与「提示词工程」相关的搜索结果

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。😅

Boris Cherny(Claude Code 的创始人兼负责人) @bcherny 和 Cat Wu(Claude Code 产品负责人) 复盘 Claude Code 第一年: 一年前通用版上线，第一个 demo 发到 Slack 只换来两个 emoji；现在每天有几千个自主 agent 在跑。 这一年最反直觉的转变，是 Boris 已经不直接跟 agent 说话了。 「我跟一个 loop 说话，或者跟一个 routine 说话，由它来给 Claude 发提示词，这真的很疯狂。」 他把 18 个月概括成两次平台级跃迁：第一次，人从写源代码挪到跟 agent 对话；第二次正在发生，人从跟 agent 对话再挪到跟一个 loop 对话，由它去驱动 Claude。 loop 能干到什么程度？Cat Wu 留下的一个边界 bug，当晚被「另一个 Claude」先修好了——一位同事的 routine 专盯 5 小时没人回应的 bug 报告，自动提修复、容易验证的直接合并。Boris 说 routine 现在接管了全部代码审查： · 帮你盯着每一个 PR · 手动修 CI、手动 rebase 这些，他已经很久没做了 放手让 agent 自己跑，不会更危险吗？Boris 的判断正相反。 他的原话： 「其实你根本不想读大多数这些请求，把它路由给另一个模型去做安全检查，效果好太多了。」 理由是人性：当 99% 的权限提示都无害，人读着读着眼睛就发直了，真正危险那条反而被漏掉。推给用户前，团队拿数千条执行轨迹训练分类器，再让红队对代码库做提示注入攻击，每一次成功的攻击都变成一个 eval。 那怎么让一个 agent 能无人值守一直跑？Boris 的第一原则是不纠正单次输出： 「每次 Claude 犯了错，我不会告诉 Claude 下次要怎么做不同。」 而是把解法写进 CLAUDE.md 或做成一个 skill，把同类错误从此关掉。至于上下文，他给的是一条时间线——Sonnet 3.5 要做提示词工程，Opus 4 要做上下文工程，现在的模型两者都不要： 「给它最精简的系统提示词，最少的工具，然后让模型自己搞清楚。」 被问到下一步，Boris 没有预测形态，只说 agent 会跑得更久、更自主，同时并行的数量从一个跳到几千，而协调它们的界面会和现在完全不同——「再过一年，会是一套全新的东西，如果还是这些东西，那反而令人意外」。 完整双语转录 + 章节摘要 + 字幕：

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。