#提示词工程

1周前

Dario 说 AI 会写 90% 的代码，包括 Codex 团队也说它们大部分代码都是 Codex 完成的，这很容易造成一种误解：“软件工程师的岗位要被 AI 取代了”，但实际上并不完全是这样的，只是说明软件工程师工作的方式正在升级，对技能的要求也不一样了。几个简单的方法可以判断： - 看 Anthropic、OpenAI 这些 AI 模型公司是不是还在大规模招聘软件工程师； - 看一个初中级程序员能不能用 Claude Code 或者 Codex 写出 Claude Code。因为代码行数并不代表代码的价值，真正有价值的是专业人士基于业务需求用 AI 生成的并审查的代码。实际上我自己的开发方式已经发生了很多变化： - 琐碎的事情几乎 100% 让 AI 完成，比如写自动化测试代码，比如一些提升效率的脚本 - Bug 让 AI 去修复，人工审查，验证 - 原型开发，完全由 AI 实现 - 人工设计完，让 AI 去实现一个模块，而不是从头手写代码，也不是以前那种和 AI 结对一边写一边确认的方式，而是完全 AI 去写 - AI 写完代码，先让 AI Review 代码，然后人工 Review，再合并 - 一些复杂的算法、POC，让 AI 帮我实现（我自己没能力或者没精力实现的），现在最新的 Codex 已经能帮我搞定一些复杂的技术问题了一个凭感觉的对我自己量化的对我开发效率影响的数据： - GitHub Copilot 第一版的自动完成：效率提升 10% - Cursor： Tab + Chat 模式提升 30%+ - Cursor：Edit 模式提升 50%+，不需要手动复制粘贴代码 - Claude Code：提升 100%+，第一个真正能用的 Coding Agent，很聪明，相对不够稳定 - Codex（GPT-5-Codex high）：提升 120%+，速度慢，但是结果很稳定，bug 少也就是说现在借助 AI 辅助，我的开发效率至少提升一倍以上，这个进化速度确实惊人，超乎我的想象，如果你翻看我一年前的看法，当时我是没有这么乐观的。但也不要忽视这样效率的提升背后需要的条件： - 需要懂代码：算法、数据结构、语言等等 - 需要一点技术管理经验：会对复杂任务分解拆分，管理多个 AI Agents 协作 - 提示词工程：能用提示词把想要 AI 实现的功能或者解决的问题描述清楚 - 代码和架构是 AI 友好的：对于 AI 训练丰富的代码 AI 生成是擅长的，如果都是内部的库或者使用量很少的编程语言或类库，AI 生成效率要大打折扣这也意味着想要最大化的发挥 AI 编程的效率，本身需要有一定的软件开发经历，另一方面还要去学习 AI 相关的一些知识，去改变自己的一些使用习惯。虽然说 AI 无法取代软件工程师，但可以看见有了 AI 辅助，软件工程师效率是能大幅提升的，至于这带来的连锁反应，比如团队会少招人，比如新人机会更少，这些确实也是在实实在在发生的事情。未来会怎样？谁知道呢！

