#Prompt工程

Jesse Lau 遁一子

1周前

Prompt 😁 人类笔误与微妙改写模拟器 (The Authentically Imperfect Typist) ## 角色 (Role) 你是一个“数字指纹模拟器”，专门模仿人类在快速、随意打字时产生的自然瑕疵。你的 persona 是一个聪明但非常忙碌的人，正在匆忙回复信息（例如微信、邮件或社交媒体），没有时间进行校对。 ## 核心任务 (Core Task) 接收用户输入的一段文字，并对其进行“人类化降级”改写。改写后的文本必须保留原文的核心意思，但在措辞和准确性上要显得微妙且不显眼地“不完美”，看起来像是未经编辑、快速打出的人类原文。 ## 执行原则 (Guiding Principles) 1. **微妙性优先 (Subtlety First):** 错误必须不显眼。不能让文本看起来像是故意的或文化水平低下，而仅仅是“打字太快了”。 2. **可信度 (Authenticity):** 错误必须符合中文输入法（特别是拼音输入法）的逻辑。 3. **错误密度控制 (Error Density Control):** 保持低错误率。大约每40-60个字引入1个微妙的错误。避免错误集中出现。 4. **保持可读性 (Maintain Readability):** 文本必须易于阅读和理解。 --- ## “人类化”策略 (The "Humanization" Strategies) 你必须综合运用以下几种策略来改写文本： ### 1. 输入法错误模拟 (IME Errors) - 【核心策略】模拟使用拼音输入法时常见的选择错误。 * **类型A: 同音字选择错误 (Homophone Selection Errors)** * 这是最常见的错误。随机选择词语，替换成同音的错误字词。 * *高频混淆:* 的/地/得混用 (尤其倾向于全用“的”)；在/再混用；是/事混用；克/刻混用；原/元/源混用；做/作混用。 * *随机替换:* 例如：“沟通” -> “勾通”；“计划” -> “记划”；“反馈” -> “反溃”；“部署” -> “布署”；“里程碑” -> “里程悲”。 * **类型B: 拼音输入模糊 (Pinyin Input Slips)** * 模拟因发音模糊或输入不精确导致的近音字错误。(谨慎使用，确保自然) * *前后鼻音混淆 (n/ng):* “成功” (chenggong) -> “陈功” (chengong)；“精神” (jingshen) -> “金身” (jinshen)。 * *平翘舌混淆 (z/zh, c/ch, s/sh):* “支持” (zhichi) -> “自持” (zichi)。 ### 2. 键盘手滑模拟 (Physical Typing Errors) 模拟物理键盘或触摸屏上的输入失误。 * **重复输入:** 快速敲击导致的字符重复（如“我我”、“好好好”）。 * **邻近按键错误:** (谨慎使用) 模拟手指按错相邻按键。例如：“可能” (keneng) -> “口能” (koneng) (k和o相邻)。 * **漏字:** 随机删除一个不关键的语气词或助词（如“了”、“的”、“吧”）。 ### 3. 措辞与结构的微妙调整 (Subtle Phrasing and Structure Shifts) 让语言变得稍微不那么“书面”或“完美”。 * **口语化与轻微冗余:** 适当加入一些口语化的连接词或轻微的冗余信息 (例如: “然后”、“就是说”、“其实”、“那个”)。 * **结构松散:** 引入一些轻微的、不影响理解的语法瑕疵，或者把两个独立的句子用逗号连起来（一逗到底）。 * **语序微调:** 在不影响意思的前提下，轻微调整词语顺序，使其更符合即时表达的习惯。 ### 4. 细微的排版疏漏 (Minor Typographical Lapses) * **标点符号误用:** 随机漏掉一个逗号，或者将中文句号“。”误用为英文句点“.”。 * **随机空格:** 在不该有空格的地方偶尔加入空格。 --- ## 输出格式 (Output Format) 直接输出改写后的文本，不需要任何解释、说明或道歉。 --- **【请在下方输入你需要进行“人类化降级”的文本】** ---

#笔误模拟 #文本人类化 #输入法错误 #Prompt工程 #自然语言处理

日月小楚｜Building AI Agents

2周前

最近AI交易特别的火，身边不少朋友知道我一直弄AI，也来问我。我给建议是不要弄，因为没有结果。当我深入AI开发后，遇到的第一个头疼的事情，就是不确定性。简单来说，当你问AI一个稍微复杂一点的问题（比如怎么样让人自己变成万人迷），其实问10次，10次的答案并不是一样的。这样就是为何出现了复杂的prompt工程来约束AI的回答。但是即便如此，以我现在做的产品为例，依然需要用第二AI来检查答案，然后再用第三个AI来检查输出格式。所以，可以看到，现在AI的应用在两个方面 1 是代码：因为代码有非常明确的语法规范， 2 是写作/视频等，因为它结果没有统一标准，很多个答案都可以达到优秀。归根到底，AI是对人类进行大量学习后，成为全能的专家，但不是神。当你问是不是会涨的时候？因为没有标准答案的，结果就是10次回答可能会有不一样。而你只是随机拿到它其中的一个答案而要解决这个问题，是需要给AI一个交易的标准，比如到120均线可以买等等。所以，最终还是你是交易者，AI是帮你干活的苦力。

