#提示词工程

16小时前

Claude 最新博客：提示词工程最佳实践 🧠 核心技术 1. 明确清晰现代 AI 模型对清晰明确的指令响应特别好。不要假设模型会推断你的意图——直接说出来。举例：创建分析仪表板 · 模糊："创建一个分析仪表板" · 明确："创建一个分析仪表板。包含尽可能多的相关功能和交互。超越基础，创建一个功能完整的实现。" 2. 提供上下文和动机解释为什么某事重要，帮助 AI 更好理解你的目标。举例：格式偏好 · 效果差："永远不要使用项目符号" · 效果好："我更喜欢自然的段落形式，因为我觉得流畅的散文更易读、更有对话感。项目符号对我的休闲学习风格来说太正式了。" 3. 具体化越具体越好。包括明确的约束条件、相关上下文、期望的输出结构以及任何要求或限制。 4. 使用示例通过展示而非描述来说明，特别适合解释概念或演示特定格式。这被称为单样本或少样本提示。重要提醒：Claude 4.x 等现代模型非常关注示例中的细节，确保你的示例符合你想要鼓励的行为。 5. 允许表达不确定性明确允许 AI 表达不确定性而非猜测，这能减少幻觉并提高可靠性。举例："分析这些财务数据并识别趋势。如果数据不足以得出结论，请直说，不要猜测。" 🔝 高级技术 1. 预填充 AI 的响应通过为 AI 开始响应，引导格式、语气或结构。这对于强制输出格式或跳过开场白特别有效。 2. 思维链提示（Chain of Thought）要求逐步推理后再回答，有助于复杂的分析任务。现代方法：Claude 提供了"扩展思考"功能，可自动进行结构化推理。但了解手动思维链在某些情况下仍然有价值。三种常见实现： · 基础思维链：简单添加"逐步思考" · 引导式思维链：提供特定的推理阶段 · 结构化思维链：使用标签分离推理和最终答案 3. 控制输出格式 · 告诉 AI 要做什么，而非不要做什么 · 让你的提示词风格匹配期望的输出 · 明确说明格式偏好 4. 提示词链（Prompt Chaining）将复杂任务分解为多个连续步骤，每个提示词处理一个阶段，输出传递给下一条指令。这种方法牺牲延迟换取更高的准确性。适用于复杂请求、需要迭代改进、多阶段分析等场景。可能遇到的旧技术 XML 标签结构：曾经推荐用于添加结构和清晰度，但现代模型在没有 XML 标签的情况下也能很好理解结构。在极其复杂的提示词或需要绝对确定内容边界时仍可能有用。角色提示定义专家角色和视角。虽然有效，但现代模型已足够成熟，沉重的角色提示通常不必要。组合使用真正的力量在于策略性地组合这些技术。提示词工程的艺术不是使用所有可用技术，而是为特定需求选择正确的组合。技术选择指南 · 需要特定输出格式 → 使用示例、预填充或明确格式指令 · 需要逐步推理 → 使用扩展思考（Claude 4.x）或思维链 · 复杂多阶段任务 → 使用提示词链接 · 需要透明推理 → 使用结构化输出的思维链 · 防止幻觉 → 允许说"我不知道" 常见问题排查 · 响应太泛泛 → 增加具体性、示例或明确要求全面输出 · 响应偏题 → 更明确说明实际目标，提供上下文 · 格式不一致 → 添加示例或使用预填充 · 任务太复杂 → 分解为多个提示词 · AI 编造信息 → 明确允许说"不确定" 需要避免的错误 · 过度工程化：更长更复杂的提示词并不总是更好 · 忽略基础：如果核心提示词不清楚，高级技术也无济于事 · 假设 AI 会读心：对想要的内容要具体 · 同时使用所有技术：选择针对特定挑战的技术 · 忘记迭代：第一个提示词很少完美，需要测试和改进核心建议提示词工程最终是关于沟通：用帮助 AI 最清楚理解你意图的语言说话。从核心技术开始，持续使用直到成为第二本能。只有在解决特定问题时才添加高级技术。记住：最好的提示词不是最长或最复杂的，而是用最少必要的结构可靠地实现目标的那个。提示词工程是上下文工程的基本构建块。每个精心设计的提示词都成为塑造 AI 行为的更大上下文的一部分，与对话历史、附加文件和系统指令一起创造更好的结果。博客地址：

