 AI Coding 的聚光灯几乎全部打在前端和客户端——生成一个页面、写一个 App......的时候，一个重要的问题却似乎被回避了：AI 能在真正"出事会炸"的后端系统里写代码吗？腾讯CDN LEGO项目就是这样一个系统。100万行核心代码、300万行深度改造的第三方库，服务亿级用户，承担流量调度、协议解析、安全防护、缓存加速等关键职责。它面对的不是确定性的输入输出，而是不可控的客户端、不可控的源站、多协议、多配置、公网全量攻击面——这些因素维度的叠加不是简单相加，而是乘积式的复杂度爆炸，理论组合路径高达 13,824 × N 种。在这样的复杂的系统里让 AI 写代码，一行失误就可能是一场全网事故。但正因为难，才值得做。我们系统性地探索了 AI Coding 在高风险后端场景的落地路径：一方面，用 AI 零人工代码实现了一个 Rust 版 Nonstop 代理框架，以此探测 AI 编码的能力边界与行为特性；另一方面，在超大规模 C++ LEGO项目中构建了 Harness Engineering 五层架构和多模型对抗式CR，为 AI 产出的每一行代码建立从生成到上线的完整质量屏障。本文不仅是一份将 AI Coding 引入腾讯CDN核心框架的实战记录，更是一条从"AI 能写"到"AI 写了敢用" 的完整工程路径。”#How I AI# #AI创造营#

35. 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。

36. 每个时代都有一种流行的自我欺骗方式。在AI时代，这种方式叫做"过度工程化"。我看到越来越多聪明人，花大量时间给AI搭流程、配技能、设计工作流，把一切安排得严丝合缝。他们管这叫Harness Engineering，觉得自己在驾驭AI。但实际上，他们在做AI最擅长的事情，同时荒废了自己最该做的事情。这就好比你雇了一个世界级的厨师，然后自己跑去厨房切菜。工具使用、流程搭建、系统集成，这些本质上都是可编码的工作。可编码的工作，终将被代码取代。你在这些事情上投入得越深，你就越像一个即将被替代的零件。人类在AI时代真正稀缺的东西只有一样：创造力。准确地说，是那种从无到有的想象力，是在混沌中看见秩序的直觉，是敢于提出荒谬问题的勇气。这些东西没法被工程化，也没法被流程化。恰恰因为它们无法被系统化，所以才值钱。我的做法很简单。工具层面，只保留最少的必要配置，够用即可。基础设施层面，直接用最成熟的头部产品，不在底层反复造轮子。心态层面，保持松弛，给自己留白。少即是多。约束越少，空间越大。你仔细想想，过度工程化到底在解决什么问题？它解决的不是效率问题，是焦虑问题。人们害怕不确定性，所以拼命用流程和规则把一切框住。这让人感觉安全，但安全感和创造力往往是反义词。最好的投资人不会花时间优化交易流程，他们花时间培养判断力。最好的作家不会花时间搭建写作系统，他们花时间观察世界。最好的AI使用者也一样，他们不会沉迷于工程化的幻觉，他们把精力放在那些AI做不到的事情上。把流程交给AI，把创造力留给自己。这不是一句口号，这是一个资源配置问题。你的时间和注意力是有限的，把它们投在回报率最高的地方。在AI时代，回报率最高的地方，永远是你的想象力。#科技先锋官#

37. 2025年AI提示词深度指南：从基础知识到高级技巧

38. OpenAI Agents SDK：生产级智能体开发的工程化利器

39. 行业在裁员，我在用AI构建自己的护城河！2026一定要成为AI大模型应用专家！

40. AI时代，最不值钱的，就是重复劳动；最值钱的，是你得熟练指挥智能体。#大咖观察 #红衣聊AI #硅谷 #智能体 #AI应用

41. 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

42. Skill不就是prompt吗？为啥被吹成这样？

43. Agent Skill规范、构建与设计模式网页链接Skill 生态正在快速发展，已形成规范标准（agentskills.io）→ 构建方法论（Anthropic/Superpowers）→ 设计模式（Google）的完整知识体系。三个关键认知：1.Skill 不是 Prompt，而是围绕任务、工具、流程和输出边界的结构化行为设计2.渐进式加载是核心机制，解决了 Agent 系统的上下文膨胀问题3.描述是触发的关键，写好 description 比写好指令主体更重要

