与「PromptEngineering」相关的搜索结果

AI Practical Use #3#: Let AI help you with Excel data analysis. AI 实用玩法第 3 个： 让 AI 帮你做 Excel 数据分析。 Here is a very common office situation: You have an Excel file with sales data, costs, profit, regions, products, and dates. Normally, you may spend 2 hours writing formulas, checking data, making summaries, and building charts. But with AI, you can finish the first draft in about 10 minutes. 一个很常见的办公场景： 你手里有一份 Excel 数据， 里面有销售额、成本、利润、区域、产品、日期。 以前你可能要花 2 小时： 写公式、查数据、做汇总、看趋势、做图表。 现在可以先交给 AI， 10 分钟生成初步分析结果。 You don’t need to manually type every complex formula. Let AI help you: Build formulas Summarize key findings Find abnormal data Compare trends Suggest chart formats Create a report structure 你不需要自己一个个输入复杂函数。 可以让 AI 帮你： 生成公式 总结关键结论 找出异常数据 对比趋势变化 建议图表形式 生成汇报框架 Here is a simple prompt: 这里有一个简单提示词： Please analyze this Excel data. Help me build the right formulas, summarize the key findings, find possible errors or abnormal values, and suggest the best chart or report format. I will review and verify the final results. 中文版本： 请分析这份 Excel 数据。 帮我生成合适的公式，总结关键结论，找出可能的错误或异常值，并建议最适合的图表或汇报格式。 最终结果由我来审核确认。 The key idea is simple: AI does the heavy first draft. You review the logic and final result. 核心思路很简单： AI 负责先把复杂工作做出来， 你负责审核逻辑和最终结果。 Before: 2 hours manually writing formulas. After: 10 minutes with AI assistance. 以前： 手动写公式、做分析，可能要 2 小时。 现在： 借助 AI，10 分钟先完成初稿。 AI is not here to replace your judgment. It helps you save time on repetitive work, so you can focus on checking, thinking, and making better decisions. AI 不是替代你的判断力。 它是帮你节省重复劳动的时间， 让你把精力放在审核、思考和决策上。 Let AI write the formulas. You review the results. 让 AI 写公式， 你负责审核结果。 That is a smarter way to work. 这才是更聪明的办公方式。 #ChatGPT# #AI# #AITools# #Excel# #ExcelTips# #DataAnalysis# #Productivity# #WorkSmarter# #OfficeWork# #BusinessTools# #Automation# #DigitalTools# #TechTips# #FutureOfWork# #PromptEngineering#

All Paid Courses (Free for First 4500 People) 𝗣𝗮𝗶𝗱 𝗖𝗼𝘂𝗿𝘀𝗲 𝗙𝗥𝗘𝗘 (PART - 1) 1. Artificial Intelligence 2. Machine Learning 3. Prompt Engineering 4. Claude,Chatgpt,Grok 5. Data Analytics 6. AWS Certified 7. Data Science 8. BIG DATA 9. Python 10. Ethical Hacking (72 Hours only ) Like + RT + comment ' Drive ' Must Follow me so I can DM you.

Cursor 还是有两下子的，危机感非常强，训 Composer 2.5 的做法： 1. 把全部权重押在一个任务上。不做通用编程，只做"Cursor 里的软件工程"。模型就像一块存储盘，容量有限，那就把所有权重都喂给这一个任务 —— Composer 比 Opus 便宜一个数量级 2. 基座用 Kimi（1T MoE，30B active），先做接近预训练规模的 mid-training 灌代码 token，把分布铺宽；再上大规模 RL 把分布削尖。mid-training 让它会写代码，RL 让它写"对"的代码 3. 让模型直接在自己的 harness 里 RL。工具怎么调、环境怎么导航，全部烤进权重，不靠 prompt 描述 —— "prompt engineering 有上限，想做好产品就得改模型本身"。连上下文压缩都塞进 RL loop（self-summarization）：200K 窗口的模型，实际能连续跑到百万 token 4. 不用第三方 RL 环境厂商，直接拿生产环境（隔离副本）训；再加 real-time RL —— 从用户 happy/sad 的信号里，每几小时更新一次模型 Cursor × Fireworks · Sequoia Podcast 2026.05

