与「提示词工程」相关的搜索结果

众所周知，硅谷又叫小杭州！ 在这个人杰地灵的地方，很开心借着云栖大会认识到这么多厉害的好朋友。 很多平时只在群里和推特上互动的大佬面对面坐在一起，真的能聊出很多火花。 人都感觉圈子是碰出来的，朋友是聊出来的，机会是搜索出来的，给大家推荐一下场上的好朋友们。 如果你也在 AI 博主这条路上，欢迎大家点个赞交朋友，而且一定要线下去交。 麦当的AI定向博主指南第一季来咯！ @useless_liu 饭局牵头人是杭州松果剧场主理人囧老板。非常大气地提供了 松果 OPC 空间，龙老板非常支持 AIPC。大家后面如果有任何 OPC 活动或者播客录制，可以找囧老板借场。 @cgnot996 我们曹家铁柱哥。Grokbot 资深玩家，马斯克都得不到的真男人！女儿叫曹吉美，可爱到什么程度呢？就这么说，吉美只要起号，一天就是百万量级。 @fuxiucoding 福秀，专注 AI 信息差的徐汇区教育局AI 课程赋能主讲。base上海 @xmmxovo 西门聪明蛋这个介绍腻了，我的前同事、AI 自媒体博主宗门圣体。单条视频涨粉四万，AI 自媒体相关任何事情都可以看一看西门老师的思路和想法。最近也在做课可以支持她一下！ 但是啊，不要听他说的“起号很简单”，这种说法只限于这种“天赋怪”。 @bbkirstry 小晚，国内毛绒品牌内容负责人。也是我的起号搭子！内容运营账号定位这一块儿，绝对 TOP 级。他有一个叫“赛博小晚”的 skill，大家可以关注一下。用于做内容分析和选题，据说广受好评，（虽然我没用过🥲。 @rionaifantasy Rion澳洲旅居回来的推特大帅哥。外网说明很吃得开，最近在考虑做国内的内容，大家可以看一下他的账号。分享了他在澳洲旅居时的惊天地泣鬼神经历，这号他的内容如果发小红书绝对火。 @gkxspace 余温，可惜没有参加我们的二场。余温老师不用介绍了，顶流，绝对顶流。 @Astronaut_1216 阿杭 最早认识阿杭是看他那个《月入百万的 GPT 代充生意》。提示词工程师&AI 产品经理。优质博主速速关注。 @gengdaJ 逸尘 也是顶流，不介绍了，06 年的法学AI战士。跟着学就完事儿了。 @bozhou_ai 泊舟 Agent实战，伯舟老师的账号感觉好像就是我梦中想把自己账号做成的感觉。又干又专业又有趣！ @ChaoSpacecallum CYC 又是一位大湾区顶帅。悉尼大学 AI 硕士高材生。最近回国了，base深圳我的女粉可以冲一下。 @JiangK82705 云何，西门聪明蛋的男朋友也是目前 AI 初创团队的负责人。想要追更腹肌哥和西门的爱情故事的可以找我，报名人数够的话我开付费直播，哈哈哈哈哈。 @ShengzheSeanxu 晟哲，北大辍学，硅谷创业二代天才少年。敢信只有05？ 还有些老师我没找到账号。 后面慢慢给大家补充上♥️。

有个人每天用 ChatGPT。他打字提问，得到回答。有时还行，通常很泛。他以为这就是天花板："AI 有用，但平庸。" 一个提示词工程师，花了 3 年为世界 500 强公司搭建 AI 工作流，让 40 多个团队把 ChatGPT 变成核心运营工具。他看了这个人的账号后说： "你得到 C+ 的回答，是因为你给了 C+ 的输入。你从没设置过 Custom Instructions，所以 ChatGPT 不知道你是谁、做什么、想要什么格式的回复。你从没打开 Memory，所以每次对话都从零开始。你从没用过 Projects，所以每次都要重新解释同样的背景。你为了改一段话就重新生成整篇回复，因为你从没打开过 Canvas。你一个 Custom GPT 都没建，所以每次都要重新解释同样的任务，而不是做一个一键搞定的助手。还有，你每天早上开车 45 分钟上班，一路安静，而 Voice Mode——一个实时的语音头脑风暴伙伴——就在同一个 App 里躺着没用。" 那人说："我就是打字提问、读回答啊。" "问题就在这。你把 ChatGPT 当搜索引擎用。它不是搜索引擎。它是推理引擎、写作伙伴、数据分析师、研究助理、语音协作者、任务调度器、工作流搭建工具——有 15 个功能你从没配置过。你在一个能思考、能记忆、能创造、能自动化的系统里打字提问，然后像看 Google 结果一样读第一条回答。" 那天晚上，他配置了 9 个东西。同样的问题开始给出不同的回答——不是因为 AI 变聪明了，而是因为 AI 终于知道是谁在提问。 "ChatGPT 不会给出泛泛的回答。它给出的回答是根据它拥有的上下文校准的。你给它零上下文，它就给你泛泛的回答。你给它你的角色、行业、偏好、项目和历史——同一个问题产出的回答会具体到像是跟了你开过无数次会的同事写的。" 以下是这 9 个配置 🧵

