-
意识 × Loop：让 Loop 跨 Session 自进化的最佳实践
本文以 FDE 公司调研实践为例，提出通过「意识层」（AGENTS.md / MEMORY.md / USER.md）实现 Agent Loop 跨会话自进化的方法论，并详细阐述三层对齐、手动阀门保留及搭建步骤。- 0
- 0
-
从 Prompt 到 Harness：企业级 Agent 工程的完整演进之路
本文系统回顾了企业级 AI Agent 平台从 Prompt 工程到 Harness 工程的完整演进，提出四层上下文防线、三层记忆架构和赋能范式设计哲学。- 0
- 0
-
AI 代码生成率 94%：我们用一个 Skill 跑通需求开发全流程
本文详细介绍了腾讯企业微信团队如何通过一个名为 Skill 的 AI 辅助编码流水线，将需求开发流程拆解为 8 个阶段，实现 94%的代码生成率，并重点阐述了五步定位法、代码知识库和需求语义翻译等关键设计。- 0
- 0
-
Harness 工程实践：如何让 Agent 完成自主迭代
本文复盘了阿里技术团队如何借鉴 Harness 工程理念，让 AI Agent 自主运行 17 小时完成 16 轮 prompt 迭代优化，并分享了防止早停、上下文打爆与 reward hacking 的实战方案。- 0
- 0
-
藏在大模型背后的新闻人：GPT 们的回复是这样写出来的
本文通过深度访谈两位从新闻业转型为「内容工程师」的资深媒体人，探讨了如何将人文品味、语感与叙事逻辑转化为 AI 训练的工程标准，揭示了 AI 时代内容创作的新范式。- 0
- 0
-
Y Combinator 对话：揭秘顶尖 AI 公司的提示工程秘籍
文章基于 Y Combinator 的一次播客对话，深入探讨了顶尖 AI 初创公司在提示工程领域的先进实践。核心在于“Meta Prompting”，即利用大模型自身能力优化和生成更有效的提示，提升模型性能。文章详细分析了 Para Help 构建专业 AI 客服代理的长篇、结构化提示，并提出了系统、开发者、用户三层提示架构。强调了高质量评估数据集（Evals）作为 AI 公司核心知识产权的重要性…- 0
- 0
-
多智能体在「燃烧」Token！Anthropic 公开发现的一切 ｜ 机器之心
文章深入探讨了 Anthropic 基于 Claude 模型构建多智能体研究系统的方法和经验。核心采用“协调者-执行者”架构，主导智能体分配任务给并行运行的子智能体，以应对复杂、开放式研究问题。研究表明，token 消耗是智能体性能的关键驱动因素，多智能体系统通过并行消耗 token 显著提升了处理能力，但成本也随之增加。文章详细分享了有效的提示词工程原则（如分工、分级投入、工具设计）和评估方法（…- 0
- 0
-
浅谈上下文工程｜从 Claude Code 、Manus 和 Kiro 看提示工程到上下文工程的转变
文章详细阐述了在 AI Agent 快速发展背景下，从提示词工程向上下文工程的范式转变。首先，文章定义了上下文工程为构建动态系统，以合适的格式为 LLM 提供正确信息和工具，并列举了其七大核心组成部分，对比了其与提示词工程的区别。文章强调了上下文工程在降低 AI 失败率、保证一致性、支持复杂特性和自我修正方面的核心价值。随后，文章深入分析了长上下文带来的“Context-Rot”问题及其解决方案，…- 0
- 0
-
使用 Spring AI 的提示工程技术
本文详细介绍了 Java 开发人员如何使用 Spring AI 框架实现各种提示工程（Prompt Engineering）技术。首先解释 LLM 配置，包括选择像 OpenAI 和 Anthropic 这样的提供商，以及调整诸如温度（temperature）和最大 Token 数（maxTokens）等生成参数。然后，本文通过 Java 代码示例演示了零样本提示（Zero-Shot Prompt…- 0
- 0
-
2025 年的 AI prompt 工程：哪些有效，哪些无效
本文深度分析了 AI 提示工程的当前重要性及未来趋势，驳斥了“提示工程已死”的观点，并引入“人工社交智能”概念。作者详细介绍了如少样本提示、任务分解、自我批判和附加信息等提升提示效能的核心技巧，并指出角色提示等技巧在准确率任务上已不再有效。文章重点探讨了 AI 安全领域的提示注入问题，通过其大规模红队竞赛经验揭示了混淆、故事诱导等常见攻击手段的有效性，并强调了智能体安全是未来更大挑战。同时，文章分…- 0
- 0
-
LLM 高效沟通指南
文章系统地阐述了如何与大型语言模型进行高效沟通，从基础的“火花模式”到严谨的“工程模式”循序渐进。核心理念是将 LLM 视为“概率驱动的续写引擎”，而非读心专家。作者提出了五种非常规心智模型，帮助读者理解 LLM 的工作机制，并引入了“可验收规范（SPECS-V）”框架，即通过明确范围、受众、证据、约束、步骤和验收标准来构建高质量提示词。文章还提供了“任务卡”模板、MVP 提示词、迭代闭环等实用工…- 0
- 0
-
超越提示词设计：如何成为 AI 结对编程更好的伙伴
本文强调，有效利用像 GitHub Copilot 这样的人工智能结对编程工具，需要的不仅仅是精心设计的提示词。它解释说，Copilot 类似于人类开发人员，会“阅读”代码，并从更广泛的上下文中获益，而它通常缺乏这种上下文，因为它没有“机构知识”。作者提出了三种关键方法来提供这种关键的上下文：首先，通过添加描述性的代码注释和文档字符串，以提高 Copilot 对现有代码模式的理解；其次，通过利用自…- 0
- 0
-
【早阅】逆向工程 Claude Code：学习这些 Agent 技巧
文章深度剖析了 Claude Code 代理在代码生成领域表现卓越的秘密，核心在于其高度复杂的提示工程。作者通过逆向工程其打包的 CLI 文件，并利用 Proxy Man 工具拦截与 Anthropic API 的交互请求，揭示了 Claude Code 的系统提示和工具定义是动态构建的，而非硬编码。文章详细阐述了核心代理的工作流，强调了系统提示在定义代理角色、语气、任务管理和工具使用方面的关键作…- 0
- 0
-
从 Prompt 到 Context：基于 1400+ 论文的 Context Engineering 系统综述
基于对 1400 多篇论文的系统综述，文章深入探讨了“Context Engineering”这一新兴概念，指出其是 Prompt Engineering 的延伸，旨在通过在有限的上下文窗口内精确构建信息，以优化大型语言模型（LLM）的行为。作者首先通过类比搜索引擎的历史，反驳了 Prompt Engineering 将被弱化的观点，并引入了 Context Engineering。文章将 LLM…- 0
- 0
-
3 万字长文！通俗解析大语言模型 LLM 原理
文章深度剖析了大语言模型（LLM）的演进历程与核心原理。开篇回顾了从 N-gram 到 RNN、LSTM 等统计与神经网络语言模型的发展及其局限性。随后，详细阐述了 Transformer 架构，包括其 Encoder-Decoder 结构、多头注意力机制、位置前馈网络、残差连接与层归一化，并重点介绍了其并行计算优势。文章进一步聚焦于现代 LLM 普遍采用的 Decoder-Only 架构，解释了…- 0
- 0
提示工程
扫码打开当前页
-
✈优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×