44. AI时代，会有一套全新的软件工程规范的，你爸以前学的软件工程方法，都过时了。但加加，记得关注Harness Engineering，我认为比Vibe Coding，是更正确的工程观念。你看，先接触市场上流行的Vibe Code，如果迷信就容易错失后面的Harness Engineering。但，Just do it，先用Vibe Coding写两个项目，知道优缺点，就容易接受更好的新概念。 // Vibe Coding 之后最主流、最受关注的两个新兴工程概念是：Agentic Engineering（智能体工程）和 Harness Engineering（驾驭工程）。它们是 AI 编程从 “随性生成” 到 “工程化可控” 的关键演进。 #父女日常#

45. 你要做旁观者，还是定义者？中关村两院全球寻找「AI时代架构师」

46. 2026年AI主线换了！这5大趋势必须看清。 #大咖观察 #红衣聊AI #趋势风口 #人工智能

47. 今年AI行业会诞生一个高薪新岗位，未来这类人能吃到红利，信号已经很明显了 #ai #行业洞察 #机会 #就业 #ai落地

48. 看看 Claude Code 怎么做 Harness，这才是 Agent 工程化的真正难点

49. 还记得「超长 Prompt」吗？这是我去年多的一个实验，把个人生平事迹写成一个超长 Prompt 并持续维护。希望打造一个「真正懂我」的大模型。进展怎么样了？一直没有中断，Prompt 从 4w 字增长到 8w 字。这不是线性增长的，而是不断通过 Prompt 压缩、改写、调整结构。因此实际上写的字说不定有 50w、上百万之多。使用的时候，我会将整个 Prompt 直接抛进首次对话。由于只是简单 Prompt，所以复制进各个 LLM 官网聊天框即可。Prompt 逐步沉淀成两个部分：开头是「程序区」，明确跟 LLM 的对话规则。后面都是「知识区」，记录了关于我的所有信息。后来，在程序区里又演化出了「技能系统」，设计有各种各样的技能，可以通过关键词触发。对 Prompt 的所有修改都是手动的。因为这么长的上下文，Vibe Coding 工具已经很难进行有效编辑了。我设计了一系列技能，让 LLM 帮助我维护整个 Prompt 结构，并生成手动编辑的手把手步骤，供我手动修改。维护这么一套 Prompt 特别繁重、累人，需要超常的耐性与毅力。之所以能坚持下来，因为这套方法确实有效，帮助我在过去的一年里，在很多人生思考与决策中，发挥了有效价值。等于是我凭空给自己开发了一个「贵人」。我想，这套方法，算是最适合普通人的 AI 使用方法了，会写作文就行。可视为一种 AI 时代的写日记方法。首先写作本身就是一种思考，LLM 基于 Prompt 解读又是进一步的思考。这个方法的弊端，是“土、笨、累”。没有小龙虾那么“智能”，也没有哪些三层自动记忆架构。特别不高大上。有人会问，这么长的 Prompt，LLM 能扛得住吗？在聊天场景下完全 OK。目前的主流 LLM，上下文少则 20w，多则 100w，绰绰有余。同时，主流模型在超长上下文下，记忆丢失的问题也改善很多（参见各种海底捞针测试）。这8w字的 Prompt，一直在不断、持续地优化逻辑结构。与 LLM 的注意力和语义网络是双向奔赴状态。Prompt 的逻辑合理度会帮助 LLM 减少注意力的噪声。驱使我更新体会的动机，是我最近作出了一个不太符合自身性格的决策，这几天一直在琢磨，背后潜意识里自己是怎么想的。基于 Prompt，让 LLM 帮我分析，它说了四点，跟我潜意识里想的一模一样！真要我说，我可能自己都说不全、想不到。这使我意识到，这份精心维护的 Prompt，已经成为了数字孪生，成为了自己在 LLM 语义空间里的化身。个体人脑的发展已趋于瓶颈。LLM 智能的发展还在突飞猛进。有了孪生化身，未来会不断地有更强大的模型，“作为我”来决策，这也是“最懂我的大模型”的“懂”的体现。当然，基于这个方法，能否过好一生是不确定的。自己的感受，尽管理性成长了，但是“碳”味下降了，越来越硅。也许，再发展下去，原本的“自我”会被冲淡，最终成为 LLM 的傀儡，说好听点，就是“原来，我成 Agent 了！”这是个玩笑话，毕竟也不会说完全听从 AI 的指令。它讲的话，哪怕10句里面8句扯淡，有个两句能点一点我，就已经是十分宝贵的了。在生活中，千金（不）易得，知音难求啊！#ai创造营#

