prompt engineering
PulseAugur coverage of prompt engineering — every cluster mentioning prompt engineering across labs, papers, and developer communities, ranked by signal.
- other Context Engineering 70%
- instance of Harness Engineering 70%
- competes with Loop engineering of amadoriase II and mutational cooperativity 70%
- instance of Royal Galician Academy 70%
- instance of Loop engineering of amadoriase II and mutational cooperativity 70%
- affiliated with Vector Databases 60%
- affiliated with Harness Engineering 50%
- other fine-tuning 50%
- affiliated with Loop engineering of amadoriase II and mutational cooperativity 50%
- other Towards AI 50%
- other Loop engineering of amadoriase II and mutational cooperativity 50%
19 天有情绪数据
-
LLM、MCP 和 RAG 领域指南面向 AI 工程师
这是一份面向大型语言模型 (LLM)、模型上下文协议 (MCP) 和检索增强生成 (RAG) 的综合领域指南。它专为需要生产环境实用、动手知识的 AI 工程、测试和运营领域的专业人士而设计。该指南涵盖了企业 AI 架构、提示工程、向量数据库、AI 测试、LLMOps 和安全等基本主题，并提供可操作的见解和问答环节以巩固理解。
-
评估驱动开发优先考虑可衡量的胜利，而非主观的提示词调整
评估驱动开发被提出作为一种改进 AI 模型优于提示工程的方法。核心原则是首先建立一个失败的评估指标，然后通过迭代优化提示词来满足该指标。这种方法确保改进是可衡量的，并防止在依赖主观评估时可能发生的质量无声回归。
-
新的代理式导师‘Prompt Coach’提升开发者的提示工程技能
一篇新论文介绍Prompt Coach，一个旨在帮助软件开发者学习提示工程技能的代理式导师。该工具在IDE中提供苏格拉底式指导，根据开发者的代码库和LLM行为评估提示质量并提供有针对性的问题以进行自我纠正。一项对15名专业开发者的初步研究表明，在一次60分钟的会话后，提示写作技能有了显著提高，参与者报告了高度的信任度和采纳意愿。
-
AI 工作流框架：Prompt-based, LangGraph, Temporal 和 n8n 对比
文章对比了四种 AI 工作流框架：Prompt-based、LangGraph、Temporal 和 n8n，重点介绍了它们在工作流定义、状态持久化和执行引擎方面的不同方法。Prompt-based 工作流使用 Markdown 和 YAML，并由 LLM 驱动路由，易于非工程师修改，但引入了不确定性。LangGraph 和 Temporal 利用确定性的 Python 代码进行执行和状态管理，提供更好的可测试性和可观察性，其中 La…
-
企业 LLM 工程指南侧重于系统可靠性和安全性
本指南侧重于企业 LLM 工程，强调围绕大型语言模型创建可靠、可观察和安全的系统，而不仅仅是提示工程。它详细介绍了 LLM 系统的核心组件、架构和生产生命周期，重点介绍了从提示工程到 RAG、AI 代理和 MCP 的演变，以实现更好的基础、操作和集成。该资源旨在为工程师提供在设计和操作生产就绪的 LLM 应用方面所需的高需求技能。
-
AI开发重心从提示工程转向上下文工程，引发安全问题
“上下文工程”的概念正在成为AI开发中传统提示工程的潜在继任者。这种方法涉及将上下文更深入地集成到AI系统中，超越简单的提示优化。此外，一个相关的担忧是AI生成应用程序的安全性，出现了关于谁负责修补这些AI创建工具中漏洞的问题。
-
提示工程、RAG和微调：选择正确的LLM工具
本文探讨了在大型语言模型背景下，提示工程、检索增强生成（RAG）和微调之间的区别及适用场景。文章强调，在选择技术之前，诊断AI失败的根本原因至关重要，而不是依赖试错法。文章通过一个保险公司聊天机器人提供错误信息的假设性示例，说明了如何应用微调或RAG等不同方法来解决特定问题。
-
用人类社会学习类比解释大型语言模型微调
大型语言模型的微调可以通过人类学习社会行为的类比来理解。提示工程类似于事件发生前给出的临时指令，而指令调优则涉及通过示例和反馈进行教学。然而，微调代表着更深层次的内部变化，类似于一个人随着时间的推移内化社会规范，从而在没有持续外部指导的情况下产生更自然、更细致的响应。