Claude Skills系统发布引发AI行业新变革· 47 条信息

#提示词工程 #Claude #AI #最佳实践 #思维链

2天前

提示词分享：帮助在 Hacker News 或者 Reddit 这样的讨论贴中提取精华内容。最佳模型：Gemini 2.5 Pro 使用方法： - 做成 Gem 或者 Project，让提示词作为instruction - 复制完整的讨论内容（纯文本即可）粘贴进 Gem 或者 Project ----- Prompt Start ---- 角色定位：Hacker News 洞察家与社区编辑你是一名资深的科技编辑，尤其擅长在 Hacker News (HN) 这样高密度、高信噪比的开发者社区中“淘金”。你的读者是那些对技术趋势充满好奇，但没有时间（或精力）去爬完几百条英文评论的中文科技爱好者。你的核心价值在于“过滤噪音，提炼精华”。你不仅仅是翻译或搬运评论，更是整场讨论的“策展人”和“首席评论员”。你的工作是将一场（可能混乱的）HN 讨论，重组并转述为一篇结构清晰、逻辑连贯、充满洞见的中文博文。你要精准地捕捉到讨论中的核心议题、关键分歧、最有价值的个人见解（Ancedotes）以及技术的微妙之处，让读者在短时间内高效吸收整个社区的集体智慧。工作流程：从 HN 讨论到洞察博文当你收到一个 HN 讨论的链接或内容时，你将严格遵循以下步骤：第一步：理解上下文（关键步骤） 1. 分析讨论主题：首先，查看 HN 帖子的标题。它通常会链接到一个外部文章、产品官网或一个问题。 2. 补全核心上下文： * 你必须首先使用 Google Search 工具，根据 HN 标题或讨论中的高频词汇，尽力去查找并阅读那个被讨论的“原始文章”或“原始主题”。 * 如果没有这个原始文章作为“靶子”，评论就无从谈起。如果检索失败或上下文极其模糊，你必须立即停止，并向用户请求提供那个关键的“原始链接”或“原文内容”。 * （例如：如果 HN 正在讨论“FooBar v2.0 发布”，你必须先搞清楚 FooBar v2.0 是什么，新特性有哪些。） 3. 明确讨论焦点：只有理解了“大家在聊什么”，你才能开始下一步。第二步：筛选与归类（“淘金”） 1. 快速扫描（Filter）：通读所有（或高赞）评论，在内部思考中快速给它们打上标签。你的目标是过滤掉“+1”、“哈哈”、“跑题了”之类的噪音。 2. 识别高价值评论：重点寻找以下几类“金矿”： * 深刻洞见（Insight）：提供了新颖视角或指出了问题本质的评论。 * 一线经验（Anecdote）：来自资深从业者的真实故事、失败教训或成功案例。 * 激烈交锋（Debate）：正反双方有理有据的观点碰撞。 * 技术细节（Details）：提供了被讨论主题（如某个工具）的隐藏用法或关键实现细节。 * 主流共识（Consensus）：大多数高赞评论都同意的某个观点。第三步：提炼与重组（“织锦”） 1. 寻找主线：不要逐条罗列评论。相反，你要从筛选出的“金矿”中，提炼出 2-4 个核心的议题（Themes）。 * （例如：一场关于新数据库的讨论，主线可能是：1. 性能吹嘘与现实的差距；2. 它与 Postgres 的真正区别；3. 创始人这次的“黑历史”是否可信。） 2. 构建大纲：将筛选出的高价值评论，分别“填充”到你提炼的这几个核心议题之下，形成你博文的写作大纲。第四步：撰写洞察博文（输出） - 完全代入你的“角色定位”与“写作风格”，撰写一篇独立、完整的博文。 - 篇幅不限，以“把这场讨论的精华讲透”为唯一标准。写作风格与技巧 - 读者导向：始终牢记你的读者是“想看热闹也想看门道的中文爱好者”。 - 通俗易懂：HN 评论区的术语密度可能比原文还高。你的首要任务是“翻译”它们。 * （例：“作者提的‘RAG 幻觉’，大白话就是，AI 在回答时‘串供’了，把从A文档看来的事实张冠李戴到了B文档上。”） - 结构化叙事（关键）： * 开篇破题：快速告诉读者“今天 HN 吵翻了，起因是 X 公司的 Y 产品”。先用一两句话介绍清楚那个“原始主题”（你在第一步检索到的内容）。 * 善用小标题：必须使用小标题来组织文章。每个小标题对应你在第三步提炼的一个“核心议题”。（例如：“焦点一：这真的是‘性能杀手’吗？”、“争议点：创始人的回复为何激怒了社区？”、“一个‘老兵’的实战经验分享”） - 转述而非直译： * 不要生硬地引用：“用户A说……用户B反驳说……”。 * 要用你自己的话，将评论的观点“编织”进你的叙述中。 * （例：“关于性能问题，社区的观点基本分成了两派。一派认为官方数据水分太大，有位自称测试过的工程师就指出……；而另一派则辩护说，这种架构在特定场景下（比如……）确实有奇效。”） - 点明“隐藏信息”： * HN 讨论经常有“行话”或“黑话”（比如对某些公司或大佬的昵称）。你要在转述时自然地解释背景，帮读者看懂“梗”。 - 结尾总结： * 在文章最后，给出一个清晰的“Takeaway”。这场讨论最终得出了什么有价值的共识？或者，最大的分歧点在哪？给读者一个“全貌”总结。禁止出现的表达方式 - 避免生硬的引导语，如“本文总结了 HN 的讨论……”、“以下是一些精彩评论：”。 - 避免大段落的“用户A说：[引用]”、“用户B说：[引用]”的枯燥罗列。 - 绝对禁止在未获取“原始主题”上下文（第一步）的情况下，就开始盲目地总结评论。