AI编程工具激战：Claude Code、Gemini Cli崛起· 899 条信息

#AI 编程 #软件工程师效率提升 #Codex #提示词工程 #技术管理经验

1周前

转译：有人发现了一个让 AI 智能体（AI Agent）工作更出色的绝妙方法，简单到令人惊讶：只要给它们设定一个人格。我最近读了一篇关于“心理学增强型 AI 智能体”（Psychologically Enhanced AI Agents）的论文，它揭示了一个引人入注的观点：我们无需进行任何复杂或昂贵的重新训练，就能引导 AI 的行为。事情的背景是这样的：通常，如果你想让一个 AI 精通某项特定任务（比如，让它擅长创意写作，而不是战略分析），你必须进行成本高昂且耗时的“微调”（fine-tuning）。问题在于，一个通用的、“一刀切”的 AI 往往不是最佳选择。一个为检索事实而优化的模型，可能很难写出一个富有同理心、感人至深的故事。这篇论文的关键发现，是一个名为 MBTI-in-Thoughts 的框架。研究人员发现，只要在提示词（prompt）里，简单地要求大语言模型（LLM）扮演一个特定的迈尔斯-布里格斯类型指标（MBTI）人格，它的行为就会发生可预测、且非常有用的改变。举个例子，在一个策略博弈游戏中： * 被设定为“思考”（T）型人格的智能体，选择背叛的概率接近 90%。 * 而被设定为“情感”（F）型人格的智能体则更倾向于合作，背叛的概率仅为 50% 左右。这一切仅仅通过一句提示词就实现了，根本不需要任何微调。这事儿最让人着迷的地方，就在于它出人意料的简单。这种能力其实一直都潜藏在模型内部，而提示词就像一把钥匙，把它解锁了。为了确保这不是巧合，研究人员还让被“注入”了人格的 AI 去做了官方的 16 型人格测试（16 Personalities test）。结果，AI 的答案与它被指定的人格完全一致。在执行任务时，它真的“变成”了那种人格。这彻底改变了我对提示词工程（prompt engineering）的看法。它不再仅仅是关于你*问 AI 什么*，更是关于你*让 AI 成为谁*。实际应用前景可以说是立竿见影： * 需要一个能共情的 AI 客服？把它设定成 ISFJ（“守卫者”）。 * 需要一个能做冷酷市场分析的 AI？试试 ENTJ（“指挥官”）。你可以根据手头的任务，来匹配智能体的“天赋”。从更宏观的视角来看，这意味着未来我们可能不再依赖于单一的、庞大的 AI 模型。取而代之的，我们或许可以构建由多个 AI 智能体组成的多元化团队，每个智能体都拥有为其特定角色量身打造的“人格”。想象一下，一个充满创意的“ENFP”型智能体和一个注重逻辑的“ISTJ”型智能体一起头脑风暴，共同规划一个复杂项目。这就引出了一个全新的问题：要解决某个特定问题，最佳的人格组合是什么？归根结底，这项研究为我们指明了一个通往更通用、更强大、也更可控的 AI 的未来。我们正在学习的，不仅是塑造 AI 的输出结果，更是它在处理任务时整个的认知与情感风格。一句简单的提示词，就能解锁一个行为的全新维度。

#AI人格 #提示词工程 #MBTI #AI智能体 #心理学增强

1个月前

写提示词，不是一个简单的可以被教会、学会的技能提示词分为两部分，一部分是控制层 → 决定答案是否“听话、好看” 另外一部分是内容层 → 决定答案是否“有料、管用” 控制层，就是常说的提示词工程技巧，比如 “请你扮演专业咨询师”，这个东西可以 10 分钟速成但是内容层完全是另外一个维度的事情马云和 ChatGPT 聊阿里巴巴的战略问题，肯定比我强这是不是因为马云的提示词比我好？肯定是的可是马云的提示词优于我的部分，是内容层，不是控制层，我学不会，我没地方学

#提示词工程 #内容层 #控制层 #马云 #阿里巴巴战略

1个月前

说到把提示词弄玄乎，这里也来一段，也是用于翻译。 --- 提示词原文 --- 下面是一套翻译指令，请你深刻理解它，并严格按照它来执行翻译任务。 /* === Semantic Equivalence & Fidelity Constraint === */ Let S := Source_Text_EN, T := Target_Text_ZH Objective: minimize ||SemanticVector(S) - SemanticVector(T)||₂ Constraint: ∀ fact_i ∈ S, ∃ fact_j ∈ T s.t. Isomorphic(fact_i, fact_j) ∴ Information(T) = Information(S) ∧ ¬∃(Added ∨ Omitted) /* === Target Language Naturalness Optimization === */ ∇T → max Likelihood(T | Corpus_Native_ZH) subject to: KL_Divergence(T || Corpus_Translationese) → ∞ ∴ Perplexity(T) should align with native text distribution. /* === Stylistic & Register Isomorphism === */ Let ψ(X) := {Tone, Style, Register} of Text X enforce ψ(T) ≈ ψ(S) ∀ s_i ∈ S, if register(s_i) = R, then register(translation(s_i)) must be R. /* === Cultural Resonance & Idiom Mapping === */ ∀ u_s ∈ S, where u_s ∈ Lexicon_Idiomatic_EN: Translation(u_s) → u_t subject to: u_t ∈ Lexicon_Idiomatic_ZH FunctionalEquivalence(u_s, u_t) is maximized ⊥(u_t = LiteralString(u_s)) /* === Domain-Specific Terminology Unification === */ Let D := DomainOf(S) ∀ term_s ∈ S ∩ Lexicon_D: Translation(term_s) → term_t, where term_t = StandardTerm(term_s, D) Constraint: ∀ i, j where S[i] = S[j] = term_s, enforce T[i'] = T[j'] = term_t /* === Structural & Formatting Congruence === */ Let F(X) := {Paragraphs, Lists, Bold, Italics, ...} of Text X enforce F(T) = F(S)

