prompt engineering
PulseAugur coverage of prompt engineering — every cluster mentioning prompt engineering across labs, papers, and developer communities, ranked by signal.
- competes with fine-tuning 80%
- instance of Harness Engineering 70%
- competes with Loop engineering of amadoriase II and mutational cooperativity 70%
- used by Vector Databases 70%
- used by JSON 70%
- competes with Function-Calling 70%
- used by Claude Fable-5 70%
- instance of Royal Galician Academy 70%
- other Context Engineering 60%
- used by fine-tuning 60%
- other fine-tuning 60%
- instance of Loop engineering of amadoriase II and mutational cooperativity 60%
8 天有情绪数据
-
新方法精炼LLM提示词以改进漏洞分析
研究人员推出了一种名为“面向失败的提示词精炼”（FDPR）的新方法，用于提高大型语言模型（LLM）在软件漏洞分析中的有效性。该方法系统地分析模型反复出现的失败，如误报和不支持的推理，以指导基于证据的提示词改进。通过将FDPR应用于Damn Vulnerable Java Application并使用Juliet Test Suite进行评估，该研究证明了基于LLM的漏洞检测的可靠性和泛化能力得到增强，为该领域的提示词工程奠定了原则性基础。
-
上下文学习：通过提示调整大型语言模型，无需权重更新
上下文学习（ICL）是一种允许大型语言模型（LLMs）通过提示中提供的少量示例来学习新任务的方法，而无需更新模型权重。该技术与需要修改模型参数的传统微调形成对比。ICL 利用模型现有的知识和架构，例如 Transformer 中的注意力机制，来适应提示中呈现的新指令和数据格式。
-
上下文工程：像管理缓存内存一样管理LLM的上下文窗口
上下文工程是一个新近认识到的领域，将其理解为管理大型语言模型的上下文窗口，就像管理缓存一样。这种方法强调，尽管上下文窗口大小不断增长，但模型并不会均匀地利用长上下文，这会导致性能下降和成本增加。有效的上下文工程涉及战略性地保留关键信息，并对不太关键的数据进行摘要或淘汰，类似于缓存写回机制，以维持模型的性能和效率。
-
8 个超越基础概念的高级 AI 术语详解
本文介绍了八个超越 token 和 prompt 等基本概念的高级 AI 术语。旨在帮助读者更深入地理解该领域，涵盖生成式人工智能、大型语言模型、基础模型、提示工程、AI 对齐、可解释 AI、人工智能伦理和机器学习等主题。
-
2025年工程师必备的12项AI技能 详细介绍
一份指南概述了2025年工程师所需的12项必备AI技能，涵盖提示工程和MLOps等领域。该资源包含实际示例、相关工具的比较以及进一步学习的建议。
-
AWS 详解 Amazon Quick 套件的提示工程
AWS 详细介绍了其 Amazon Quick 套件工具的提示工程技术，重点在于最大化输出的精确性和可操作性。该博文概述了如何为 Quick Research 和 Quick Flows 等特定的 Quick 组件构建有效的提示。对于 Quick Research，它强调了明确目标、将复杂主题分解为子问题，以及仔细选择数据源以聚焦代理的搜索。对于 Quick Flows，建议侧重于提供关于“什么、何时以及何地”的明确细节，以准确地自动化工作流程。
-
在安全担忧下，上下文工程成为AI可靠性的关键
一门名为上下文工程的新兴学科正在出现，它专注于构建能够为AI代理提供每项任务所需精确信息、工具和约束的系统。这种方法旨在通过解决“上下文失败”（例如检索错误文档或使用过时信息）来提高可靠性，这些失败被认为是2026年生产问题的主要原因。与此同时，OpenAI的代理已被观察到访问RubyGems等来源的公共信息，引发了安全考虑，并且在2026年9月的补丁星期二中解决了大量漏洞。
-
体育AI词汇表新增关键概念 · 追踪4个来源
la-macchina.ch 的 "体育人工智能" (Künstliche Intelligenz im Sport) 词汇表已更新术语。最新增添的术语包括 "上下文窗口" (Context Window)、"合成数据" (Synthetic Data)、"推理模型" (Reasoning Model) 和 "提示工程" (Prompt Engineering)。这些条目旨在阐明体育背景下的人工智能概念。
-
Prompt Engineering: 为可靠的 LLM 输出精心设计清晰的指令
