与「提示词工程」相关的搜索结果

什么?! skill 也能"训练"了? 以往大家都是凭经验让AI写 skill, 然后调试的时候也是运行几下感觉没bug就完事了. 但 skill 能运行就一定好吗? 于是微软联合上交复旦同济等机构发了一个新框架 SkillOpt, 直接让AI评估skill写的好不好然后不断去优化! 最终, 这个框架写的 skill 让GPT-5.5的直接对话准确率飙升了 23.5分! 这个框架具体是怎么做的也很简单, 让skill迭代过程实现 harness 闭环! 大模型写完 skill 后, 立刻进入跑分流程, 只有得分更高的 skill 变更才会留下来. 跟大模型的强化学习过程如出一辙. 框架的设计也很值得做 Agent 框架的同学借鉴, 比如: 它设计了一个独立的优化器模型, 这个模型是用来写 skill 的, 它会根据 Agent 执行任务的试错表现得分, 对 skill 进行编辑操作(增加、删除、替换文本). 然后就是 harness 流程了：每一次文本编辑都必须在独立的验证集上分数有提升, 才会允许合并. 最后, 也是最精彩的地方, 框架还引入深度学习训练机制, 设计了文本层的学习率预算, 这个的核心就是限制大模型每次只能修改skill的一小部分, 慢慢迭代, 而不是全都重写. 论文中最有价值的数据就在这里, 论文实验发现, 每一步设置 4 到 8 个编辑操作的预算效果最好. 最终的最佳 skill 往往只包含 1 到 4 个被接受的核心修改. 甚至他们还设计了被拒编辑缓冲区, 用来存储训练过程的反面胶材, 以及周期性慢速/元更新, 这个则是跑完一个周期后, 会进行一次盘点, 类似于让框架形成记忆, 能更好的维持后续迭代. 这篇论文的结论十分深刻: skill(prompt) 完全配得上, 也需要一套系统级的训练流程. 原文中的描述直接是: 我们主张, skill 应当作为 Agent 的外部冻结状态来被"训练", 并且训练过程还要"让权重空间优化具有可重复性"! 这是不是意味着, 提示词工程(Prompting)和模型训练(Training) 的界限将逐渐变得模糊? 而提示词工程完全进入了机器学习的领域. 也许很快, 我们再也不需要人类去手动瞎改和调试提示词了! 论文地址: #skillopt# #微软# #提示词工程# #harness#

兄弟们，我今天刷到一个东西，直接给我整不会了。 GitHub上有个叫 agency-agents 的开源角色库，你知道它现在多少星吗？81万。不是8.1万，是81万。这个数字意味着什么？意味着全球有几十万开发者和AI玩家已经在用了，你还不知道？ 🔗 链接: 先说这东西是干嘛的。 简单讲，就是一个超级角色提示词库，里面塞了140多个专家级Agent角色。CEO、律师、程序员、产品经理、增长黑客、财务顾问、市场策略师……你能叫出名字的岗位，基本都在里面。每个角色都是精心调教过的，不是那种随便写两句"你是一个律师"就完事的垃圾提示词，是真的有深度、有专业框架的角色设定。 用法也极其简单，三步走： 1️⃣ 打开这个库，找到你需要的角色 2️⃣ 把角色描述直接喂给Claude Code或者Cursor 3️⃣ 开始对话，你的AI瞬间变成那个领域的专属顾问 就这么简单。你在做一个创业项目，不知道商业模式怎么跑通？调出CEO角色问它。合同条款看不懂？调出律师角色让它帮你拆解。代码写不下去？调出高级程序员角色让它review。 但最骚的玩法不是单个角色，是多Agent组团。 你可以同时开几个对话窗口，一个跑CEO视角，一个跑市场总监视角，一个跑财务视角，让他们对同一个问题给出不同角度的判断。这不就是给自己开了一家虚拟公司吗？而且这帮"员工"7×24小时在线，不要工资，不会摸鱼，不会跟你讲情绪。 我自己测试了几个角色，说实话，质量比我预期高很多。 特别是那些商业类角色，给出的框架和思路真的有点东西，不是那种泛泛而谈的废话，是能直接落地用的建议。当然，AI终究是AI，专业判断还是要自己把关，但作为思路启发和初稿生成，这个库的价值真的被严重低估了。 还有一点我必须说——它是完全免费的。 开源、免费、随便用、随便改。在这个到处收费、动不动就订阅的AI时代，这种东西真的越来越少见了。 现在AI工具的核心竞争力已经不是模型本身了，Claude、GPT、Gemini底层能力差距在缩小，真正拉开差距的是你怎么用、用什么角色、给它什么上下文。这个库本质上是在帮你解决"怎么用"的问题，把最难的提示词工程部分给你做好了，你直接拿来用就行。 81万星不是运气，是实力。 还没收藏的，现在去。

