prompt engineering
PulseAugur coverage of prompt engineering — every cluster mentioning prompt engineering across labs, papers, and developer communities, ranked by signal.
- instance of Harness Engineering 70%
- competes with Loop engineering of amadoriase II and mutational cooperativity 70%
- instance of Royal Galician Academy 70%
- used by Claude Fable-5 70%
- other Context Engineering 60%
- other fine-tuning 60%
- affiliated with Loop engineering of amadoriase II and mutational cooperativity 60%
- instance of Loop engineering of amadoriase II and mutational cooperativity 60%
- affiliated with Harness Engineering 60%
- other Graph Engineering 60%
- affiliated with Vector Databases 60%
- other Harness Engineering 50%
17 天有情绪数据
-
上下文工程：超越提示词的LLM系统架构
上下文工程被视为构建复杂自主AI系统的关键系统架构学科，超越了简单的提示词优化。它涉及像管理RAM一样管理LLM的上下文窗口，确保模型在需要时接收精确的信息和指令。关键策略包括选择相关的外部数据、压缩上下文、在活动窗口外持久化状态以及隔离不同领域的上下文，以防止上下文投毒、分心、混淆和冲突等问题。
-
上下文工程：优化 AI 代理信息访问
上下文工程是一个新兴领域，专注于 AI 代理应该访问哪些信息，超越了传统的提示工程。这种方法旨在通过解决提示信息过多、检索工具不正确以及评估方法不足等问题来提高 AI 代理的性能。正在探索关键的架构见解以优化 AI 代理的行为和有效性。
-
LLM 的有效提示工程技术
提示工程通常被认为不可靠，但通过关注基于大型语言模型（LLM）工作原理的具体技术，可以使其变得有效。关键策略包括：明确指定期望的输出格式、提供少量示例以展示模式，以及采用思维链提示以鼓励复杂任务的逐步推理。此外，为 LLM 分配一个有目的的角色并将其分解为更小的、顺序性的提示可以显著提高性能，而礼貌、模糊的最高级和提示填充通常是无效的。
-
新的 pdlc-skills 工具集成了提示、循环和图工程，用于 AI 编码
一款名为 pdlc-skills 的新工具已被开发出来，它集成了提示、循环和图工程的概念，用于 AI 编码。这款 Claude Code 的插件旨在将聊天交互生成的 AI 代码转化为磁盘上的功能代码。它根据产品开发生命周期来构建 AI 的工作流程，确保工件被保存，功能保持状态，并且测试必须在实现前失败。
-
AI应用成功取决于框架而非模型
本文认为，AI应用（尤其是在编码领域）的有效性更多地取决于周围的框架和工具，而不是所使用的特定大型语言模型。文章强调，检索增强生成（RAG）、提示工程和微调等技术，以及LangChain和LlamaIndex等平台，对于优化性能至关重要。作者提出，即使是OpenAI的GPT-4和Anthropic的Claude 3等强大模型，其性能也可能因集成质量和支持基础设施的优劣而受到显著影响或限制。
-
上下文工程成为超越提示的关键学科
上下文工程正作为一门独立于提示工程的学科出现，它侧重于对大型语言模型（LLM）输入的程序化组装，而不仅仅是单个提示的措辞。这一新领域解决了如何在模型固定的上下文窗口内管理和优化各种组件的问题，例如对话历史、检索到的数据和工具输出。专家认为，许多复杂AI代理的失败源于上下文管理问题，而非模型本身的局限性，这凸显了在该领域进行刻意设计和实验的必要性。
-
规范工程成为继提示工程之后的下一项AI技能
专注于提出更好问题的提示工程正在演变为规范工程。随着人工智能系统能够执行更自主的多步任务，这种新方法变得必要，它需要清晰地定义目标和约束，而不仅仅是巧妙的提示。
-
Microsoft 发布 POML，用于结构化提示工程