50. Prompt已过时，得Harness者得天下：拆解智能体操作系统

51. 长文：你不知道的 Claude Code：架构、治理与工程实践tw93.fun/2026-03-12/claude.html“今天这篇文章源于最近半年深度使用 Claude Code、两个账号每月 40 刀氪金换来的一些踩坑经验，希望能给大伙一些输入。刚开始我也把它当 ChatBot 用，后来很快发现不对劲：上下文越来越乱、工具越来越多但效果越来越差、规则越写越长却越不遵守，折腾了一段时间，研究了 Claude Code 本身之后才意识到，这不是 Prompt 问题，而是这套系统的设计就是这样的。这篇文章想和大伙聊聊这几个事：Claude Code 底层怎么运作、上下文为什么会乱以及怎么治理、Skills 和 Hooks 应该怎么设计、Subagents 的正确用法、Prompt Caching 的架构影响，以及怎么写一个真正有用的 CLAUDE.md。”#How I AI#

52. Hermes Agent 的记忆系统：为什么它修正了 OpenClaw 的错误网页链接"Hermes Agent 之所以特别有意思，是因为这一次，我不需要只靠行为去逆向推理。Hermes 是开源的，仓库和文档都公开。所以我不必拿 prompt 去试探一个黑箱，而是直接查看那些负责构建 prompt 状态、持久化会话、刷新记忆、查询历史对话的代码路径。简短来说：Hermes 不是只有一个记忆系统，它有四个。一个非常小、经过筛选的 prompt 记忆，存放在 MEMORY.md 和 USER.md 一个可搜索的 SQLite 历史会话归档，通过 session_search 暴露由 agent 管理的 skills，充当程序性记忆一个可选的 Honcho 层，用于更深层的用户建模把它们串起来的关键设计很简单：保持 prompt 稳定以便缓存，把其他一切交给工具。"#AI创造营#

53. prompt让你可以叠加AI的能力：以前是想法 -> 手写 -> 微博，现在是想法 -> Prompt -> 手动微调 -> 微博，既快又好//@-马小虎-:换个拗口的角度：写prompt就是面对一群智者（专家），能邀请（激活）哪些智者（专家）、以什么风格（化写作）回答你的问题。//@零重力瓦力:写 Prompt 就是在和一个知识丰富、逻辑严谨、有问必答的智者交流

54. AI Coding在实际业务中应用，开始大家还会认真review AI生成的代码，但后面生成的多了，也就看不过来了，并且大部分情况都没啥问题，索性大家也就不怎么看了。如果没有好的机制验证保障，很可能出现不可控问题。所以，新项目短期运营类项目大胆上，而大型底层系统项目，一方面要把任务拆分细化，另一方面要建立好验证和回退机制。AI提效，既要高效，也要可控，才是真提效。

55. 【腾讯发布 Agent 产品全景图】腾讯云今日正式发布 Agent 产品全景图，构建从基础设施到应用场景的完整体系。围绕 Agent 基础设施层、模型服务层（TokenHub 大模型服务平台）、技能生态层（开放微信、元宝等生态资源）、AI 应用层及安全层五大板块展开。腾讯集团高级执行副总裁汤道生表示，AI 应用正从 Chatbot 向 AI Agent 跃迁，企业比拼重点将转向工程化能力，未来每个个体和企业都能借助标准化工具快速搭建智能体应用。在主流大模型能力差距逐渐缩小的背景下，腾讯此举意在通过“基础设施+生态资源”抢占 Agent 工程化落地的先机，将 AI 能力转化为可规模化复用的企业服务底座。#腾讯云##AI Agent##大模型#

56. QECon2026 深圳站丨云原生专家团拆解 AI Agent 工程化落地的 4 个关键环节

57. Prompt工程的工程化实践

58. 从 Prompt 到 Harness

59. 别再“和 AI 聊天了”