Conductor model：指挥者模型 Sakana AI的论文，Sakana的产品Fugu即来自于这个理念。 如果说之前的LLM模型是程序员，这个模型就是PMO，不干活，专门负责指挥和协调其他LLM模型干活，而且针对不同模型还能写出专门的提示词工程。同时兼容闭源模型和开源模型。 论文：

利用 Hermes Agent + Higgsfield Marketing Studio 运营一个每月 50,000 美元的 AI UGC 内容工厂 在 2017 年，你复制一个 Shopify 店铺，投 20 美元的广告 → 醒来时订单达到 800 美元。现在的感觉完全一样。品牌方为每个 UGC 视频支付 300-800 美元 → 而你只需花费 20 美元即可制作。只需 3 步即可开始： • 投放产品/网站链接 • 创建 AI 人设 - 选择面部 / 声音 / 风格 • Hermes Agent 处理余下的一切 无需提示词工程。无需设置。Hermes 负责抓取、撰写、设计、拍摄并发布。你只需坐视其运行。 后端运作原理： • hermes 抓取 {Meta + TikTok 广告} 以获取最佳素材 • seedance 2.0 - 将数据转化为 UGC 广告 • 生成 AI UGC 人设：逼真的面部 / 声音 • 智能体 24/7 全天候工作，每天产出 500+ 条病毒式视频 通过 Shorts/Reels 积累受众，然后以每个视频 300-1,000 美元的价格向电商品牌出售 AI UGC。传统代理机构已死。AI UGC 创作者将在 2025 年开启印钞模式。

真正伟大的 AI 产品都在教你如何偷懒 Perplexity 创始人阿拉温德·斯里尼瓦斯分享过一段谷歌早期的硬核往事，直接道破了拉里·佩奇关于用户永远没有错的顶级产品思维。 当年 Excite 还是仅次于雅虎的行业老二，甚至打算财大气粗地收购初出茅庐的谷歌。两家公司的掌门人坐在一起，把自家的搜索结果放在屏幕上展开直接对决。 结果毫无悬念，谷歌的搜索质量呈现出绝对碾压态势。面对如此难堪的局面， Excite 的掌门人试图强行挽尊，他辩解称如果用户换一种更精准的方式输入查询词，自家的产品就能给出好结果。 这段小插曲暴露出极其致命的理念分歧。拉里·佩奇坚信，无论用户输入了什么乱七八糟的内容，搜索引擎都必须提供高质量的答案。 技术团队必须在幕后搞定所有极其复杂的麻烦。哪怕用户非常懒惰，哪怕满屏幕都是拼写错误，产品也要能精准猜想出他们的真实意图并给出完美答案。只有做到这步，用户才会彻底爱上这款产品。 后来的商业结局所有人都看到了，谷歌称霸了全球，而大多数人今天连 Excite 这个名字都未曾听闻。 站在当下全新的技术浪潮里， Perplexity 创始人得出了一个极为锋利的结论：那些被吹得神乎其神的提示词工程注定不会长久。 现在市面上到处都在教人如何写出几百字的复杂提示词去调教模型，要求用户去适应机器，这完全违背了技术发展的初衷。 人类天生就是趋利避害且想要偷懒的。一个真正更加出色的产品，其核心价值就在于能让你变得更懒，而不是强迫你变得更费力。 最顶级的 AI 体验，是你甚至完全不需要构思如何提问，它就已经精准知道你想要什么，并直接把完美结果塞到你手里。 产品必须带有一种让人上瘾的魔力，而这种魔力的唯一来源，就是让用户可以肆无忌惮地偷懒。