Agent = Model + Harness：生产级 AI 智能体工程六层实战手册 结合 Mitchell Hashimoto、OpenAI Codex 团队、Martin Fowler、LangChain、Cursor 等公开工程资料编撰。 # Agent = Model + Harness 模型只提供推理能力，决定 Agent 能否从演示走向生产环境的是围绕模型的工程基础设施——Harness。 报告的核心论据是：只改 Harness、不换模型，收益可超过模型升级： · 同一 Claude Sonnet 4.5 在 GAIA 基准上从 30.91% 升至 74.55%（+43.64 分），差异完全来自 Harness； · LangChain 不改模型，仅靠 Harness 优化将 Terminal Bench 排名从第 30 提升至第 5； · OpenAI 团队 5 个月、约 1500 个自动化 PR 产出 100 万行生产代码，零人工手写——人负责设计环境，Agent 负责写代码（"Humans steer. Agents build."）。 这也解释了一个行业现象：约 95% 的企业 AI Agent 止步于预生产阶段——演示效果好，却因安全审查、可观测性、边界情况幻觉、治理缺失而无法上线。 # 行业定位：AI 工程的第三个时代 1. 提示词工程（2023–24）：模型"说什么" 2. 上下文工程（2025）：模型"看到什么"（RAG/MCP/记忆） 3. Harness 工程（2026）：模型"能做什么" # 六层架构（报告主体） 1. Guides 引导层（前馈控制）：AGENTS.md / CLAUDE.md 等规则文件，在执行前塑造行为。要点：规则必须可执行、可验证、可追溯至真实失败案例；需定期修剪，否则 200 行无日期规则就是技术债。OpenAI 内部将其视为最高事实源——文件与会话冲突时，文件优先。 2. Sensors 传感层（反馈控制）：执行后验证输出。优先使用确定性、零成本的计算型传感器（linter、测试、schema 校验）；LLM-as-judge 等推理型传感器慢、贵、不确定，只用于无法用规则表达的语义判断，且应作参考信号而非硬门禁。 3. Agentic Loop 执行循环：计划→执行→验证→修复→前进或升级，必须有界——默认每步最多重试 3 次、30 分钟、10 万 token、5 美元、50 次工具调用。预算耗尽时返回最佳半成品并说明原因，不允许用流利的最终答案掩盖部分失败。正确升级的 Agent 比自信地给出错误答案的 Agent 更有价值。 4. Memory 记忆层：模型每次会话都从零开始，Harness 负责状态连续性。最简方案是文件系统（plan.md、decisions.jsonl、checkpoint），对多数场景比向量数据库更便宜可靠。检验标准：中途关闭会话重开，Agent 应能断点续作。 5. Permissions 权限层：模型无法自我约束，Harness 是唯一安全边界。按范围、速率、可逆性、可见性四个维度设定能力预算；不可逆操作（部署、删除、外发消息）必须人工批准；必须隔离可信指令与不可信数据以防提示注入。 6. Observability 可观测层：结构化日志 + 成本归因 + 熔断告警（trip wire）。真正的度量不是 token 数，而是无需人工干预即完成且证据合格的任务数；成本应按"每个验证通过的结果"而非按天计算。 # 方法论精髓：棘轮原则（Ratchet） Hashimoto 的原始定义："每当 Agent 犯错，就工程化一个方案，让它永远不再犯这个错。" 六步循环：复现失败→归类根因→选择最强修复层→编码修复→验证防复发→监控回归。 修复强度呈阶梯上升：对话补丁 < 提示词 < 引导规则 < 传感器 < 环境约束——提示词只修一次对话，环境约束让错误在结构上不可能发生。 Cursor 的 Lauren Tan 补充了实操信号：同一条评审意见出现三次，就应固化为结构性约束。Harness 成熟的标志是规则增速下降（从每天 5 条降到每周 1 条）。 # 落地路径与边界 七天最小可用路径：Day 1–2 建引导文件 → Day 3–4 接入测试套件与有界循环 → Day 5–6 加检查点与权限 → Day 7 加日志与熔断。之后按"一次只改一层、可度量、可回滚"扩张，完成率 ≥80% 等六道闸门全过才允许扩大规模。 何时不需要 Harness：一次性问答、创意脑暴、低风险个人任务——"如果以上都不适用，对话本身就是 Harness"。 多智能体扩展：需要类型化交接（"done, looks good" 不能推进生产流程）、共享状态模型而非共享上下文（避免上下文污染）、以及生产者不可覆盖的独立验证者。