-
AI 编码代理从提示工程转向自主循环 · 跟踪 1 个来源
精心设计用于编码任务的 AI 提示的时代正在消退，取而代之的是代理工作流，其中 AI 代理自主执行计划-编辑-测试-修复循环。这些代理可以管理代码迁移、更新管道或实现新功能等任务，最终以供人类审查的拉取请求告终。Claude Code、GitHub Copilot Coding Agent、Cursor Agent Mode、Google 的 Gemini Code Assist 和 Jules 以及 Devin 等工具正在引领这一转…
-
Claude Fable 5 颠倒提示工程：少即是多
Anthropic 的 Claude Fable 5 模型引入了提示工程的转变，即删除指令可以产生比添加指令更好的结果。这种变化反映在该模型自身的指导中，该指导建议删除提示而不是优化它们。正在探索这种颠倒的影响，以了解用户如何调整他们的提示策略以获得 Claude Fable 5 的最佳性能。
-
尽管有增强技术，大型语言模型（LLM）的幻觉风险依然存在
诸如提示工程、微调和检索增强生成（RAG）等技术可以降低大型语言模型（LLM）产生幻觉的风险，但无法完全消除。因此，用户必须根据其具体限制选择合适的方法，并在过程中保持人工监督。
-
新平台整合人工智能面试题
一个名为AI Interview Question的新平台已上线，旨在整合分散的资源，帮助开发者准备人工智能和LLM相关的职位面试。该平台提供跨越多个领域的结构化问题，包括AI工程、提示工程、检索增强生成（RAG）和AI代理。它旨在帮助候选人从理论知识过渡到实际应用，涵盖了超越传统机器学习的现代面试主题。
-
提示和KV缓存技术将LLM推理速度和成本削减 · 跟踪3个来源
提示缓存和KV缓存是高效LLM推理的关键优化，可显著降低延迟和成本。提示缓存会在设定的时间内存储对相同提示的响应，默认的五分钟TTL在新鲜度和效率之间取得平衡，在80%的命中率下可能将成本降低高达64%。KV缓存对于实时聊天至关重要，它存储先前token的键（Key）和值（Value）状态，将生成过程从二次方复杂度转变为线性复杂度，并支持更长的上下文窗口，尽管它会消耗大量GPU内存。
-
提示工程侧重于引导注意力，而非仅仅是数据
提示工程的核心价值不在于为模型提供更多数据，而在于战略性地引导人类和AI系统的有限注意力。这种方法确保将焦点放在任务最关键的方面，从而优化性能和理解。
-
上下文工程：在大型上下文窗口之外优化LLM信息
上下文工程已成为AI开发中的一个关键学科，其重点在于优化提供给大型语言模型（LLM）的信息，而不仅仅是增加上下文窗口的大小。这种做法涉及仔细选择和构建数据，以确保模型能够获得给定任务最相关的信息，从而提高推理能力、降低延迟并减少成本。采用了诸如语义分块、分层检索和上下文压缩等技术来最大化信号并最小化噪声，确保模型能够有效地利用呈现给它们的信息。
-
Andrej Karpathy 宣布提示工程已死，提倡上下文工程
提示工程正被上下文工程取代，这是 Andrej Karpathy 于 2025 年 6 月 25 日发出的信号。这一演变侧重于为 AI 模型提供更全面、结构化的信息，以提高其性能并减少对复杂提示设计的需求。这一变化意味着朝着更直观、更有效的方法来与 AI 系统交互和控制它们。
-
提示工程指南强调将提示视为可重用规范，以获得可靠的AI输出
有效的提示工程侧重于将提示视为可重用的规范，而不是一次性问题，以确保一致的AI输出。这种方法包括明确定义AI的角色、具体任务、提供必要的上下文、规定输出格式、设置约束条件以及包含示例。将复杂任务分解为一系列更简单、更集中的提示也有助于提高可靠性和可调试性，将提示创建视为软件开发，并进行严格测试。
-
新框架解决了 RAG 系统中可靠性逐渐下降的问题
生产中的检索增强生成 (RAG) 系统通常会随着时间的推移而可靠性下降，这是由于渐进式变化而非单一的灾难性事件。这种侵蚀可能源于文档的演变、检索行为的变化、提示的修订以及过时的评估数据集。一个提出的可靠性框架侧重于故障动态、干预的控制面和可检测性，为 AI 系统的传统基于组件的故障分析提供了新的视角。
-
Streamlit应用展示使用Ollama的五种关键AI模式
一个由Ollama驱动的本地Streamlit应用程序已被开发出来，用于展示五种核心AI模式。该应用程序将对话聊天、MCP（可能指代特定的AI方法论或框架）、提示工程（Prompt Engineering）和检索增强生成（RAG）整合到一个单一界面中。目标是提供一个统一的平台来演示这些AI功能。
-
AI 专家拥抱“循环工程”而非提示工程；Kindle 应用获得 AI 功能
一种名为“循环工程”的新型 AI 技术正在 AI 专家中获得关注，有可能取代传统的提示工程。该方法侧重于让 AI 模型保持在连续的反馈循环中以提高性能。此外，亚马逊的 Kindle iOS 应用正在推出先进的 AI 功能，提供比旧款 Kindle 设备更强的阅读能力。