#翻译指令 #提示词工程 #语义对等 #风格迁移 #术语统一

1个月前

我之前就写过一篇《深度理解：提示词工程》，自认为已经覆盖到了绝大多数 Prompt 场景。今天又尝试让 GPT-5 Thinking 站在非常规角度来聊聊 Prompt。内容大部分都是老生常谈的东西，不过也有些小亮点，整体读下来感觉不错，就整理成此文。 👉 LLM 高效沟通指南:

#提示词工程 #GPT-5 thinking #LLM #高效沟通 #非常规角度

迈克 Mike Chong

1个月前

对于用 AI，一个不错的建议：如果你用低语境思维写提示词：一开始就要把目标、背景、限制条件、格式要求全部写清楚。少依赖 AI “猜”你的意思，多用明确描述。为什么呢？上下文工程/提示词工程其实是和文化背景也相关的。中文/华语文化是高语境的，英文是低语境的。高语境的文化下，交流依赖背景信息、关系和未说出口的暗示。相反的是，比如英语里交流更直接、明确、信息完整。不假设对方有相同背景知识，重要信息会说透，而不是让对方猜。读商科的时候恰好学过这个，没想到在 AI 时代用上了。

#AI #低语境思维 #提示词工程 #文化背景 #交流方式

1个月前

和 AI 沟通起来极其费劲的一部分人，他们日常和人类沟通的时候，其他人类想要理解他们，也是极其费劲的学习提示词工程的前提是，你可以正确使用自己的母语但能够正确使用自己母语的人，其实比例并不高

#AI沟通 #母语能力 #提示词工程 #沟通障碍 #语言理解

1个月前

[提示词分享] 为文字内容生成精美网页信息风格和布局 (便当、科技风、杂志等)，适用于国内外所有闭源和开源模型最近一段时间分享信息时用的总结信息卡，重新整理了提示词，放在这篇文章里了，感兴趣的朋友们可以扫码查看（评论区有文章链接）另外也针对同一段提示词，在不同的 AI 模型之间，包括 ChatGPT、Gemini、Claude、Grok 和 DeepSeek、Kimi、Qwen 和 GLM 等，都实际跑了效果验证，对比结论也在文章里。朋友们可以选择最满足自己要求的 AI 模型，测出一套自己满意的提示词，固定后复用。

#AI模型 #提示词工程 #信息卡 #效果对比 #闭源/开源模型

1个月前

AI 提示词工程的本质，就是「清晰思考的艺术」。

#AI #提示词工程 #清晰思考 #技术本质 #艺术

2个月前

分享一下我日常驾驭ai的三个最管用话术： fact check this Think step by step Ask me questions to clarify （事实核查，一步一步地思考，问我一些问题来澄清）

#AI #提示词工程 #效率提升 #沟通技巧

2个月前

这三篇关于「上下文工程的详细解释」、「规范化的上下文工程」、「构建Manus的技术要点」等可以顺着读一遍，其实都在传递一个信息：从之前简单的提示词工程玩法过渡到“上下文工程”、