GitHub 上一个 7.4w star 的项目，最近刷屏了。 项目名字叫 generative-ai-for-beginners，是微软官方推出的生成式 AI 入门课程。 我本来以为又是那种“看起来很全、实际全是概念”的合集，结果点进去看了两节，直接被惊艳到。 这不是东拼西凑的博客整理，而是真正按照 「怎么一步步做出 AI 应用」 的逻辑来设计的课程体系。 它从 Prompt Engineering 开始教你怎么和模型高效对话、如何精准控制输出；然后自然过渡到 RAG、向量数据库、Fine-tuning、AI Agent、安全等内容。 顺序特别重要。 很多人学 AI 最大的痛苦不是学不会，而是一上来就被 RAG、MCP、Function Calling、Agent、LoRA 等一堆名词砸懵，完全不知道该先学什么、整个链路怎么串起来。 这个课程最牛的地方就在于，它把「为什么先学这个，后学那个」讲得特别清楚，每一节都有明确的 Learning Goals，不会让你学着学着就迷路。 更关键的是——它极度注重实操。 几乎每节都配了 Jupyter Notebook，打开就能跑。你改几个 Prompt，调一下 temperature、top_p，模型输出立刻变化；RAG 那部分更是手把手带你： • 如何切分本地文档 • 如何生成 Embedding • 如何存入向量数据库 • 如何检索 + 喂给模型生成答案 后面 Fine-tuning 讲 LoRA 轻量微调，Agent 部分演示模型如何调用工具完成多步任务。 刷到后面你会突然明白：现在市面上很多 AI 产品，本质上就是把这些模块聪明地拼在一起而已。 最离谱的是，这套课程完全免费，还有中文翻译。 现在很多人一想学 AI，第一反应就是去报各种付费课。但很多付费课其实也是把官方文档换个说法重新讲一遍。 而微软自己做的这套体系化内容，反而更适合想真正从零构建知识框架的人。 我的建议是： 如果你想系统地学生成式 AI，与其每天刷碎片信息、被各种新名词牵着鼻子走，不如直接把这个仓库从头过一遍。 至少你脑子里会先有一张清晰的地图。 仓库地址： 强烈推荐给正在学 AI 的朋友

昨天看到很多朋友在讨论「Claude Code橙皮书：从入门到精通」这本书 我自己认为，学习 AI 知识，除了很底层的原理和短期不会变化的固定知识可能适合通过书来学习。 Claude Code、Codex、Agent 框架和工程、Prompt Engineering、Context Engineering、Harness Engineering 等等概念和知识恨不得每周都在更新，通过书来学习，太不现实了。 作者的书还在编写大纲，知识就已经更新了，等你把书竖出版了，知识都过期了。 当然也不排除现在很多作者也在用 AI 来写书，这种写法，审查难度不低于大型代码仓库的 Code Review，何况。。你也很难保证这位作者，本身有审查能力，或者说，AI 写出来的书，他自己能看懂吗？我不知道！ 下面两张图，仅仅是我很好奇，为啥国内的书籍，这么爱用什么白皮书、蓝皮书、橙皮书，真的不太懂分别都是什么意思，能不能随便用，让 GPT-5.5 和 Claude Opus 4.7 分别解释了一下，大家看看。

The hardest part of OpenClaw is figuring out how to set it up. WorkClaw skips all of that. One-click setup, pre-built skill packs, and a team of AI assistants that live in your tools and start working on day one. No Mac Mini. No prompt-engineering PhD

Stop doom-scrolling. Follow these 15 instead. The smartest AI minds on X right now: 1.@karpathy: ex-Tesla AI, now at OpenAI 2.@fchollet: creator of Keras 3.@ylecun: Meta's Chief AI Scientist 4.@AndrewYNg: built Google Brain 5.@rasbt: ML educator 6.@dair_ai: AI research digest 7.@lilianweng: OpenAI safety lead 8.@jeremyphoward: fastai founder 9.@simonw: AI tools builder 10.@_akhaliq: AI paper tracker 11.@ID_AA_Carmack: gaming legend gone AI 12.@gwern: deep AI thinker 13.@goodside: prompt engineering OG 14.@drfeifei: Stanford AI pioneer 15.@demishassabis: Google DeepMind CEO Repost to help someone level up!! Who am I missing? ⬇️