我身边有个同事，技术能力很强，AI Coding 也用得特别多。 不过他有个特点，就是不太舍得花钱。 从免费的 Kimi 开始，一路买各种套餐。Kimi Coding Plan、Trae、OpenCode、阿里百炼……基本都试了一圈。最后得出的结论特别朴素：哪个便宜用哪个。 便宜确实是便宜。 但是便宜也有代价，很多最新的模型都没有，像 Kimi K3、GLM 5.2、Claude、GPT Codex 这些，他基本都体验不到。 他属于那种特别会过日子的工程师。 模型不给力，那就拼命榨模型。 前几天他写了一个 Skill，想根据一套 C++ 代码自动反推出详细设计文档。整个 Skill 十几 K，几乎全是提示词。 我拿内网模型跑了一遍。 五分钟结束。 吐出来一份二十 K 左右的“详细设计”。 我看完以后，总觉得哪里不对。 不是提示词的问题，而是感觉整个活儿都压在一个 Agent 身上了。 于是我几乎没改提示词，就是把流程拆了一下。让一个 Agent 负责规划，再分几个 Sub Agent 去写不同章节，最后回来汇总、补充、检查。 还是那个内网模型。 最后硬是跑出来一份一百五十 K 的详细设计。 说实话，质量还是一般，离 Claude 和 GPT Codex 那种效果还有距离。 但是我突然发现一个挺有意思的现象。 同样都在用 Agent。 他研究的是怎么把一段 Prompt 写得越来越长。 我研究的是怎么让几个 Agent 少聊天、多干活。 到底谁对，我现在也不敢下结论。 没准再过一年，模型聪明到一句话就全干完了，什么 Skill、什么提示词工程、什么工作流，统统都成了历史包袱。 不过至少今天，尤其是在内网这些能力没那么强的模型上，我还是觉得，Workflow 比 Prompt 更值钱一点。 以前写程序，总有人喜欢把三千行代码塞进一个函数里，也总有人喜欢拆成几十个小函数。 现在回头看，AI 好像也开始走这条路了。

