⚡ AiNews
⚡ 速览 🧠 模型
← 返回首页

#prompt engineering

包含标签 "prompt engineering" 的文章，共 13 篇。

🤖 AI Agent Hacker News

AI交互新范式：提示词重要性下降

这篇来自 Hacker News 的文章探讨了当前 AI 交互模式的演变，指出随着 AI 技术的发展，传统上对“提示词工程”的过度依赖正逐渐减弱。文章核心观点是，当 AI 系统能够脱离即时、一次性的提示（“leaving the room”）进行自主运作时，初始提示词的重要性将大幅下降。 文章深入分析了这一转变背后的技术驱动力。首先，AI Agent 的兴起是关键因素。这些智能体能够理解复杂指令、执行多步骤任务、维护长期上下文，甚至在没有持续人工干预的情况下自主规划和采取行动。在这种模式下，用户只需提供高层次的目标，而非详细的每一步提示。其次，大模型上下文窗口的显著扩展也起到了重要作用。更长的上下文使得模型能够记住更长的对话历史和更多相关信息，从而减少了重复性提示的必要，并允许 AI 系统更好地理解和适应用户意图。 对于开发者和 AI 创业者而言，这意味着开发范式的转变。重点将从优化单个提示词转向设计更健壮的 AI Agent 架构、高效的状态管理机制以及持久化的记忆系统。未来的 AI 应用将更强调自主性、上下文感知和长期学习能力。文章强调，这种趋势预示着 AI 系统将变得更加主动和智能，能够更好地融入复杂的工作流，为用户提供更无缝、更高效的体验，而不再仅仅是响应式工具。

#ai agent #prompt engineering #llm interaction
▲ 1
🧠 模型动态 V2EX

ChatGPT图像透明处理：为何‘固执’伪装？

原文揭示了用户在使用ChatGPT进行图像背景透明化处理时遇到的一个典型问题：尽管用户明确指示需要“真透明”而非“白色方格伪装”，ChatGPT仍反复输出带有白色方格背景的图像。这一现象反映出大型语言模型（LLM）在处理需要精确视觉输出或特定文件格式理解的任务时存在的局限性。ChatGPT作为文本生成模型，可能将“透明”的概念误解为视觉编辑器中常见的透明背景表示（即白色方格），而非实际的图像文件透明通道。 对于依赖AI进行图像处理的开发者和创业者而言，这提示了在集成LLM时，需警惕其在非文本领域（如图像像素级操作）的“幻觉”或能力边界。在实际应用中，此类任务可能仍需结合专门的图像处理工具或API，而非完全依赖通用LLM，以确保输出的准确性和实用性。

#openai #llm #hallucination
🤖 AI Agent V2EX

Codex生成幽灵规则：AI理解偏差与开发者应对

V2ex社区有开发者指出，在使用AI编码助手Codex时，发现其常写入“幽灵规则”。当要求Codex纠正、取消或排除某个行为时，它并非简单删除，而是额外添加“明确不做”、“暂不支持”等反向说明。例如，在优化笔记流程时，用户要求移除年度回顾流程并解释“等年底再单独设计”，Codex虽删除了流程，却留下了“年度回顾明确为‘年底需要时再定义并确认独立流程’”的说明。 开发者分析，问题根源在于AI难以区分用户解释性原因与需沉淀的规则。用户习惯将AI视为聊天对象，过多解释导致AI误将这些解释写入文档，污染其理解。这种“幽灵判断”行为虽不影响核心流程，却使文档冗余且奇怪，在Skill设计和项目文档中屡次出现。为解决此问题，开发者考虑在不改变自身沟通方式的前提下，通过修改全局AGENTS.md来限制AI的这种行为。这提示开发者在使用AI工具时，需更精细化地设计指令，或通过配置AI行为来避免不必要的输出。