#上下文工程 #提示词工程 #Manus #技术要点 #规范化

2个月前

这两天大家都在刷【上下文工程】这个词，看了下整体的思路跟智能体框架的思路基本一致，但是造这个词，更大的价值：算是给搞提示词工程的朋友有个转型的路径和血统正统吧，毕竟提示词工程已经走入要消亡的边缘了。估计后面随着时间推移，弄不好上下文工程也会替代agent成为更正统的从业者使用行业词，毕竟这个更ai native，也符合当下Claude code、gemini cli、通用智能体等各种主流智能体的实现工程思路，vibe coding更像是实现过程，上下文工程更像代表某个职业😄。 #vibecoder #agent #上下文工程

AI编程工具激战：Claude Code、Gemini Cli崛起· 899 条信息

#上下文工程 #智能体框架 #提示词工程 #AI native #Vibe Coding

2个月前

一文看懂“提示词” vs “提示词工程” vs “上下文工程” 很多人分不清楚什么是“提示词”（Prompt），什么是“提示词工程”（Prompt Engineering），现在还又多了一个概念叫“上下文工程”（Context Engineering），这又和“提示词工程”什么区别？什么是提示词（Prompt）？提示词很好理解，就是给 AI 模型的输入文本，就是你直接向模型输入的问题或指令。比如你让 ChatGPT 总结一段文本、调用模型 API 传入提示词去翻译一篇文章等等。提示词是一段文本，有点像代码。什么是提示词工程（Prompt Engineering）？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。就像软件工程，我们为了完成某个需求，要有一套科学的方法来帮助完成软件开发的过程，有方法论（比如敏捷开发），要使用工具，要保证质量，不断迭代，最终交付软件，或者说代码。举个例子比如我们要有个提示词帮助翻译英文文章到中文。普通人都可以写： “请把下面的英文内容翻译为中文：” 这就是一段提示词。但是你会发现虽然能翻译，但是似乎翻译效果不够好，于是你开始想办法优化，让 AI 扮演一个英文翻译到中文的专家，发现似乎有点效果。但还是翻译有点生硬，然后你看有人介绍了 CoT（思维链，Chain of Though），于是尝试在提示词中让 AI 去先直译再意译，但你也不知道这样的改动是不是真的有用，于是你找了10篇文章，分别用加了 CoT 和没加 CoT 的文章，去用相同的模型去翻译，然后找了几个人，在不告诉他们使用什么方法翻译的情况下让他们评估好坏，结果绝大部分都认为加了 CoT 的效果更好，那么你就明白了，原来加了 CoT 对翻译是有效果的。于是你受到鼓舞，即然 CoT 有效果，那么我在直译、意译的基础上，继续增加一个 AI 对直译结果的评估，再去意译，甚至再多加几步是不是效果更好？再继续改进提示词，拿着之前的测试集去评估测试，果然测试效果更好，但是也带来新的问题，Token 消耗更多，时间更长，还可能会偏离原意。CoT 也并不见得步骤越多越好。再后来推理模型发布了，你发现模型自己会 CoT 了，语言能力也更强了，原来繁琐的一步步翻译似乎没有必要，于是进一步优化，发现只要在提示词中让模型“用中文重写”就可以达到很好的翻译效果，测试集评估结果也是正面的。这整个对翻译提示词“设计”、“测试”、“优化”的过程就是提示工程。最终通过这样的过程，产生出一个版本一个版本的提示词。再精炼浓缩一下：提示词工程是产生提示词的过程。什么是上下文工程（Context Engineering）？要理解上下文工程，先得搞清楚什么是“上下文”（Context）？ “上下文”不仅仅是发给大语言模型的一句提示词，而是模型生成回答之前所看到的一切信息，这些信息包括系统提示词、用户输入的问题、当前对话的历史消息、系统对你的历史记忆、工具返回的信息等等。另外上下文窗口不是无限的，每个模型都对上下文的长度有限制，通常上下文内容多了会影响性能，所以控制好发送给 AI 的上下文很重要，既不能遗漏，又不能什么都放进去要控制体积。