你应该在 Twitter 上关注的 30 个与 AI 相关的账号： 英文： @karpathy，Andrej Karpathy，Eureka Labs创始人，OpenAI早期成员，前Tesla AI负责人，擅长把神经网络、LLM、Agent讲到普通工程师也能听懂。 @fchollet，François Chollet，Keras作者、ARC-AGI提出者，Ndea和ARC Prize联合创始人，长期讨论AGI、抽象推理和「智能到底是什么」。 @ylecun，Yann LeCun，图灵奖得主、CNN/深度学习代表人物，NYU教授，前Meta首席AI科学家，现在做AMI，长期主张开源、世界模型和非纯LLM路线。 @AndrewYNg，吴恩达， Fund、Landing AI创始人，Coursera联合创始人，AI教育和AI落地应用领域最有影响力的人之一。 @rasbt，Sebastian Raschka，LLM研究工程师、作者，写过《Build a Large Language Model From Scratch》，适合看模型原理、训练细节和代码实现。 @dair_ai， Engineering Guide背后的项目，适合看prompt、context engineering、agent相关资料。 @lilianweng，Lilian Weng，Thinking Machines Lab联合创始人，前OpenAI研究与安全VP，Lil’Log作者，agent、RL、AI安全综述写得非常系统。 @jeremyphoward，Jeremy Howard， @simonw，Simon Willison，Datasette作者、Django联合作者，长期追踪LLM工具、开源生态、prompt injection和AI Agent安全问题。 @_akhaliq，AK，AI论文信息流账号，机器学习背景，主要快速转发新论文、新模型、新项目，适合跟踪前沿动态。 @ID_AA_Carmack，John Carmack，id Software创始人、前Oculus CTO，现在在Keen Technologies做AGI，典型硬核工程派。 @gwern，Gwern Branwen，独立研究者和长文作者，写AI scaling、心理学、统计学、理性主义和长期主义相关内容。 @goodside，Riley Goodside，最早出圈的prompt engineer之一，曾在Scale AI和Google DeepMind，常发模型行为、prompt技巧和AI产品边界测试。 @drfeifei，李飞飞，Stanford教授、World Labs联合创始人兼CEO，ImageNet关键推动者之一，长期做计算机视觉、空间智能和human-centered AI。 @demishassabis，Demis Hassabis，Google DeepMind联合创始人兼CEO，AlphaGo、AlphaFold背后的核心人物之一，2024年诺贝尔化学奖得主。 中文： @dotey，宝玉，中文AI圈非常重要的信息源，长期翻译和整理LLM、Prompt Engineering、Context Engineering、AI工程实践内容，也会分享很多一手产品和技术判断。 @op7418，歸藏，AIGC周刊主理人，关注AI、LLM、AI图像视频和设计，适合追踪新工具、新模型和AI创作玩法。 @xiaohu，小互，中文AI新闻和工具资讯号，主打全球前沿科技、AI动态，也做小互AI日报社群。 @WaytoAGI，通往AGI之路，中文AI知识库和社区型账号，适合系统性补AI资料、工具、教程和行业信息。 @Khazix0918，数字生命卡兹克，AI自媒体和热点监控型账号，做了AIHOT这类AI热点监控网站，适合看中文AI圈正在炒什么、什么值得跟。 @Gorden_Sun，Gorden Sun，稳定更新AI资讯日报，适合当每日AI新闻索引看。 @FinanceYF5，Will，偏AI资讯和行业数据整理，会做AI网站流量、产品数据、行业观察，适合看数据型信息差。 @vista8，向阳乔木，关注LLM、Prompt、效率工具和AI产品落地，内容偏实用观察和产品判断。 @shao__meng，meng shao，关注上下文工程、AI智能体、企业AI落地和AI培训，也经常整理中文AI领域账号合集。 @oran_ge，橘子，前MiniMax AI工具产品负责人， @hanqing_me，汗青，AI Talk创始人，重点在AI短视频、AI数字人、AI艺术和内容创作方向。 @jesselaunz，遁一子，关注AI资讯、AI实际应用和Prompt探索，偏实践派，适合看普通人怎么把AI用起来。 @thinkingjimmy，JimmyWong， @xicilion，响马，西祠胡同创始人、老程序员，分享LLM实战、工程判断和开发者视角，对AI工具链的理解比较硬。 @AI_Jasonyu，鱼总聊AI，关注AI、出海、创业、独立开发和副业方向，经常整理AI博主、工具和产品机会。 有哪些我漏掉了？欢迎补充