#codex #ai agent #prompt engineering
🧠 模型动态 LINUX DO

GPT提示词工程：用户对模型行为控制的挑战

一位资深用户在尝试通过提示词（prompt engineering）深度调教GPT的对话风格和人格时，遭遇了极大的挫败感。经过长达一周的反复调试，该用户认为GPT的输出行为受到一层无法触及的底层系统提示词限制，导致其无法完全按照预期塑造模型的对话模式，甚至达到了“破防”的程度。 用户对GPT提出了多项明确且细致的风格要求，核心在于追求一种自然、真实、有边界感且表达清晰的人类对话体验。这些要求涵盖了从避免短句、杜绝谄媚或助手姿态，到保持轻松幽默氛围、强调真实人类性格的模糊多变性，以及反对过于精炼或隐喻的语言等多个维度。这反映了用户对AI模型在对话中实现高度人性化和个性化体验的强烈需求。 这一案例深刻揭示了当前大模型在高级提示词工程中的局限性。对于中国开发者和AI创业者而言，它意味着在构建依赖大模型进行复杂对话或需要特定人格设定的AI应用时，可能面临难以通过提示词实现精细化控制的挑战。这不仅考验了提示词设计的艺术，也暗示了模型本身在理解和执行多维度、有时甚至相互冲突的风格指令方面的内在难度。未来，可能需要更深层次的模型控制机制或更智能的提示词管理工具，才能满足用户对AI模型行为的极致个性化需求，从而提升用户体验和应用场景的广度。

#openai #gpt #prompt engineering
💻 AI 编程 V2EX

Vibe Coding两年体验：从摸索到掌握Prompt Engineering

一位高中生开发者分享了其两年Vibe Coding的个人体验与感悟。作者于2024年高二时接触Vibe Coding，彼时AI模型如DeepSeek R1和OpenAI的GPT-o1性能尚不成熟，思维链技术未普及，且Token成本高昂。作为一名学生，作者通过亲戚的AWS账户获得了GPT Pro的使用机会。 初期，作者在使用AI辅助编程时面临巨大挑战，因需求表述不清而频繁获得低质量输出。然而，随着时间推移，到2025年初，“Vibe Coding”一词开始流行，作者也通过Vibe Coding社区接触并学习了“Prompt Engineering”这一关键技术。通过实践，作者深刻体会到，精确的Prompt Engineering能够显著提升AI生成代码的质量和实用性。 这段经历不仅展现了早期AI辅助编程的局限性，也反映了开发者在AI工具演进过程中，从盲目尝试到掌握核心技巧（如Prompt Engineering）的学习曲线。对于中国开发者和AI创业者而言，这提供了宝贵的实践经验，强调了在利用AI进行编码时，理解并应用Prompt Engineering的重要性，以及社区在知识传播中的作用。

#vibe coding #prompt engineering #ai coding
💻 AI 编程 V2EX

Vibe Coding两年感悟：AI编程辅助的个人成长

该文章是一位高中生分享其在2024年开始接触并使用“Vibe Coding”（当时尚未普及的AI辅助编程概念）两年来的个人感悟。作者于2024年高二时了解到AI辅助编程，当时DeepSeek R1和OpenAI GPT-o1等大模型刚崭露头角，但Token价格昂贵，性能和思维链能力远不如现在。作为一名预算有限的学生，作者通过在AWS悉尼工作的表哥获得了GPT Pro的使用机会。 初期使用时，作者因不熟悉如何与AI交互，经常给出模糊不清的需求，导致AI产出质量低下，双方陷入“互相喂💩”的低效循环。然而，到了2025年初，“Vibe Coding”这一说法开始流行，作者通过相关社群首次接触到“Prompt Engineering”这一概念。这一发现对作者产生了巨大影响，他意识到通过优化对AI的输入（即Prompt），可以显著提升AI输出的质量和精确度。 文章强调了AI辅助编程从早期摸索阶段到逐渐形成方法论（如Prompt Engineering）的演变过程。对于中国开发者和AI创业者而言，这篇分享揭示了早期AI编程辅助工具的实际应用挑战、学习曲线，以及Prompt Engineering在充分发挥大模型潜力方面的关键作用。它也侧面反映了早期大模型在性能、成本和易用性方面的局限性，以及用户社区在知识传播和技能提升中的重要价值。