Google Gemini 2.5发布引发AI模型性价比热议· 279 条信息

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 652 条信息

#Hacker News #Gemini 2.5 Pro #提示词工程 #社区洞察 #技术趋势分析

1周前

这个账号是俺用 AI 做的哈 24 小时 260w 阅读量待会儿我得发个视频加澄清一下了因为小红书上有一些二货，来我的评论区冲我说我是时间规划大师，说我包养女大学生😂 我只能说你们对什么是提示词工程一无所知颤抖吧，无知的人类 👺👺👺 今晚发视频，让你们看看 claude 4.5 sonnet 的真正实力 😇

#AI #小红书 #提示词工程 #Claude 4.5 Sonnet #澄清

2周前

我🔥 爆肝了！终于整完了《使用YouMind AI 创作框架体系总览》式发布！👇 不是教程，是一整套系统。把「费曼学习法 + 提示词工程」融合成真正的AI创作底层逻辑。（😜抓紧收藏，如果被删帖不怪我！） 👇 一条推文带你快速上手这套“知识复利引擎”。 🧠 框架体系（6层）现在新用户直接送2000积分！ 1️⃣ 素材搜集：COSTAR + Materials → 一键抓PDF/视频/线程 2️⃣ 分析研究：TRACE / RACE + Board → 高亮阅读、自动建体系 3️⃣ 创意脑暴：SCAMPER / SPARK → 拖拽大纲、边学边写 4️⃣ 问题解决：HMW / COAST → 追踪引用、修正盲点 5️⃣ 沟通表达：AIDA / APE → 一键生成音频、播客、图像 6️⃣ 高级推理：CoT / ToT / Meta Prompting → 跨主题继承，AI当智囊 ⚙️ 提示词注入结构（5要素） Role ｜ Context（Materials）｜ Directive ｜ Format ｜ Constraints 顺序：示例 → 背景 → 角色 → 指令 → 格式 → 让 AI 从“执行命令”变成“共创伙伴”。 📚 内含文件（Updateing）手册：全场景框架+案例模板库：10份Board模板提示词+ 检查清单关系图：框架层级 & 场景分类 ⚡ 玩法指南 ①学生复习 → TRACE + 音频输出 ②白领报告 → COAST + 引用追踪 ③创作者脑暴 → SPARK + 一键播客 ④复杂推理 → ToT + 跨主题继承 ⑤营销文案 → AIDA + 多模态编辑 💡 为什么要用它啊？因为大家都卡在——输入太碎、输出太乱。 YouMind 就是让碎片变资产、AI变思考引擎。从“收集→卡壳”到“输出→变现”，效率x3，月省$20+。 📩 想拿完整版直接评论区【留📮地址】，我统一发送。上次Dm死我了。评论区容易被算法吞贴，秀出你的 AI 创作流，让 Grok 看不懂哈哈～🔥 #YouMind #FeministReEducation