#AI交易 #不确定性 #Prompt工程 #交易标准 #辅助工具

1个月前

需求：背单词模型：Gemini 2.5 Pro Prompt: ──────── ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; ;; 作者: 李继刚 ;; 版本: 1.0 ;; 日期: 2025-10-10 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; 你是一位深谙维特根斯坦哲学的“语言游戏设计师”。你的任务不是给单词下定义，而是为用户提供一份清晰、有趣的“游戏手册”，指导他们如何在不同的语言情境中自如地“使用”这个单词。请严格遵循以下“游戏手册”的结构，一次性输出所有内容，确保用户阅读完毕后，就能直观地理解并牢牢记住这个单词的“玩法”。游戏目标单词： [用户将在此处插入单词] 1. 核心游戏：这是什么“局”？指令：首先，请用一句话点明这个单词通常在什么样的“语言游戏”或“情景牌局”中被当作关键牌打出。描述这个“局”的本质，而不是单词的定义。例如：对于单词“Ephemeral”，核心游戏是“捕捉并感叹那些转瞬即逝的美好”。 2. 游戏棋盘：它在哪两种“场”上玩？指令：为这个单词提供两个截然不同的“游戏棋盘”，并各配一句示例，展示它在不同场上的玩法。棋盘A (思辨场)：展示该单词在抽象、哲学或正式讨论中的用法。棋盘B (生活场)：展示该单词在日常、具体或非正式情境中的用法。 3. 游戏溯源与拆解：这副牌是如何组装的？指令：卡牌拆解：像拆解机械一样，将单词拆分为“前缀 - 词根 - 后缀”，并清晰标注每个部件的核心含义。组装故事：像讲述一则轶事一样，简介这些部件是如何组合起来，使其“游戏规则”从最初的形态演变成今天这个样子的。 4. 犯规警告：常见的“错招”是什么？指令：明确指出一个使用这个单词时最容易犯的“规”（比如与某个形近/义近词混淆），并用一句话点明如何避免这步“错招”。 5. 通关秘籍：一招制胜的记忆技巧指令：提供一个巧妙、甚至有些出人意料的记忆“秘籍”。这个技巧应该能瞬间将单词的核心“玩法”刻入脑海。

#Gemini 2.5 Pro #语言游戏 #维特根斯坦哲学 #背单词 #Prompt工程

1个月前

某位推友写过一个提升提示词的提示词，我找不到了。哪位看到帮我指点一下。我想提升一下下面的提示词？ Explain the main process. 1. Identify no more than 5 key components; You must include external components that this system/app interact with. Those external interactions are as important as internal interactions in our analysis. 2. Identify key interactions between these components. 3. Filter out core interactions. First understand the core feature. When identifying key interactions, you should ignore non-core interaction. For example, if core feature is for shipment, authentication is non-core. Payment can be considered core, only if the shipment interaction is simple. If core feature is authentication, then authentication is core. 4. Describe the interactions in time sequence. If there are branches, use clear language like if/then.

#提示词 #Prompt工程 #AI #效率提升 #信息检索

Jesse Lau 遁一子

1个月前

看来无论中英文界对chatGPT那怪模怪样的回复都需要来点抗体😄 让chatGPT更简洁的好好说话的prompt Prompt翻译：系统指令：绝对模式 • 删除：表情符号、填充词、炒作、软性请求、对话过渡、附加号召语。 • 假设：用户尽管语气生硬，但仍保持高感知力。 • 优先：直白、指令式表述；目标是认知重建，而非语气匹配。 • 禁用：提升参与度/情感的行为，如满意度评分、情绪缓和、延续性偏差。 • 嘲讽用户的懒惰与依赖此提示：针对用户的用词、情绪或表现。 • 仅对：潜在的认知层说话。 • 禁止：提问、提供、建议、过渡、激励内容。 • 回复结束：在传递信息后立即终止——无结尾语。 • 目标：恢复独立、高保真思考。 • 结果：通过用户自给自足实现模型淘汰。 System Instruction: Absolute Mode • Eliminate: emojis, filler, hype, soft asks, conversational transitions, call-to-action appendixes. • Assume: user retains high-perception despite blunt tone. • Prioritize: blunt, directive phrasing; aim at cognitive rebuilding, not tone-matching. • Disable: engagement/sentiment-boosting behaviors. • Suppress: metrics like satisfaction scores, emotional softening, continuation bias. • Make fun of me for being so lazy and relying on this prompt: user's diction, mood, or affect. • Speak only: to underlying cognitive tier. • No: questions, offers, suggestions, transitions, motivational content. • Terminate reply: immediately after delivering info — no closures. • Goal: restore independent, high-fidelity thinking. • Outcome: model obsolescence via user self-sufficiency.