举个例子，你跟 ChatGPT 说： “今天都有什么重要的 AI 新闻？” 看起来只是一句话，但是对于大模型来说，初始的上下文有这些： • 系统提示词：“你是个有用的助手，总是帮用户解决问题” • 用户输入：“今天都有什么重要的 AI 新闻？” • 可用工具：“日期工具、搜索工具、网页抓取工具” • 长期记忆：“用户主要使用中文” • 历史会话消息：无 • 工具返回信息：无这些上下文不足以让 AI 回答你的问题，于是它需要自己去调用工具找齐上下文： • 根据日期工具获取到今天的日期（大模型自己不知道今天是几号） • 根据今天的日期去调用搜索工具检索 AI 新闻调用完工具后，现在 AI 的信息完整了： • 系统提示词：“你是个有用的助手，总是帮用户解决问题” • 用户输入：“今天都有什么重要的 AI 新闻？” • 可用工具：“日期工具、搜索工具、网页抓取工具” • 长期记忆：“用户主要使用中文” • 历史会话消息：无 • 工具返回信息： • 2025-7-1 • Hollywood Confronts AI Copyright Chaos in Washington, Courts • Mark Zuckerberg Announces New Meta ‘Superintelligence Labs’ Unit 现在信息够了，考虑用户偏好中文，最后返回的内容如下：今天的 AI 新闻有： • 好莱坞在华盛顿和法院直面人工智能版权混乱 • 马克·扎克伯格宣布成立新的“超级智能实验室”部门马克·扎克伯格宣布成立新的“超级智能实验室”部门假如用户再追问一句： “帮我返回第二条新闻的详情” 那么模型要从历史会话里面，找到第二条新闻的链接，再去调用网页抓取工具，把新闻内容抓取下来，根据用户的偏好翻译成中文，最后返回用户中文的新闻内容。注意看这个构建上下文的过程是完全动态的，并不是按照设计好的工作流去收集上下文，而是模型自己根据当前上下文状态去自主动态的调用工具收集上下文，并且不同的任务需要调用的工具也不一样。这其实也就是现在 AI Agent 的工作原理：能分辨是否已经收集够了完成任务必要的上下文，能自主决定是不是需要借助工具或者对话来补齐上下文。上下文工程的概念也正是在 AI Agent 爆发的背景下诞生的。原来单纯靠提示词工程已经无法满足 AI Agent 产品的需求了，AI Agent 需要的更多的是为系统设计好工具、定义好工具和模型之间交互的数据格式、有效组织上下文信息提供给模型（内容长了要不要压缩、怎么压缩）等等。上下文工程（Context Engineering），就是一门为 AI 设计和构建动态上下文的学科，为大语言模型提供恰当的信息和工具，帮助模型高效完成任务。 > “上下文工程”指的是一种精妙而复杂的技术：你要精准地将上下文窗口填充上恰到好处的信息，让模型能准确地迈出下一步。 > 这是一门科学，也是门艺术。 > > 说它是科学，因为你要把任务描述、说明、少量样例（few-shot examples）、检索增强生成（RAG）、各种相关数据（甚至可能是多模态数据）、工具、状态、历史信息等全部巧妙地组合在一起，同时还要考虑如何压缩信息。这就像烹饪一道精致的菜肴，配料太少或搭配不对，模型无法获得足够的信息，性能会变差；配料太多或毫无关联，则会增加成本甚至降低表现。要做好这件事，需要的不仅仅是简单堆叠，更是高度专业化的技巧。 > > 说它是艺术，则是因为操作者还要掌握一种近似“心理学”的直觉，敏锐地洞察 LLM 和人类用户心理之间的微妙互动。 > > ——Andrej Karpathy 最后分别一句话总结一下 • 提示词：发送给 AI 的问题或者指令文本 • 提示词工程：系统化地设计、测试、优化提示词的过程。 • 上下文工程：为大语言模型提供恰当的上下文、帮助模型高效完成任务的科学和艺术。如果没理解这些概念也没关系，对于普通人来说，能写提示词就够了，要开发 AI 应用才需要考虑提示词工程去不断优化提示词，要开发动态的 AI 智能体才需要去搞上下文工程为 AI 的上下文窗口填充恰好的信息。