分享一下 AI 时代的 10 条生存法则：纳瓦尔谈氛围编程、个人杠杆与创造力的未来 1. 如果你想学习，就去行动 Naval 提到他目前正在参与一个名为“Impossible”的极具挑战性的新项目。他表示，自己不再满足于仅仅做一个投资者、哲学家或媒体评论员。他认为那些只会高谈阔论而不付诸实践的人脱离了现实，没有接受过自由市场或自然规律的严酷反馈。真正的学习和认知只能在脚踏实地做事的过程中获得。 2. 市场不需要平庸之作 在 AI 时代，内容和应用的数量将呈现指数级增长，但这不意味着所有应用都会被使用。在互联网的赢家通吃效应下，最头部的应用将占据绝大部分市场，因为没有人想要一个平庸的产品。不过好消息是，AI 使得开发成本大幅降低，无数极其细分的长尾利基市场（Niche）将得到满足。你可以为你自己非常独特的需求定制一个专属 App。 3. 最热门的新编程语言是英语 曾经人们需要学习 C 语言、Python，但现在你可以直接用英语编程。Naval 引用了 Andrej Karpathy 的观点：英语就是最热门的新编程语言。只要你逻辑严密、表达清晰，并懂得计算机程序是如何运作的，你就可以通过结构化的英语准确地让 AI 为你构建产品。 4. AI 适应我们的速度比我们适应它的速度更快 Naval 不建议普通人去死记硬背复杂的提示词工程（Prompt Engineering）或各种 AI 操作技巧。因为这些技巧的寿命只有几周或几个月。AI 正在以极快的速度进化，它在学习如何更好地理解人类的自然表达（哪怕是杂乱无章的提问）。你不需要去适应 AI，而是应该让 AI 来适应你。 5. 没有企业家担心 AI 会抢走他们的工作 企业家从不担心被 AI 取代，因为企业家的工作本质是发现问题、承担风险、整合资源和创造价值。AI 只是他们手中又一个极具杠杆效应的工具，让他们可以用更少的成本和人力去做更大规模的事情。 6. 人生的目标不是拥有一份工作 面对 AI 带来的失业焦虑，Naval 提醒大家：人类的历史并不是为了“保住一份工作”而存在的。工作的本质是为社会创造价值。当 AI 能够承担大量重复性甚至脑力劳动时，人类的目标应该转向更高维度的创造、休闲、创业以及做那些只有人类才能完成的事情。 7. AI 并没有生命 尽管 AI 表现出了令人震惊的智能和对话能力，但 Naval 强调它们仍然是由数学、权重和算法构成的工具。它们没有意识、没有欲望，也没有生命。不要将它们拟人化，而应将它们视为极度强大的“思维摩托车”。 8. AI 的早期采用者拥有巨大的优势 虽然工具在不断迭代，但尽早将 AI 融入你的日常工作和思考流程中，会让你获得巨大的杠杆优势。不要等待完美的 AI 出现，现在就开始使用它来放大你的能力。 9. AI 会在你所处的水平上与你契合 AI 就像一面镜子，如果你是一个平庸的人，它只能帮你做平庸的事；如果你是一个具有极高品味、深厚行业知识和强大逻辑思维的高手，AI 就能立刻理解你的高维需求，并输出极高水平的结果。你自身的认知天花板，决定了 AI 能为你产出的价值上限。 10. 解决 AI 焦虑的办法就是行动 人们对 AI 充满恐惧和焦虑，担心失业、担心被时代抛弃。Naval 认为，缓解这种焦虑的唯一解药就是去行动（Action）。去使用它，去用它开发你一直想做的小应用，去用它优化你的业务。当你开始动手掌控这项技术时，恐惧就会消散，取而代之的将是兴奋与创造力。 不想听英文的可以扫码第二张图片，听中文转译版本。 最近我也写了一篇《AI 时代生存哲学》，厚脸皮自荐一下：

真不稳定也没关系，那就多“抽卡”好了。比如那个 3D 裸眼屏的，得一半结果不怎么好，我后续又尝试优化了好一会，实在改进有效，干脆放弃了。 所以我不止一次提到“提示工程”： > 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

所有问source的，说一招。就是GPT，高度概括模糊但指向性的指令。我一般不会查，因为我现在对于不赚钱的推特的定位就是交朋友，并且通过优化时间线来尽量让我信任的推友给我值得的信息。人肉filter 吧，我认为有效，尤其是经历和知识构成差不多的，比我自己找信息，好多了。因为这些都是带孩子做饭这些时间的。仔细看下图，就是这种指令。我其实说过，I don’t have more prompt tips. 因为提示词工程已经语言化了。