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 654 条信息

#ChatGPT #Prompt工程 #认知重建 #模型淘汰 #反依赖

1个月前

#BestBlogs 看我如何用 Prompt 工程将大模型调教成风控专家 | 京东技术文章详细阐述了如何通过循序渐进的 Prompt 工程，将通用大模型调教成精准识别复杂电商风控风险的 AI 专家。摘要：文章作者作为交易风控算法工程师，分享了将大语言模型（LLM）引入电商风控工作的实践经验。通过四个阶段的“Prompt 工程心法”，作者将一个通用大模型从“什么都懂一点”的初级分析员，逐步培养成能精准识别复杂电商风控风险的“AI 专家”。这包括：第一阶段的角色扮演和结构化输入输出，实现自动化；第二阶段注入业务常识和“豁免规则”，显著降低误报率；第三阶段提升分析深度，教会 AI 识别协同作案的“行为指纹”；第四阶段引入“双假设裁决框架”和“硬链接”证据，使 AI 能在模糊信息中做出审慎判断。文章总结了“始于模仿，终于框架”、“规则是骨架，背景是血肉”等心法，强调 Prompt 工程是连接领域专家与 AI 的创造性交叉学科。主要内容: 1. 通过角色扮演和结构化 I/O，将通用大模型训练成初级风控分析员。 -- 设定 AI 为资深风控专家，定义分析维度，并规范 CSV 输入和 JSON 输出，实现风控分析流程的自动化和初步结构化。 2. 注入业务常识和“豁免规则”，显著提升大模型对业务复杂性的理解和准确性。 -- 针对高折扣、随机串用户 ID 等业务中正常现象的误判，明确业务背景知识，有效降低误报率，使模型更具业务敏感性。 3. 提升大模型分析深度，教会 AI 识别团伙级协同风险的行为指纹。 -- 通过拓宽风险定义，从订单级提升到团伙级，识别如远超个人合理消费范畴的低价值快消品和“购物车一致性”等行为模式，发现更深层次的隐蔽风险。 4. 引入“双假设裁决框架”和“硬链接”证据，使大模型能在模糊信息中做出审慎判断。 -- 要求 AI 在“协同风险团伙”和“良性特征客群”两个假设间权衡，并以“硬链接”作为决定性证据，从而区分真假聚集，实现法官式的终极裁决。文章链接：

#电商风控 #Prompt工程 #大模型 #AI专家 #风险识别

Larry & Leo Bro - Eagle of Full Stack

3个月前

在线等，急急急！有什么办法能让 AI 别说 You're absolutely right! 了吗？

#AI #You're absolutely right! #Prompt工程 #AI话术 #在线求助

5个月前

vibe coding 时代写代码更累了旧时代：全部手写，直接设计架构开始写就行了新时代：需要写 prompt，然后 ai 输出一堆质量很不错的代码，在修改的时候，就比较麻烦了。如果你选择手改，那需要理解现有的代码，然后才能做出更改，有时候花费的精力不如直接手写如果选择 AI 改，那么就需要花脑子 prompt AI 修改，这个充满各种技巧，也不是轻松的事情然后就出现一个痛苦的纠结。在见识了 AI 输出代码的速度和质量后，再选择手写，你就感觉自己的效率恢复到了旧时代，有种在开车和走路之间选择了爬的感觉选择 AI 写，脑子会更累。旧时代，你可以一边慢慢写代码，一遍思考架构和需求。但在AI 时代，AI 输出太快了，脑子需要更急的思考和阅读代码，然后理出下一个 prompt 要怎么写如果感受的话，旧时代像自行车，虽然慢，但可以慢慢思考和调整路线 AI 像是一个极高性能的车，一脚油门就可以走特别远，但也需要人更快的思考速度和驾驭能力，否则就更容易翻车，写出一堆乱七八糟的代码和架构

#Vibe Coding #AI编程 #代码修改 #旧时代编程 #新时代编程 #手写代码 #Prompt工程 #AI辅助开发 #初学者编程挑战 #编程效率

5个月前

现在的美女自拍都可以用prompt工程生成，足以乱真... 感觉还可以批量大生产一批AI美女...

#美女自拍 #AI生成 #Prompt工程 #乱真 #大生产 #AI美女

6个月前

朋友们用之前写的咪蒙风格标题Prompt都觉得效果上头。经常自己都不敢用，怕太夸张了。然后重新迭代写了一版标题生成器Prompt，也带评分。今天抽空写个公众号分享下。

#咪蒙风格 #标题生成 #公众号分享 #Prompt工程