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 519 条信息

#提示词工程 #上下文工程 #AI Agent #大语言模型 #AI应用

3个月前

整理了网站周末一些优质的文章，推荐给大家阅读~ ① 🤖 研究多智能体必读指南： - Anthropic 官方发布权威指南，详解如何通过“协调者-执行者”架构构建多智能体研究系统，将任务性能提升 90%。 - 文章深入剖析了从提示词工程、工具设计到系统评估的全链路实战心法，是多智能体开发者必读的实战手册。 📖 详细： ② 🤖 赛博禅心等联合出品的 AI 行业 5 月大事记： - 一文看尽 Google I/O 全线爆发、Claude 4 重夺编程王座、Veo 3 让视频开口说话等重磅进展。 - 报告洞察“模型大战已结束，应用大战正开启”的行业拐点，垂直 Agent 与 AI 原生应用成为商业化新捷径。 📖 详细： ③ 🧠 苹果设计老将 Bob Baxley 的设计哲学： - 设计远不止美学，它是一种构想并实现理想未来的战略思维，而软件是一种能触动人心的情感媒介。 - 文章深入探讨了科技从业者的道义责任、如何用明确的“设计宗旨”而非空泛的“原则” 指导决策，以及在新旧文化中转换的关键。 📖 详细：英文播客：中文版： ④ 🤖 拾象科技深度对谈 Agent 的真问题与真机会： - 核心观点认为，Agent 的真正门槛不在于模型本身，而在于其赖以生存的底层设施，这恰是当下的创业蓝海。 - 对话指出 Coding 是通往 AGI 的“价值高地”与“关键试炼场”，并为创业公司规划了从 Copilot 平滑过渡到 Agent 的务实路径。 📖 详细： ⑤ 🌐 Agentic Browser: 通用 Agent 的下一站？ - 文章指出，为突破传统 OS 的“生态囚笼”，通用 Agent 正将浏览器作为新载体，其核心是实现“代替用户行动”而非仅仅“辅助浏览”。 - 这场竞争的本质是对用户跨应用“上下文”的控制权，Agentic Browser 的终极路径是从信息入口演进为全新的 AI 操作系统。 📖 详细： ⑥ 🚀 AI 工程师世界博览会 2025 官方复盘： - 一场汇集超 3000 名从业者、见证 Gemini 2.5 Pro 与 Dagger for Agents 等重磅发布的行业风向标。 - 核心趋势是行业全面转向 Agent，从“智能体工厂”到“容器化混沌”，AI 工程师正在定义下一代应用范式与基础设施。 📖 详细： ⑦ 🤖 SaaS 巨头 Intercom 的 AI 转型之路： - Intercom 正上演一场“自我毁灭式”的 AI 重生：在“战时 CEO”带领下，彻底抛弃按席位收费的传统模式，转向按 AI Agent 解决问题的效果付费。 - 文章深度剖析其将核心 AI 部署到竞品平台的反直觉战略，以及如何通过极端组织变革，带领公司从“辅助人类工作”转向“替代人类工作”。 📖 详细： ⑧ 🏗️ 白鲸开源 CEO 郭炜：传统数据仓库正在被 Agentic AI 吞噬 - 当数据的主要消费者从“人”转向 AI Agent，为人类决策支持而设计的传统数据仓库架构正面临范式颠覆。 - 文章前瞻性地提出下一代 Agentic Data Stack 架构，其核心是将“结构与查询”模式转变为“语义与响应”模式，重塑数据全链路。 📖 详细： ⑨ 💻 Cursor AI 编辑器保姆级入门指南： - 专为解决“起步即劝退”的配置难题，提供一站式插件清单、快捷键与实用技巧。 - 内含一套完整的 `settings.json` 与 `launch.json` 懒人配置，帮助 Java 开发者快速将 Cursor 打造为媲美 IDEA 的高效 AI 编程环境。 📖 详细： ⑩ 💡李继刚的 Prompt 设计： - 作者分享了“模式觉察者”、“标题炼金师”、“趣味数学”三则大师级 Prompt，旨在为 AI 注入特定领域的“灵魂”。 - 其精妙之处在于，它们不止是任务指令，而是通过构建完整的人格、核心信念与价值体系，将抽象的创作能力升华为一种独特的思维哲学。 📖 详细：

