prompts
PulseAugur coverage of prompts — every cluster mentioning prompts across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
使用 TypeScript 构建 MCP 服务器：实用指南
本文提供了使用 TypeScript 构建模型上下文协议 (MCP) 服务器的全面指南。它通过提供一个实用的、生产就绪的示例来解决 MCP 文档碎片化的问题，该示例实现了工具、资源和提示等核心基元。该指南强调了正确处理 stdio 传输以避免损坏 JSON-RPC 帧等关键细节，并演示了如何设置项目结构和集成 MCP SDK 以简化开发。该过程涉及注册工具、资源和提示的处理程序，SDK 会自动推断功能。
-
新工具简化AI编码代理管理
一位开发者创建了一个名为Agent Installer的工具，用于帮助管理Codex和Claude Code等AI编码代理。该工具解决了使用多个AI代理和自定义技能时出现的上下文窗口膨胀和令牌消耗问题。Agent Installer允许用户将他们的提示和技能保存在一个单独的存储库中，然后选择性地将它们安装到每个AI代理的相应目录中，并在必要时创建符号链接。这种方法确保AI代理能够立即使用新的或更新的提示和技能，而无需重新加载。
-
新的 pxpipe 代理将提示嵌入图像以降低 LLM 代币成本
一个名为 pxpipe 的新代理工具已被开发出来，用于将提示和上下文直接嵌入图像。这种方法旨在显著降低使用 Claude 等大型语言模型的代币成本。通过在图像本身内预处理输入，pxpipe 提供了一种优化 LLM 使用并可能降低运营支出的方法。
-
LLM-as-a-Tutor 框架增强了强化学习的指令遵循能力
研究人员开发了一个名为 LLM-as-a-Tutor 的新框架，以改进强化学习的指令遵循能力。该系统通过让一个 LLM 同时充当考官和生成器来动态调整训练提示的难度。考官识别对当前策略而言过于简单的提示，生成器则添加约束以增加难度，从而创建一个自校准的训练信号。这种方法解决了提示难度与策略能力之间的不匹配问题，在复杂的指令遵循基准测试中表现优于现有方法。
-
AI 工作流需要版本控制来管理提示和检索逻辑
文章认为，AI 工作流，特别是提示和检索逻辑，需要与传统软件开发类似强大的版本控制。文章强调，这些组件的更改会显著改变 AI 系统的行为并影响结果，而且通常没有明确的错误指示。没有适当的版本控制，调试和识别意外行为的根本原因将是一个困难且耗时的过程，阻碍了回滚更改和维护操作稳定性的能力。
-
AI代理：从提示转向可移植技能以实现可重用性
一位Mastodon上的开发者主张，应将AI代理开发从基于提示的方式转向使用“技能”的更结构化方法。该方法旨在使代理行为在开发团队中可移植和可共享，并特别提到了其在Java团队中的应用。
-
AI提示词市场4grab.com向用户提供10%版税
平台4grab.com鼓励AI工具用户将其提示词变现。通过在4grab.com上列出提示词，用户每次使用都可以赚取10%的版税。此举旨在帮助个人从他们目前免费所做的工作中获利。
-
Anthropic 的 Bedrock 条款变更引发企业隐私担忧
一位 Reddit 用户对 Anthropic 关于 Amazon Bedrock 的服务条款变更表示担忧。该用户强调，一项阻止 Anthropic 访问客户内容（包括提示和输出）的特定条款对于达成企业级交易至关重要。他们担心最近的 AWS 声明表明这项保护将被移除，可能因隐私和安全问题影响客户信任和采用。