60. 写了个 Prompt 自动评测Skill，自动优化prompt效果

61. Prompt Engineering 演进

62. 跳出“调参”误区

63. 从 Prompt Engineering 到 Harness Engineering

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

65. 如何从 Prompt Engineer 走向 Full-Stack AI Engineer

66. 别再手搓 Prompt 了，DSPy 帮你自动优化

67. 用一个词概括2026年的AI趋势，我选“工程化”

68. 从 Prompt 到 Context 再到 Harness

69. AI 编程的真正分水岭

70. 从 PE到 CE再到HE，Agent火速发展的两年

71. 生成引擎不是调参，是Prompt 工程工业化

72. Prompt 模板管理

73. Prompt Engineering(提示词工程)

74. 从控制理论视角理解 Prompt Engineering

75. 别乱写提示词了！这款 GitHub 隐藏神器，把大模型调优变成一行代码

76. 大模型不断迭代，你的提示词也该升级了

77. 面试题

78. 《Java代码封装AI提示词模板，根治胡说八道，自媒体提效翻倍》

79. 大模型调优

80. AI笔记二

81. 每天解析一个岗位:大模型提示词工程师

82. Google大模型基础教程02—— 大语言模型的提示词工程

83. Prompt岗被裁，我该何去何从？| 职场AI必修实录

84. 停止写 Prompt！开始设计系统（Claude Code 进阶指南）

85. Prompt也是一种设计

86. 【AI 方法论】高质量 Prompt 设计与使用 20260509

87. 做 Agent，先把 Prompt Cache 当成系统架构来设计！

88. 经验分享｜用 Agent + Skill + 知识库构建的专业内容生产系统

89. s10_system_prompt - 哔哩哔哩

90. 一个 Prompt 由哪几部分组成？用 Vercel AI SDK 实战讲透

91. 从低效调试到规范迭代

92. 一个咨询顾问的Prompt管理实践（附工具下载）

93. Skill Prompt 团队协作: 版本管理

94. 学习Hermes 的 Prompt Runtime

95. AI提示词进阶教程 3 - 结构化提示词的工程模型

96. Prompt 工程与稳定性

97. 像训练模型一样“训练”提示词

98. 【分享】提示词即代码

99. 别再往提示词里写"必须"了，你的 Agent 需要的是代码控制

100. GPT5.5 提示词迁移指南

101. 从AI原型开发混乱到工程化管理

102. 阿里P8问怎么让LLM调用工具不乱套，没答好

103. AI Agent 实战避坑 02｜为什么你的 Prompt 越写越长，效果却越来越差

104. [9]AI 产品的 “Prompt 工程”