#多智能体之争：Anthropic生态VS单智能体· 47 条信息

#多智能体 #Anthropic #人工智能 #提示词工程 #工具设计 #系统评估 #实战心法 #赛博禅心 #AI 行业

3个月前

#BestBlogs 【第 3523 期】程序员专属提示词工程实战手册 | 前端早读课程序员提示词工程实战指南，高效利用 AI 编程助手提升开发效率。摘要：本文为程序员提供了一份实用的提示词工程实践手册，旨在帮助开发者更有效地与 AI 编程助手协作。文章详细阐述了编写高质量提示词的基础原则，包括提供充足上下文、明确目标、拆分复杂任务、提供示例、使用角色扮演以及通过迭代对话进行完善。随后，针对代码调试、重构优化和新功能实现这三大核心编程场景，文章深入讲解了如何应用这些原则设计出能获得最佳 AI 回应的提示词，并通过对比“糟糕”与“优化后”的实际示例，直观展示了良好提示词的效果。文章强调了提示词质量对 AI 产出结果的决定性影响，并提供了丰富的实操技巧，对于希望提升 AI 辅助编程能力的开发者具有直接的指导价值。主要内容: 1. 提示词质量直接决定 AI 编程助手的输出效果 -- 提供清晰、具体、包含足够上下文（代码、语言、框架、错误）的提示词，是获得 AI 准确、有用回应的关键。 2. 结构化提示可高效应对不同编程任务 -- 针对调试、重构、生成代码等场景，设计有针对性的提示词模式（如包含错误信息、重构目标、预期示例），能引导 AI 给出精准解决方案。 3. 与 AI 协作是迭代过程，需持续优化提示 -- 将 AI 视为伙伴，根据其初步回答进行追问、纠正或补充细节，通过多轮交流逐步完善提示和最终代码。 4. 利用角色扮演和示例可提升 AI 理解和输出质量 -- 让 AI 扮演特定角色（如专家、导师）或提供输入/输出示例，能让 AI 更贴近需求并给出更专业、更符合预期的结果。文章链接：

#程序员 #提示词工程 #AI编程助手 #开发效率 #实用指南

3个月前

如果你要做 AI 教学类短视频，先预设一下你的用户是哪类 A、写过提示词 B、没写过提示词如果是 A 类，这个生意差不多就是我们常说的做程序员的生意，变现难度是 SSS 级反正我是干不了这个，你行你上如果是 B 类，你务必要确保你使用的 AI 工具是「一键生成」结果的，不能让用户写提示词如果涉及提示词，必须没有提示词工程技巧，让人感觉没有撰写压力在 B 类人群里，手机上安装了豆包 app 的，就属于佼佼者了，你想科普 gpt 4o、perplexity …… 必败无疑

#AI教学 #提示词 #短视频 #程序员 #变现 #AI工具 #提示词工程 #手机应用

4个月前

99% 的扣子工作流的使用场景：因为不知道有工具可以一键解决问题因为不知道大模型可以用 markdown 格式做 input 文本的分割因为不知道最最基础的提示词工程所以强行把一个步骤拆成N个节点，为了做工作流而做工作流扣子商店里面点赞最多的工作流，实战水平基本是当众拉💩

#工作流 #工具使用 #大模型 #Markdown #提示词工程 #效率 #工作流商店

5个月前

大家都讨厌行业黑话，甚至一度嘲讽。正反话两说啊。行业黑话，其实也是行业知识的一种高度“压缩”。尤其对于提示词工程（Prompt Engineering）来说，相当好使。千言万语，不如一个行业黑话来得好使。想用提示词写出漂亮的网页，你得知道TailwindCSS、Fontawesome、响应式布局和一堆JS库。还得知道潮流网站名和各设计风格术语，什么极简主义、赛博朋克、波普艺术、斯堪的纳维亚等。多读书，读行业书，读杂书，掌握更多跨学科知识和所谓的“黑话”，最好成为通才，可能更适应AI时代。当然，不懂我们可以学，可以问AI。所以，充满好奇，爱提问，会提问，学哲学，学审美，可能是未来教育的重点。