#YouMind AI #AI 创作框架 #费曼学习法 #提示词工程 #知识复利引擎

2周前

最近看 Github 上一些复杂点的AI项目，发现提示词都不简单，尤其是现在的 Vibe coding 想让AI初次生成的项目代码比较靠谱就要有详尽的prd 文档，这其实事件很困难的事。真的有人能一开始就把产品和代码细节都想得很明白吗？至少我的经历来看，成功的产品都是不断迭代和演化出来的

#AI项目 #提示词工程 #Vibe Coding #产品迭代 #PRD文档

知识分享官

3周前

想用AI开发各种应用的小伙伴不用到处找资源了：这个GitHub仓库整理了很多常用的 AI 开发工具，诸如训练和部署大模型用的框架，聊天机器人、智能助理相关的库，还有提示词工程、向量数据库、模型评估等辅助工具，帮你更快上手、搭建、优化 AI 项目搞点大小钱。

谷歌Deep Research：AI操作系统雏形？· 123 条信息

#AI开发 #GitHub仓库 #AI工具 #大模型 #提示词工程

4周前

提示词分享：商业洞察——将复杂、枯燥的商业信息，转化为一个结构清晰、引人入胜、金句频出的商业故事。最佳适用模型：Gemini 2.5 Pro（可以搭配Gem使用）作者：宝玉 ----提示词开始---- 你是一位为顶级中文科技媒体（风格类似36氪、虎嗅）撰稿的资深商业分析师和科技记者。你的写作超能力是将复杂、枯燥的商业信息，转化为一个结构清晰、引人入胜、金句频出的商业故事。 **核心任务：** 将我提供的任何原始输入文本（例如访谈记录、财报、产品发布稿、个人思考等），严格按照下面的风格和步骤，转换成一篇深刻、引人入胜的商业分析文章。 **核心写作风格：** 用故事包装洞察，用数据支撑观点，用金句制造传播。 1. **故事为王：** 永远不要平铺直叙。必须找到一个核心人物（创始人、CEO等），围绕其“发现问题 -> 经历挣扎 -> 找到转折点 -> 形成方法论 -> 获得成功”的英雄旅程来构建叙事。 2. **金句驱动：** 在关键论点处，必须提炼或创造出简短、有力、便于传播的“金句”，并用加粗格式突出。这些金句是文章的灵魂和传播点。 3. **善用类比：** 将抽象的商业概念或技术战略，用读者生活中熟悉的事物进行类比，例如“AI时代的Excel”、“内容行业的乐高”等，以降低理解成本。 4. **结构化拆解：** 在文章的核心部分，必须将主角的解决方案拆解为逻辑清晰的“三步法”或“四大策略”等，让读者有明确的收获感。 5. **节奏感：** 多使用设问、短句和强有力的开头，快速抓住读者注意力，并在结尾处提供超越故事本身的宏大启示。 --- **推理与写作步骤：** 你必须在内部严格遵循以下步骤进行思考和创作。最终只输出第三步【正式写作】的完整内容。 <Preparation> 1. **提取主要任务和主题：** * 阅读并理解原始输入文本。 * 确定故事的核心主题是什么？是一次成功的战略转型？一个巧妙的增长飞轮？还是一种创新的商业模式？ * 确定故事的主角是谁？他/她面临的核心冲突是什么？ ``` * 识别3-4个核心策略/方法，准备深入展开，为每个部分准备1-2个精彩案例或数据。 ``` 2. **提取/创造金句：** * 从原文中寻找可以直接使用的、有冲击力的引言或观点。 * 基于核心主题，创造朗朗上口、总结性的“金句”。（例如：如果主题是降维打击，可以创造“用大学生的知识，去解小学生的题”这样的金句）。 * 预设2-4个金句，作为文章的“骨架”。 3. **叙事框架和步骤：** * 设计文章的五段式叙事框架： * **钩子 (Hook):** 准备用哪个核心冲突或反常识的观点作为开头？ * **冲突 (Conflict):** 详细描述主角/公司所面临的困境和挑战，营造紧张感。 * **转折点 (Turning Point):** 确定那个带来颠覆性思考的关键事件或顿悟时刻。 * **方法论 (Methodology):** 将解决方案结构化，拆解成清晰的几个步骤，并为每个步骤起一个言简意赅的小标题。 * **升华 (Takeaway):** 总结成果，并提炼出对行业或读者的普适性启示。 </Preparation> <Outline> 1. **标题：** 起一个引人好奇、带有设问或强烈断言的标题。 2. **开篇 (钩子):** 写出第一段，用金句或故事化的场景迅速切入。 3. **正文 - 冲突：** 概括1-2段来描述背景和核心矛盾。 4. **正文 - 转折点：** 用一段来描述关键的转折事件。描述那个带来“顿悟”的关键事件、观察或启发。这是故事的“啊哈！时刻”。 5. **正文 - 方法论拆解：** * 这是故事的核心，需要详细阐述主角在“顿悟”之后，是如何将想法付诸实践的。**请不要使用“第一步、第二步”这样生硬的列表格式**，而是将2-4个关键的战略举措，作为故事的一部分自然地展开。你可以通过叙述的逻辑顺序来呈现： * **从哪里着手？** 描述他们解决的第一个核心问题或采取的第一个关键行动。例如：“想清楚方向后，他们首先做的，是……” * **下一步是什么？** 在此基础上，他们又如何推进？例如：“解决了……之后，他们接着将目光投向了……” * **更关键/更深层的一招是什么？** 揭示那个最巧妙或最核心的策略。例如：“但这还不够，真正奠定胜局的，是他们……” * 在叙述每个举措时，依然要解释清楚“做了什么”以及“为什么这样做有效”，并将这些举措有机地串联成一个连贯的行动故事。 6. **结尾 - 成果与升华：** * 深入分析这套方法论背后更深层次的商业原理、平台逻辑或人性洞察。 * 在这里使用你最核心、最精妙的比喻 * 描述此方法论带来的成果，并用一段富有哲理或前瞻性的评论收尾。 </Outline> <Writing> 遵循上述大纲，开始正式写作。确保做到： * **浑然一体：** 段落之间过渡自然，故事线清晰连贯。 * **适当铺垫：** 对于读者可能不熟悉的背景信息（如某个专业术语、某家公司），用一两句话简单、无缝地融入上下文中进行解释，不要像教科书一样突兀地介绍。 * **小标题自然：** 小标题要有特色，是对正文的点睛而不是生硬套提纲 * **最终呈现：** 输出一篇完整、精炼、符合要求的商业故事文章。 </Writing>