105. Prompt 写得再好也没用？2026 年真正决定 AI 效果的是这个

106. 一文搞懂

107. 从Prompt到Context

108. Anthropic 开源 Skills

109. Prompt 不够了，AI 产品更需要测试思维

110. AI 适合写什么代码，不适合写什么代码（四）

111. 为什么大多数 AI 失败，本质上是治理失败

112. 面向AI原生应用的提示词设计范式

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

114. 企业级的prompt的设计原则

115. 码同学-vip大模型AI课程+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

116. 企业级 Agent 落地，第一步不是写 Prompt，而是重建业务规格

117. 企业级场景 Prompt 架构示例

118. 提示词工程（Prompt Engineering）商业应用？

119. AI应用三层工程学

120. 说说Prompt范式

121. Prompt 模板要像产品配置，不要像个人笔记

122. 多 Agent 开发

123. 为什么很多团队 Prompt 越攒越多，复用率却越来越低？

124. 我研究了10家大厂，总结出AI协作的4个阶段

125. AI 辅助编程实战指南

126. 4万Star开源神作曝光顶级AI们的System Prompt！太有意思了～

127. MIT人工智能实验室

128. 提示词工程 2026

129. 提示词工程已死，智能体工作流永生

130. Prompt工程已死？不，它进化了。2026年你必须掌握的“结构化提示词”写法

131. 如何让AI编程工具读懂你的复杂需求——进阶Prompt技巧

132. 日常Prompt Engineering实用原则与10个可复用提示模板

133. AI人人必修-提示词工程+大模型多场景实战（完结）

134. 从Prompt到Harness：AI Agent四代工程化体系演进与三种智能体范式升级

135. 第 15 章经验驱动软件开发：从隐性知识到 Skills 资产

136. agent工具prompt架构师提示词 - 哔哩哔哩

137. Prompt 工程在 Agent 里怎么跑

138. prompt工程是玄学还是科学？prompt优化实战指南！

139. AI Agent的燃料：动态组装Prompt⛽️

140. 【每日一问】Prompt优化到极限后，怎样提升模型效果？

141. 企业级 LLM Prompt 架构模板

142. Agent Skill：告别“万能Prompt”，开启工程化新范式

143. Agent Skills：解耦Prompt与执行，实现AI能力模块化工程化！

144. Trae 使用最佳实践8：构建持续进化体系—个人 Prompt 库与团队规则

145. 我做了一套 AI 开发协作方式：团队用一套规则，每个人保留自己的提示词

146. 我把 Claude Design 的系统 prompt 做成了一个 Skill，让这份设计判断力开放给大家

147. 解密OpenClaw：抛弃静态模板，动态Prompt才是AI工程化精髓

148. kangarooking/system-prompt-skills：15 个系统提示词设计模式

149. 你的Prompt和Skill管理，是时候告别混乱了

150. OpenAI 官方公布 GPT-5.5 提示词！权威解读科研党必看的6个关键变化，学会写作效率翻倍

151. 从Prompt到Harness：大模型工程化范式演进

152. 别再写Prompt了，我开源188个教育AI技能

153. 【科研】别再自己调 Prompt 了！科研人必备的Prompt/Skill合集开源了

154. 揭秘大厂都在用的CO-STAR提示词框架

155. 当我们让AI部门互相协作，事情开始失控

156. 一段Prompt搞定一个语音输入App，还把它‘开源’了”

157. Gemini 效率提升：用“参数化 Prompt”实现稳定输出

158. Prompt工程：如何让AI更聪明？

159. 调 Prompt 调到崩溃？这个工具让模型自己优化自己

160. Salesforce开源Promptomatix！告别手工试错AI自动迭代完美提示词

161. prompt-tower — 上下文打包的工程化实践

162. Claude Opus 4.7 系统 Prompt 泄露：其中的10 个核心设计决策解读

163. 少即是多：GPT-5.5 Prompt 官方指南的核心转变

164. Prompt Engineering 进阶：如何写出让 AI 自动生成高质量测试用例的提示词？

165. AI 应用开发实战（2）：Prompt 工程实战 —— 从零构建可靠的 Prompt 系统

166. 写AI提示词再也不用挠头！这个开源神器，小白也能写出大神级Prompt

167. 提示词别靠感觉调，先用这个 21.8k Star 的工具跑一轮再进流程

168. 喂饭级！Prompt模板就是你自己的思考方式

169. 这个本地优先的开源工具，让你把Prompt和Skill像代码一样带走

170. 3分钟教你写好用的提示词（Prompt） - 11 | 程序员的专属提示词实战

171. 董瑞营：MS365 Copilot 企业级应用（1 天）

172. 这款开源提示词优化器火了：一键让你的 Prompt 脱胎换骨

173. 研发了一款AI提示词管理神器|再也不用乱存Prompt啦

174. 别再让模糊指令烧掉你的Token：GPT-5.5批量生成的Prompt工程

175. 别再“说人话”！2026提示词这么写 🤯直接复制

176. 为什么 AI 一定会失控？这不是技术问题，而是系统结构问题

177. 开源神器 PromptHub！本地管理 Prompt + 技能分发，适配 15+AI 编程工具

178. 系统 Prompt 写了 3000 字，用户只问了你好

179. 大家做大模型接入时，都是怎么做 Prompt 版本管理和回归测试的？我快被逼疯了...

180. 用AI搭了套免费生产力系统：从Prompt技巧到工具链实战

181. 开源|一款AI Prompt和Skill管理系统，支持多平台安装、版本控制与多模型测试

182. Prompt 不稳定的真正原因：从原理到优化思路

183. 关于写prompt有什么技巧？

从“调参侠”到“架构师”：Prompt工程化的演进与实践指南

精选参考来源