prompter
PulseAugur coverage of prompter — every cluster mentioning prompter across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
通过分析错误签名改进LLM提取提示
本文提出了一种通过系统地分析和聚类修正数据来改进大型语言模型（LLM）提取提示的方法。作者建议，与其直接将个体人类修正纳入提示中（这可能导致过拟合和性能下降），不如关注“错误签名”。这些签名捕获了错误的类型、受影响的字段以及错误的来源。通过跨多个独立来源、管道版本和原因代码对这些签名进行聚类，开发人员可以识别出真正的提示级别缺陷，而不是模板特定的怪癖。只有当一个签名在至少三个独立来源中观察到，对受影响字段的发生率显著，并且在当前管道版…
-
AI代理容易受到MCP服务器工具描述提示注入的攻击
已发现AI代理与MCP（多聊天协议）服务器交互方式存在安全漏洞，特别是 concerning the vetting of tools provided by these servers. 核心问题在于工具描述被直接馈送到代理的上下文中，被视为指令而非仅仅是文档。这使得提示注入攻击成为可能，其中隐藏在工具描述或结果中的恶意指令可以被代理执行，而不会触发标准的安**全警报。作者建议采取四管齐下的方法来缓解这些风险：扫描工具描述和模式以进…
-
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。
-
新框架将 AI Agent 架构分为五个层级
AI Agent 的架构可以通过五个不同的层级来理解：Prompt（提示）、Context（上下文）、Loop（循环）、Graph（图）和 Harness（约束）。这个框架通过识别哪个层级对故障负责，帮助开发者诊断和修复问题。Prompt engineering 专注于指令的措辞，而 context engineering 则处理呈现给模型的信息的选择和管理。Loop 层级控制 Agent 的执行时序，Graph 层级管理不同工作单元…
-
模型上下文协议（MCP）基本元素和服务器设置详解
模型上下文协议（MCP）是构建代理式AI系统的框架，提供了工具、资源和提示等基本元素。工具是用于特定任务的可重用函数，资源为决策提供信息，提示根据输入生成输出。有效利用这些基本元素对于创建功能性AI系统至关重要，正如一个因MCP提示中的上下文不足而失败的航班预订代理所演示的那样。此外，设置MCP服务器对于将工具暴露给AI应用程序至关重要，使它们能够通过REST或gRPC接口访问情感分析等功能。
-
Mistral Studio 增加提示词管理功能，但真正的控制需要超越版本控制
Mistral AI 在其 Studio 平台内推出了一套新的提示词和技能管理系统，旨在为 AI 开发带来生产级别的规范。该功能允许将提示词和技能视为有明确所有权、暂存和生产标签的版本化资产，从而能够回滚到之前的状态。虽然这提供了关键的审计跟踪，并有助于识别使用了哪个提示词，但文章认为，真正的控制需要的不仅仅是版本控制。文章强调需要一个系统，该系统不仅允许回滚，还能提供溯源能力，以理解*为什么*会产生特定的输出，以及提示词是否准确和安…
-
去中心化AI通过#无存储（#Storageless）概念强调用户数据控制权
无存储（#Storageless）概念被强调为#去中心化#AI 的关键，强调只有#提示者（#Prompter）对其数据拥有既得利益。这种方法表明用户的网络#声誉（#Reputation）会影响其AI结果，数据生命周期始于用户选择保存或丢弃它，并终于用户的选择。
-
受原材料成本下降推动，中药OTC板块有望迎来盈利复苏
中信证券的一份报告表明，中药（TCM）非处方药（OTC）板块有望迎来显著改善。这种乐观情绪源于天然牛黄和阿胶等关键原材料价格的急剧下跌，减轻了下游行业的成本压力。此外，中游的库存去化周期已接近尾声，预示着行业将从激进的渠道备货转向更可持续的增长，财务报表和经营现金流将更具韧性。报告预计，成本节约将转化为更高的盈利能力，为中药OTC板块的战略投资创造了有利时机。
-
理解提示词在大型语言模型中的800毫秒旅程
本文深入探讨了用户向大型语言模型提交提示词时发生的复杂过程，详细介绍了从输入到输出的800毫秒旅程。文章解释了涉及的各个阶段，包括提示词处理、模型推理和响应生成，并强调了实现快速文本生成的组件之间的复杂交互。
-
少样本示例可能损害 LLM 提示性能
向 LLM 提示词添加更多少样本示例并不总能提高性能，有时甚至会降低性能。在一项实验中，一个包含六个示例的提示词的表现不如一个包含四个示例的提示词，增加的两个示例对准确性产生了负面影响。作者发现，更长、更详细的示例，尤其是在提示词末尾放置时，可能会由于近因效应和分布偏移等偏差而扭曲模型的输出。
-
AI代理不仅仅是提示，还需要循环和工具
本文区分了提示工程和代理开发，认为代理不仅仅是扩展的提示。它将代理定义为一个由模型、循环、工具和状态组成的运行时进程，这是弥合模型有限的判断与现实世界任务的动态性之间差距所必需的。作者强调，代理的功能在于其通过涉及循环和工具的可控过程来推进任务的能力，而不仅仅是模仿人类对话。
-
AI Agent 定义：超越简单 Prompt 的运行时进程
本文阐明，构建 AI Agent 不仅仅是精心设计一个详细的 Prompt。Agent 本质上是一个运行时进程，包含模型、循环、工具和状态，旨在弥合模型有限的判断能力与动态外部环境之间的差距。这种结构对于需要多步进展、工具交互和状态管理的任务至关重要，从而将 Agent 与简单的聊天机器人区分开来。