Kunal Ganglani
PulseAugur coverage of Kunal Ganglani — every cluster mentioning Kunal Ganglani across labs, papers, and developer communities, ranked by signal.
-
提示词工程手册详述5种关键模式，以实现可靠的AI代理
Kunal Ganglani开发了一本包含100多个可重用提示词的提示词手册，这些提示词被归类为五种关键模式，可显著提高AI输出的质量和可靠性。这些模式包括用于复杂推理的思维链（Chain-of-Thought）、用于风格和格式的少样本提示（few-shot prompting）、用于分解任务的提示链（prompt chaining）、用于AI辅助提示优化的元提示（meta-prompting）以及用于确定性结果的约束输出提示（con…
-
WhatsApp AI 代理面临超越教程的生产障碍
为 WhatsApp 构建 AI 代理在实际生产中面临着超越简单教程的重大挑战。开发者经常会遇到 WhatsApp 严格的消息限制，每天仅限于 250 个独立用户，这可能会悄无声息地阻止消息传递并损害企业的质量评分。此外，Meta 对外发营销消息的每条消息定价模式可能导致意外成本，费率因国家和消息类别而异。文章强调，成功实施需要仔细规划消息队列、分级晋升以及理解 Meta 的定价结构，这些方面在入门指南中常常被忽略。
-
新研究表明，提示注入仍是顶级大语言模型漏洞
arXiv上的一篇新论文详细介绍了针对开源大语言模型的提示注入攻击，发现Stablelm2、Mistral和Vicuña等模型极易受到攻击。该研究提出了攻击成功概率（ASP）指标来更好地评估这些攻击，其成功率可达90%左右。另外，一篇dev.to文章强调，根据OWASP的说法，提示注入仍然是LLM的首要漏洞，这是一个架构性问题，而不仅仅是提示工程问题。随着AI代理被赋予越来越多的现实世界工具访问权限，这种漏洞尤其令人担忧。