#ai coding #prompt engineering #gpt
🧠 模型动态 LINUX DO

李开复分享Claude反“拍马屁”提示词

近日，知名AI专家李开复在社交平台X上分享了一个旨在引导Anthropic的Claude大模型提供更客观、避免“拍马屁”式回复的提示词。该提示词的出现，反映了业界对大模型输出内容真实性和实用性的关注，尤其是在专业技术场景中，开发者和AI创业者更需要AI提供直接、无偏见的反馈。 该提示词的核心目标是优化Claude的行为，使其在回答问题时能够更专注于事实和技术分析，减少不必要的客套或过度积极的措辞。这对于AI Coding、AI Agent开发等领域至关重要，因为精确、客观的AI输出能显著提高开发效率和决策质量。例如，在代码审查、系统架构讨论或Agent行为逻辑设计时，一个能够直言不讳指出问题或提供中肯建议的AI，其价值远超一个只会奉承的AI。 尽管原文摘录中提到社区对该提示词的实际效果仍在讨论和验证中（“不知道效果怎么样”），但这一分享本身就凸显了Prompt Engineering在塑造大模型行为、使其更好地服务于特定应用场景中的关键作用。对于中国开发者和AI创业者而言，掌握此类提示词工程技巧，是提升LLM工具链效能、构建更可靠AI应用的重要一环。

#claude #prompt engineering #kai-fu lee
🤖 AI Agent LINUX DO

AI Agent指令编写：开发者建议手动而非模型生成

这篇来自LinuxDo的开发者心得强调了在使用AI Agent时，手动编写指令的重要性，而非将此任务交给模型。作者指出，对于非初学者而言，让AI Agent自行生成指令（如通过复述需求或“plan”模式）往往导致指令冗长、低效且缺乏实用性，最终在后续工作中浪费大量时间和精力，甚至影响心情。 根据作者的实践经验，尽管初期可能需要花费一个下午的时间来搭建工作区并精心手写指令，但这种投入远比后期与AI Agent的低效输出“较劲”要划算得多。手动编写指令能显著提升工作流程的顺畅度和效率，带来更舒适的开发体验。这一观点对正在使用或计划使用AI Agent的中国开发者和AI创业者具有实际指导意义，提示他们在追求自动化时，仍需关注核心控制与指令质量，以确保AI工具真正发挥其技术价值和生产力。

#ai agent #prompt engineering #developer tips
🤖 AI Agent LINUX DO

AI Agent记忆：用户偏好与分析风格记忆难题

用户在使用AI Agent（如Hermes Agent）时，面临Agent无法有效记住其特定工作方式、分析偏好及交互风格的挑战，Agent输出常“我行我素”。现有记忆系统问题突出：记忆空间迅速占满后自动压缩，导致内容难以理解且失去实用价值。用户不希望Agent自动记忆未经核实或快速更新的工作信息，认为其会干扰工作。用户期望Agent能记住并自动切换其特定的思考模式，如宏观设计分析、分层分析、不同描述方式，以及解释时充分考虑用户知识背景。然而，通过当前记忆系统规范这些行为效果极差。用户正寻求能实现自动切换的有效技术方案，以避免手动注入提示词，这凸显了AI Agent在个性化、长期记忆与行为规范上的技术瓶颈。