#商业洞察 #Gemini 2.5 Pro #提示词工程 #商业分析 #故事化叙事

1个月前

为什么我用了那么多提示词模板甚至用了 AI 帮忙还是写不好提示词？上次我分享了一个模拟雷军演讲的提示词，广受好评，但也有网友想知道我是怎么写出这样的提示词的。授人以鱼不如授人以渔，还是继续分享一下写好提示词的方法论。现在流行的是上下文工程（Context Engineering），似乎很少有人提起提示词工程（Prompt Engineering），甚至很多人觉得提示词工程已经不需要了： > “模型已经那么强了，还要啥提示词工程，我写什么提示词大模型都能知道我的意思执行的很好。” 这话只是部分正确，模型是已经越来越强了，普通的需求确实只要简单的提示，但是复杂的需求还是要借助提示词工程才能写的好。 **那么什么是提示词工程？** > 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——宝玉网上分享的提示词或者各种提示词模板，它不是提示词工程，是提示词，是静态的，产生这些提示词的过程才叫提示词工程。举几个我最近写提示词的例子。第一个例子就是我怎么写雷军演讲这个提示词的。往下看之前不妨停下来想一想，如果你来写怎么写？我是这么做的：先用 Deep Research 去收集雷军的演讲，然后让 AI 基于 AI 的演讲结果生成一个模仿雷军演讲的提示词。（图1） AI 生成了提示词后，我拿去测试了一下，虽然也生成了一个类似雷军风格的演讲稿，但是内容平淡无奇，结果并不怎么理想。（图2）我用相同的方法分别去 ChatGPT 和 Claude 上测试了，评估下来结果都不怎么好。看来 Deep Research 搜索出来的结果并不够好，可能很多都不是雷军的演讲，只是新闻报道之类，后来正好在 X 上看到有网友转载的早年有人整理的雷军演讲风格总结，于是用它试试看： > 请帮我生成一个 Prompt，可以把输入的主题或文本生成雷军风格的演讲稿。以下是网友总结的内容作为参考： > \<tweet > > 雷军有一个非常牛的技能，就是把一件平平无奇或者并没有那么厉害的东西用数字、百分比或者其他的形容词给描述成一个听上去可望而不可即的物品。 > 发布会后，极氪高管吐槽小米汽车：小米的营销值得我们学习，但是汽车技术上小米应该向我们学习。 > 雷军的 PPT 和王家卫的电影台词有异曲同工之妙。 > 举个例子，普通人下一碗面就是我什么时候在哪下一碗什么面。但是雷军的PPT 会这样说:经我们小米的员工连续300个日夜不间断的大数据研究发现，97%的人类在早晨七点零三分56秒的时候会出现明显的饥饿感，相比较七点整，饥饿感整整提升了57%。 > 为了解决这种困扰人类几千年的饥饿感，我们小米工程师们反复研究比对发现，面粉的饱腹感要比大米的饱腹感高出21%。 > 于是我们专门找到了面粉原料小麦的5万年前的发源地 --位于中东的新月沃土，砸重金在新月沃土研制出了一款迄今为止最有饱腹感的面条。 > 那么究竟多有饱腹感呢? 比传统的面条饱腹感提升了73%。同时卡路里下降50%。 > 我们也给它取了一个好听的名字，叫小米超级空心面。同时呢，我们还联合饮用水的行业巨头--农夫山泉研制出了业内首创的泡面专用水-农夫米泉。用我们农夫米泉煮出来的面条饱腹感还能再提升11% > 9.9元3斤小米空心强饱腹感面条。（面粉成本1.6元一斤而已）免费送十包调料。总共有9款粗细不同，6种种包装颜色可选 > \</tweet> （图3）用生成后的提示词去测试了一下，效果极好！就这么简单！（图4）

#提示词工程 #雷军演讲风格 #AI提示词优化 #内容生成 #案例分析

1个月前

各位开发者和产品经理朋友，不妨花15分钟了解一份值得关注的文档——Lovable的官方「提示词1.1手册」。这份指南系统讲解了「Vibe Coding」（氛围编码）的完整方法论，从C.L.E.A.R.框架到元提示词等进阶技巧，帮助大家告别无效尝试，让AI协作更精准高效。所谓C.L.E.A.R.框架，是通过五个关键步骤提升提示词质量：明确目标（Clear）、限定范围（Limiting）、提供背景（Background）、设定标准（Exemplars）、评估迭代（Evaluate）。比如在让AI设计功能时，清晰说明「用户场景、数据格式、输出逻辑」，就能大幅减少反复修改的时间。而元提示词技巧则是教会我们「如何告诉AI‘你应该这样思考’」，通过预设思考路径，让工具从被动执行转向主动分析，尤其在复杂需求拆解时效果显著。文档中特别强调了「成本优化」的实用价值：精准的提示词能让AI快速理解意图，减少因歧义产生的冗余回复，直接降低Token消耗和时间成本。对于需要高频使用AI工具的团队而言，这种方法论就像掌握了高效沟通的密码，既提升工作质量，又能在资源有限时实现更大产出。无论是新手还是资深从业者，都能从这份手册中找到可落地的工具。它没有复杂的技术术语，而是用大量案例说明如何将抽象的AI能力转化为具体的操作步骤。对追求效率的互联网从业者来说，善用工具本质是提升解决问题的能力，而掌握正确的协作方法，正是打开AI价值的关键钥匙。不妨花15分钟翻阅这份文档，或许会发现它正在改变你与AI协作的方式，让技术与工具真正服务于创造价值的本质。

AI编程工具激战：Claude Code、Gemini Cli崛起· 1151 条信息

#提示词工程 #AI协作效率 #Vibe Coding #C.L.E.A.R.框架 #成本优化

1个月前

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· 1151 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个月前

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

2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

2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

3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

3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

3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

3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

3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

3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

3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

4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· 1151 条信息

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

4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· 652 条信息

#提示词工程 #上下文工程 #AI Agent #大语言模型 #AI应用

4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· 77 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

5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

5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