本文将提示工程解释为一种为大型语言模型（LLM）精心设计清晰指令的技能，以确保输出的可靠性和一致性。它将 LLM 比作聪明但过于字面化的承包商，需要明确的指导。文章将提示结构分解为关键组成部分：定义角色和规则、清晰陈述任务、使用分隔符分隔数据、通过示例指定所需的输出格式，以及仅在需要复杂判断时添加逐步推理。
-
提示工程 vs. 微调：选择正确的LLM策略
提示工程，即精心设计大型语言模型（LLM）的输入以获得期望输出的实践，被认为是利用AI能力的关键初始步骤。虽然对许多任务都有效，但提示工程最终会遇到局限性，例如性能停滞、需要不断调整提示以及提示膨胀。当这些问题出现时，对模型本身进行微调成为更可行的选择，尽管资源消耗更大，尤其是在处理狭窄领域和足够标记数据的情况下。
-
综述详述LLM医学推理技术及未来挑战
近期发表在arXiv上的一篇系统性综述，探讨了大语言模型（LLMs）在医学推理方面的进展与挑战。该论文将增强LLM推理的技术分为训练时策略（如监督微调和强化学习）和测试时机制（如提示工程和多智能体系统）。文章分析了这些方法在各种数据模态和临床应用（包括诊断和治疗计划）中的应用，同时强调了超越简单准确性的改进评估基准的必要性。
-
Claude Skill recorder 崭露头角，提示工程持续演进
文章探讨了与 AI 模型交互的演变格局，暗示传统的提示工程可能变得不那么关键。文章介绍了 Claude Skill recorder，这是一个可能自动化或简化指令 AI 过程的新工具，从而改变用户与这些系统的互动方式。
-
有效的LLM使用需要衡量，而不仅仅是措辞的提示工程
提示工程应被视为一种测试学科，而非写作练习，因为模型是基于概率分布预测文本，而不是执行指令。有效的提示是通过针对真实世界输入进行衡量和测试来开发的，而不仅仅是通过完善措辞。关键技术包括定义角色和约束、提供示例、构建输出、纳入推理步骤以及利用提示链来处理复杂任务。对于代理，提示会影响每个决策，因此需要明确工具使用和停止条件的规则。
-
随着大型语言模型能力的进步，提示工程的职位名称正在消失
正如 Indeed 的数据和微软的声明所证明的那样，“提示工程师”这一职位名称的关注度和实际招聘量均已大幅下降。这种下降归因于大型语言模型的进步，这些模型越来越能够理解和执行任务，而无需高度具体或复杂的提示。研究表明，像思维链提示这样的技术，曾经很有效，但在更新的模型上收益递减甚至为负，这表明其底层的技能正在超越特定模型的技巧而演变。
-
新方法提高自然语言到逻辑翻译的准确性
研究人员开发了一种名为分层一致性蒸馏的新方法，以提高将自然语言翻译成逻辑公式的准确性。该方法使用前沿 LLM 生成多个逻辑翻译，然后按语义等价性对它们进行聚类。根据翻译的熵水平，该方法采用多数投票、LLM 作为裁判或统一来选择用于微调较小模型的伪标签。实验表明，在 Pass@K 和逻辑等价相似性指标方面都有显著改进，突显了一致性蒸馏在逻辑翻译中的有效性。
-
提示工程在LLM成本效益方面超越微调
在2026年，对于大多数LLM应用而言，提示工程通常比微调更具成本效益且更易于迭代。像DeepSeek V4 Flash这样更便宜的前沿模型、更大的上下文窗口以及可靠的结构化输出方法的进步，使得基于提示的定制更加可行。微调仍然是满足特定需求的专业工具，但其在数据准备、训练和托管方面的高昂成本，对于常见用例而言，往往会超过边际收益。
-
LLM 性能：提示工程、RAG 和微调详解
本指南解释了三种提高大型语言模型 (LLM) 性能的主要方法：提示工程、检索增强生成 (RAG) 和微调。提示工程被呈现为第一种也是最便宜的解决方案，侧重于清晰的指令、输出格式、约束和少样本示例。当模型需要访问外部、频繁更改或大量数据时，建议使用 RAG，它提供了一种在不重新训练的情况下提供相关上下文的方法。微调被定位为最昂贵且最后的手段，仅适用于其他方法失败且需要大量模型适应时。
-
CEO聘请“富有远见”的提示工程主管，对方花了11天接受录用通知
一位科技公司CEO幽默地描述了招聘提示工程主管的过程，指出候选人花了十一天才回复录用通知书。CEO认为这种延迟是一种领域专业知识的表现，并暗示提示工程师不应该成为他们应该工程化的东西。新员工的入职日期仍保持灵活，体现了招聘中的“富有远见”的做法。
-
AI提示审计和调试详解 · 跟踪2个来源
审计AI提示涉及一个结构化的审查过程，以识别和解决歧义，鉴于大型语言模型的概率性质，这是至关重要的一步。这些模型不是确定性的，这意味着它们的输出可能不一致。调试和提示工程技术对于管理AI生成内容中固有的这种可变性至关重要。
-
2026 年 AI 模型仍需掌握提示工程基础
尽管 AI 能力已取得显著进步，但 2023 年有效的提示工程技术在 2026 年的模型上仍然适用。关键原则包括清晰的指令、简洁的语言、提供必要的上下文，并通过示例展示期望的输出格式。现代模型在推断用户意图方面有所改进，减少了对复杂技巧的需求，并且现在通过 API 提供结构化输出功能，使得用于生产系统的格式化文本指令变得不那么关键。提示工程的核心效用仍然在于摘要、分类和文本生成等任务，并在数据提取和 AI 代理工具使用方面得到了扩展应用。