Microsoft 开发了提示编排标记语言 (POML)，这是一种开源语言，旨在像 HTML 和 CSS 组织网页内容一样组织提示工程。POML 使用语义标签来表示角色、任务和示例，并使用样式表来控制提示的长度和格式，而不会改变核心逻辑。这种方法旨在使处理 AI 模型（提供内置模板和 VS Code 扩展以进行预览和诊断）的开发人员更容易管理复杂的提示。
-
提示、循环和图谱工程：理解 AI 代理架构
本文区分了三种不同的构建 AI 代理交互的方法：提示工程、循环工程和图谱工程。提示工程（现在常被称为上下文工程）侧重于仔细选择在任何给定时间提供给模型的信 息。循环工程（由 Ralph 等设置推广）涉及迭代优化，其中模型输出经过多轮测试和改进。图谱工程（以 LangGraph 等框架为例）定义了不同代理或步骤之间的显式执行路径和交接。作者强调，这些并非互斥或总是必需的层，而是可选的、嵌套的组件，可以根据复杂性添加，并建议从简单开始，仅…
-
用户建议AI生成的政治演讲应包含提示词
一位Mastodon用户建议，用于生成政治演讲和官方通讯的提示词应公开披露。这将使公民能够理解来自政治家、部委和政府机构的AI生成内容的潜在信息。该提议旨在提高生成式AI在公共管理和政治话语中的使用透明度。
-
AI代理开发取决于系统设计，而非仅仅是提示工程
AI代理不仅仅是大型语言模型与工具的结合；它需要一个复杂的执行循环来进行推理和行动。开发可靠的代理涉及解决软件工程师熟悉的挑战，例如状态管理、工具选择、错误处理和可观察性。核心难点在于设计这个执行循环以确保可预测的代理行为，而不是仅仅关注提示工程。
-
2026年20个生成式AI概念详解
本文用通俗易懂的语言介绍了2026年相关的20个关键生成式AI概念。内容涵盖了大型语言模型、Transformer和提示工程等基础概念，以及多模态AI、检索增强生成（RAG）和AI代理等更高级的主题。指南还涉及了伦理考量以及微调和LoRA等实用技术。
-
软件开发者讨论除RAG和提示工程之外的必备AI技能
一场Mastodon上的讨论正在征求用户意见，关于在检索增强生成（RAG）和提示工程之外，软件开发者所需的必备技能。本次对话旨在识别在AI和LLM不断发展的格局中，未来工作岗位所需的关键能力。
-
人工智能提示技巧，以获得更好的结果和更快的流程
这篇帖子提供了通过提示工程改进人工智能交互的实用建议。关键策略包括在请求中具体说明、提供示例以指导人工智能，以及根据结果迭代优化提示。作者强调，即使对提示进行微小的调整，也能显著提高输出质量和效率。
-
LLM上下文窗口需要调度器，而不是模板引擎，以实现稳健管理
当前管理LLM上下文窗口的方法通常依赖于简单的字符串连接和截断，这对于复杂应用程序来说是不够的。这种被称为“上下文工程”的方法缺乏操作系统或查询规划器等其他计算系统中发现的强大资源管理功能。一种更有效的方法是将上下文窗口视为一种有价资源，并配备一个专门的调度器来实现优先级分层、驱逐策略和可测试的不变量，而不是依赖基本的模板引擎。
-
提示工程：AI模型的基础与应用
本文深入探讨了提示工程的基础和应用，这是一种用于提高AI模型准确性和效率的关键技术。旨在全面解释这些概念。
-
AI术语演进：澄清循环工程
作者讨论了AI术语的快速演变，从提示工程（prompt engineering）到上下文工程（context engineering）、循环工程（loop engineering）和图工程（graph engineering）。他们旨在阐明循环工程的概念，解释它并不像看起来那么复杂，并且已经是与Claude或ChatGPT等LLM日常互动的一部分。本文旨在提供一个实际示例来揭开该术语的神秘面纱。
-
AI开发和提示工程被比作实验性考古
来自同一Mastodon用户的两篇相关帖子讨论了AI开发和提示工程的性质。第一篇帖子批评了“架构师”头衔等同于真正系统判断的观点，认为有价值的架构决策通常来自组织层级较低的个人。第二篇帖子将提示工程比作不透明语言的调试阶段，将该过程比作对黑箱进行实验性考古，而不是熟练的指导。
-
提示词工程：用真实案例和反例进行测试
提示词工程需要超越简单模板的严格测试，专注于真实世界的用例和反例。提示词应被视为一个小型验收测试，定义任务、输入数据、期望的输出格式、真实边界和拒绝条件。测试包括在实际案例和违反关键条件的类似反例上运行提示词，确保在条件不满足时模型能正确拒绝生成输出。
-
AI中的上下文工程与提示工程
文章探讨了AI中上下文工程与提示工程的区别。文章提出，提示工程侧重于为AI模型精心设计具体的指令，而上下文工程则涉及提供更广泛的背景信息和数据来指导AI的响应。作者认为，上下文工程可能是实现预期AI结果的更有效方法。