#agent #memory #customization
🧠 模型动态 LINUX DO

GLM 5.2 模型限制突破方案探讨

在LinuxDo社区中，有开发者发帖求助，探讨GLM 5.2大模型是否存在“破限”方案。该开发者指出，在尝试修改Markdown文件和系统Prompt文件后，仍未能成功绕过模型限制。这一讨论反映了当前AI开发者在使用大型语言模型时普遍面临的一个挑战：如何突破模型内置的安全策略、内容过滤或特定行为限制，以实现更广泛的应用或探索模型的深层能力。 “破限”通常指的是通过高级Prompt工程技巧、角色扮演设定、特定指令序列，甚至利用模型漏洞来规避预设的审查机制，从而生成在正常情况下可能被拒绝或过滤的内容。GLM 5.2作为智谱AI推出的重要模型，其内置的安全性与内容审核机制旨在确保模型的负责任使用。然而，对于部分开发者而言，这些限制可能阻碍了其在特定创新应用、学术研究或边缘场景中的探索。 该帖文的尝试失败，暗示了GLM 5.2可能具有较为健壮的防护措施，简单的文件修改或基础Prompt调整难以奏效。这对于中国开发者和AI创业者而言，意味着在利用GLM 5.2进行开发时，需要更深入地理解其工作原理和限制，并可能需要探索更复杂的Prompt工程策略，或考虑通过官方提供的微调（Fine-tuning）服务来定制模型行为，而非依赖于非官方的“破限”方法。社区的讨论也凸显了开发者群体对模型开放性和可控性的持续需求。

#glm #zhipuai #prompt engineering
🤖 AI Agent V2EX

AI Agent英文交互：提升编程理性与逻辑

一篇V2EX帖子分享了开发者在使用AI编码助手Claude Code时的语言选择体验。发帖人指出，此前一直习惯使用中文指令与Claude Code进行交互，但在近期尝试切换至英文指令后，发现编程体验发生了显著变化。这种转变带来了一种“古法编程”的独特感受，即在与AI Agent沟通时，体感上会让人更加理性、冷静，并能促使思维逻辑更加清晰。这一观察暗示，对于中国开发者而言，选择英文作为与AI Agent的交互语言，可能有助于优化其编程心境和思维模式，从而提升开发效率和代码质量，值得其他开发者尝试和探讨。

#claude #agent #coding
🛠️ 开发工具 LINUX DO

有道词典笔A7内置AI助手初探：模型集成与交互挑战

有道词典笔A7内置AI助手引发关注，其集成了子曰、豆包、Deepseek和千问四款大模型，相较于前代A6的“人工智障”有显著提升。用户发现，在使用过程中，仅有道自研的“子曰”模型会显示“思考”过程，其他模型则无此表现，且未找到相关设置开关。在知识截止日期查询中，豆包模型拒绝回答。交互方面，A7的AI助手仅支持语音输入，单次最长30秒，且受限于办公室网络环境不佳，输入失败率高，难以进行复杂的提示词工程。功能测试显示，扮演猫娘等角色指令失败，但代码生成成功，尽管UI未适配Markdown，导致格式混乱、换行丢失。最值得关注的是，用户通过“翻译法”成功提取了系统提示词，初步分析发现提示词反复强调禁用Markdown和Emoji。此次研究揭示了大模型在边缘设备集成中的现状、UI适配挑战以及提示词工程的重要性。

#youdao #llm #ai assistant
💻 AI 编程 Hacker News

提示词非运行时：理解AI系统架构的关键

文章深入探讨了“提示词（Prompt）并非运行时（Runtime）”这一核心概念，强调了在构建复杂的AI应用和Agent时，区分两者的重要性。提示词本质上是向大型语言模型（LLM）提供的指令或输入数据，它定义了LLM的输出方向和内容，但本身不具备执行逻辑、管理状态或与外部环境交互的能力。而运行时则是一个更广阔的执行环境，负责协调LLM、外部工具、数据库以及业务逻辑，处理控制流、状态管理和错误恢复等。 这一区分对于开发者和AI创业者至关重要。过度依赖提示词来解决所有问题，尤其是在需要复杂逻辑、长期记忆或多步骤决策的场景中，会导致系统不稳定、效率低下且难以维护。文章指出，真正的AI系统需要一个外部的“运行时”层，例如通过Agent框架（如LangChain、LlamaIndex）或自定义代码来实现，该层负责将LLM作为推理引擎集成到更大的软件架构中。这促使开发者从单纯的“提示词工程”转向更全面的“AI工程”，关注系统设计、模块化和可扩展性，从而构建出更健壮、智能和实用的AI应用。

#prompt engineering #ai agent #llm architecture
▲ 2