帮转 DeepSeek 招 Agent Harness 产品经理 职位描述 团队使命 Model + Harness = Agent 我们正在把 DeepSeek 的前沿模型能力，转化为领先的 Agent 产品。这其中除模型本身以外的所有工作，都属于 Harness 的范畴。 你将加入 Harness 团队，与工程师、研究员紧密协作，参与 DeepSeek 桌面端 Agent 产品的全过程，定义 DeepSeek 对 Harness 的理解。 主要职责 • 规划 DeepSeek Harness 产品路线图，连接研究员、工程师、开源社区和广大用户。 • 理解判断用户的最真实需求，定义与衡量“Agent 是否真的在更多场景下更深入的帮助到更多的人”的指标。 • 与模型训练团队的研究员深度沟通与合作，实现模型与 Harness 的共同进化。 • 帮助 Harness 产品内部落地，以内部真实任务做为 Harness 产品和模型相关能力训练的重要反馈源，持续迭代产品能力。 • 维护 Harness 产品用户社群，从潜在海量用户群体中获取反馈、提取信号，指导产品迭代。 • 协助项目管理相关工作。 任职要求 • 2年以上产品经理从业经验，产品逻辑清晰。特别优秀候选人可放宽年限。 • 学历本科及以上。 • 能够使用 vibe coding 写代码，不一定需要技术背景。 • 能够设计系统性的收集数据的方法（包括问卷、访谈、A/B测试、灰度测试等），并使用统计学的工具严谨科学的分析数据。对此有系统性的思考和实践。 • 是 Agent 产品的高强度用户，熟悉 Agent 产品的各种形态，对 Agent 有极大的热情，对模型行为有品味有判断力，对开发者体验及用户体验有强感知。深度使用过 Claude Code、Cowork、Codex、Cursor、OpenCode、GitHub Copilot、Manus、OpenClaw、Hermes 等类似产品，并将相关产品的使用融入到自己的工作和生活中。 • 理解 LLM 以及 Agent 基本机制及其技术原理，包括 LLM API、KV Cache、Agent Loop、Tool Use、Reasoning、Planning、Skills、MCP、Memory、Subagent、Multi-Agent 等相关知识。对 Prompt Engineering、Context Engineering、Harness Engineering 等课题有第一手实践。 • 具备UI/UX设计素养。能够在 AI 辅助下完成产品原型图设计、UI设计等相关的产品设计工作。 • 优秀的中文沟通能力。能用英文与开源社区、用户社群书面沟通。 加分项 • AI行业从业经验、AI相关产品经验。 • 作为小团队中的产品经理主导产品路线的经验。 • 与研究员深度协作的经验。 • 深度参与开源社区或维护开源社区关系的经验。 • 其它超乎常人的与此工作相关的才能。 团队使命 Model + Harness = Agent 我们正在把 DeepSeek 的前沿模型能力，转化为领先的 Agent 产品。这其中除模型本身以外的所有工作，都属于 Harness 的范畴。 你将加入 Harness 团队，与工程师、研究员紧密协作，参与 DeepSeek 桌面端 Agent 产品的全过程，定义 DeepSeek 对 Harness 的理解。 主要职责 • 规划 DeepSeek Harness 产品路线图，连接研究员、工程师、开源社区和广大用户。 • 理解判断用户的最真实需求，定义与衡量“Agent 是否真的在更多场景下更深入的帮助到更多的人”的指标。 • 与模型训练团队的研究员深度沟通与合作，实现模型与 Harness 的共同进化。 • 帮助 Harness 产品内部落地，以内部真实任务做为 Harness 产品和模型相关能力训练的重要反馈源，持续迭代产品能力。 • 维护 Harness 产品用户社群，从潜在海量用户群体中获取反馈、提取信号，指导产品迭代。 • 协助项目管理相关工作。 任职要求 • 2年以上产品经理从业经验，产品逻辑清晰。特别优秀候选人可放宽年限。 • 学历本科及以上。 • 能够使用 vibe coding 写代码，不一定需要技术背景。 • 能够设计系统性的收集数据的方法（包括问卷、访谈、A/B测试、灰度测试等），并使用统计学的工具严谨科学的分析数据。对此有系统性的思考和实践。 • 是 Agent 产品的高强度用户，熟悉 Agent 产品的各种形态，对 Agent 有极大的热情，对模型行为有品味有判断力，对开发者体验及用户体验有强感知。深度使用过 Claude Code、Cowork、Codex、Cursor、OpenCode、GitHub Copilot、Manus、OpenClaw、Hermes 等类似产品，并将相关产品的使用融入到自己的工作和生活中。 • 理解 LLM 以及 Agent 基本机制及其技术原理，包括 LLM API、KV Cache、Agent Loop、Tool Use、Reasoning、Planning、Skills、MCP、Memory、Subagent、Multi-Agent 等相关知识。对 Prompt Engineering、Context Engineering、Harness Engineering 等课题有第一手实践。 • 具备UI/UX设计素养。能够在 AI 辅助下完成产品原型图设计、UI设计等相关的产品设计工作。 • 优秀的中文沟通能力。能用英文与开源社区、用户社群书面沟通。 加分项 • AI行业从业经验、AI相关产品经验。 • 作为小团队中的产品经理主导产品路线的经验。 • 与研究员深度协作的经验。 • 深度参与开源社区或维护开源社区关系的经验。 • 其它超乎常人的与此工作相关的才能。