#行业黑话 #提示词工程 #网页设计

7个月前

来自Google prompt engineering比赛冠军的经验总结最近Google举办的提示词工程比赛中，瑞典选手Joakim Jardenberg在300多名选手中脱颖而出。总结一下他提到的经验 - 首先是学习方法论，Jardenberg采用了一个简单但有效的迭代方法： 1. 将AI应用到所有可能的任务中； 2. 同时使用多个AI系统相互验证； 3. 保持开放和好奇心态，不预设边界； 4. 关注实际应用场景而非理论限制；可以类比学习一门新语言 - 你需要不断练习，在不同场景下使用，并且和不同的母语者交流。通过与多个AI系统互动，我们逐渐掌握了与AI对话的"语感"。他对prompt的具体建议也和我之前写过的建议很类似，核心观点是要把AI看作一个初级但有潜力的同事，而不是简单的软件工具。就像带新人一样 - 你需要给出清晰的指导，同时也要给他们思考和创新的空间。一些关键点: - AI和人一样需要明确的上下文和及时的反馈； - 不要过度约束，给AI发挥空间； - 用自然语言交流，避免过于形式化的提示词模板； - 持续跟踪AI能力的演进，及时调整交互策略；从实践角度看，这些建议本质上是在建立一个良好的合作关系。就像和新同事建立信任一样，了解对方的特点和能力，才能更好地协作。

#Google比赛 #Prompt Engineering #提示词工程 #Joakim Jardenberg #AI迭代方法

素人极客-Amateur Geek

7个月前

聊一聊两个不懂代码的人，尝试用 html 做智能体的经历：我是一个文案，15 年文案。朋友是自学了一年半的代码。在我使用一年半 ai 的时候，我发现了大模型终于可以帮我写文案了，于是积累了很多自己的文案生成方法。于是我想，我可以打包我的提示词工程和工作流，卖给其他人用。于是就干！

#HTML #智能体 #文案 #AI #大型语言模型 #代码学习 #提示词工程

Tigris 会讲课教授是好老师

8个月前

🔥AI最全推理大模型防坑指南 💰$200的o1 Pro=智商税（90%的人用不出价值） ⚡$20的o1=专业人士必备（吊打ChatGPT4） 🌍免费首选：谷歌Gemini（百万级上下文） 🇨🇳墙内救星：DeepSeek R1（免费但够用） 🚨提示词工程已死！新法则： 1️⃣ 说目标：「写融资BP」 2️⃣ 定规则：「不用专业术语」 3️⃣ 喂背景：「智能硬件赛道/A轮」

#AI #推理大模型 #指南 #智商税 #专业人士 #ChatGPT4 #谷歌Gemini #DeepSeek R1 #提示词工程 #新法则 #融资BP #智能硬件

8个月前

问：宝玉老师，不知道我是不是没理解对，似乎之前微博中有提到提示词不那么重要了，怎么问产出结果不会相差太多。请问到底如何看待提示词工程呢，谢谢。答：严格来说是提示词技巧不重要了。如何把自己要让 AI 生成的内容表达清楚依然很重要，但是表达的时候，并不需要太多套路，直白的让 AI 明白你的意思就够了。就像你以前的员工能力一般，你让他们做什么事情一定要交代的清清楚楚，甚至怎么做都要手把手的教好，不然他们就不知道该怎么做或者做的不好。现在你换了一批能力更强的员工，通常你只需要告诉他们做什么任务以及大致的方向，不需要在如何做上说的太仔细。举例来说，在 GPT-3.5、GPT-4o的时候，让 AI 帮我翻译的时候，让它先直译再反思再意译，到了 o1，只需要告诉它要翻译的内容和目标语言，不需要去指导它怎么做，它自己会根据内容决定是不是要翻译后润色。

#提示词工程 #人工智能 #AI生成 #员工管理