Claude Fable 5今天回归上线啦，ZenMux上限时免费使用真的太香了！ 怎么用Fable 5输出高质量的「不会塑料 + 顶级人像提示词方法论以及户外美女人像prompt方法论大家收好！ 说真的，我以为上次的Fable 5总结的AI生图焚决要绝版了，趁着现在能免费用，赶紧让Fable 5给我写了又写了一套： 怎么输出输出高质量的「不会塑料 + 顶级人像提示词方法论， 真的很炸，它对光影、材质、瞬间感的拆解细度，写出来的提示词出图质感，比网上卖几十上百块的所谓的人像焚决提示词强出一大截， 连所有人头疼的塑料皮肤、娃娃脸、畸形手问题，它自己就能系统性避开。 单轮直接出结果的版本我磨到终版了，复制完直接扔进去就能跑，Prompt： “你是有10年经验的顶级商业人像摄影师+提示词工程师。 1️⃣先做第一步拆解：AI人像出塑料感、AI味、廉价感的核心根源是什么？真正高级的商业人像有哪些共性？ 2️⃣第二步输出可直接复用的提示词框架，覆盖主体人设、服装材质、表情瞬间、镜头构图、光线皮肤、背景氛围、画质处理、强力负面词8个维度每个维度给具体写法，别讲空话。 3️⃣第三步严格按框架出2个可直接复制的完整示例：1个克制老钱风，1个体育赛事广播截图风，全程禁止夸张性感、塑料皮肤、畸形结构。 4️⃣最后自我检查：两个示例哪里还有AI味风险？直接修正到最终版。 输出用清晰中文编号就行，要是觉得不够细，补一句「再优化一次，每个维度写得更落地」就好。 另外大家想做商用级内容就用三轮对话法： 先拆塑料感根源，再搭完整框架，最后出示例+自我修正，质量比单轮再提20%。 三个踩坑踩出来的Fable专属技巧，记了不吃亏： 1️⃣ 必须先给它顶级专业人士的身份，不设角色它就会套网上的烂大街模板 2️⃣必须逼它先分析"为什么会塑料"，不挖根源写出来的全是正确的废话 3️⃣一定要加自我检查环节，这是Fable独有的强项，它自己挑错比你手动改十轮都管用 我自己跑这些测试全程用的ZenMux，真不是打广告，天天折腾模型的人一用就懂有多爽——现在claude-fable-5-free端点直接免费用，账户留任意余额就能跑， 不用烧官方50美元一百万token的高价额度，测十轮也花不了几块钱， 关键是真无RPM限制不限流，跑多轮长提示词从来不会半路掐断降速，迭代效率比官方高太多。 自带的同屏PK功能我用的最多，同一个需求拉上Fable5、GPT-5.5、Opus4.8并排输出，哪个写的框架质感好一眼就见分晓，做横评连切标签页都省，全平台200多个模型一个账户全覆盖，不用到处开会员； 现在开自动充值每笔还返20%余额，最多领3次共300刀赠金，余额永久不过期，跑大任务永远不用担心突然断供。 以下3张图的提示词放评论区了，大家自取，ZenMux也有gpt-image-2可以用，直接丢提示词就行。

现在学 Google AI，就像 2017 年学移动互联网。 现在开始学这套东西的人，未来三年会吃到很大的红利。 我把最值得看的资源都整理好了，建议先收藏： Gemini 学院： Gemini API 文档： 提示词工程指南： Gemini Cookbook： Google AI Studio： Google 开发者 Gemini 视频： Vertex AI 官方文档： Gemini SDK 示例： MCP 官方文档： Google 免费 AI 课程：

睡前来一发，这个视频还是挺完美的。 Anthropic的应用AI工程师Margot Van Laar在Code with Claude分享了提示词工程的实战手册。 核心观点是：我们很少从零写提示词，大部分时间都在调试和维护已有的生产提示词。 最好的起点永远是评估（Eval），而不是直接改提示词。 她用两个真实场景演示了最佳实践： 1. 维护已有提示词（客服机器人） - 先做通用清理：用XML标签结构化（角色/政策/语气/指南分开）、移除冗余补丁、明确输出格式。 - 常见陷阱：以前为旧模型加的“禁止列表”指令，在新模型上会过度拟合，导致模型隐瞒它其实能提供的信息。 - 当模型需要做精确计算时，指令没用，要给它工具。 - 升级/转人工的决策，要把代价和收益两面都说清楚，否则模型会过度优化某一边。 2. 从零构建新Agent（零售排班） - 单一复杂提示词容易失败。 - 更好的方式是拆成生成-评估-修复循环，让三个简单提示词各司其职。 - 模型选择很重要：更强的推理模型（Opus）+ 自适应思考，往往比小模型+复杂提示词更高效。 她反复强调：评估是唯一能告诉你改动是否真正有效的严谨方式。 没有评估，就只是在碰运气。

CLAUDE 盯上的，是玩家离开游戏去外面找答案的那段时间。以前你需要花几个月磨合提示词工程，现在有人直接把成体系的 SOP 甩在了 GitHub 上。 你现在的瓶颈不再是懂不懂 AI，而是敢不敢把自家私藏的 Prompt 库公开复用。接下来该的是：这种开源是否会让初级开发者的溢价彻底归零？

Disclaimer: 本次测试结果仅代表特定场景下的单次表现，不代表该模型的整体性能或长期水准。 测试输出受提示词工程、编程语言、实时网络搜索结果、OpenCode 版本迭代及策略调整等多重因素影响。 本测试属于个人兴趣/非盈利性评测，数据及结论仅供参考，不构成任何技术选型或商业决策依据。😅