prompt

不懂编程，但是vibe coding一个扫雷游戏说实话，在一个月前，我对编程的认知还停留在"那是程序员才懂的天书"这个层面。什么Python、JavaScript、HTML、C++，这些词对我来说就像外星语言一样陌生，每次看到满屏幕的代码，我的头都会隐隐作痛。我连最基本的"Hello World"都写不出来，更别提做什么像样的软件或者游戏了。在我的印象里，开发游戏是那些戴着黑框眼镜、穿着格子衫的极客们才能干的事情，普通人根本不可能涉足这个领域。

AI安全攻防深度解析｜Prompt注入与越狱攻击全拆解、供应链投毒风险深挖，助力大模型应用加固、RAG风控、全链路安全防控落地目录一、前言二、AI安全攻防演进与全维度风险矩阵2.1 AI攻击迭代脉络：从单点注入到全域供应链渗透2.2 全维度AI安全风险矩阵

Prompt Engineering 实战💡 痛点：LLM 回答不够准确？输出格式不稳定？复杂任务总是遗漏关键点？🎯 解决方案：Prompt Engineering — 精确的提示工程设计，让 LLM 发挥最大潜力。

暗夜猎手-大魔王

hermes源码学习4-Prompt 组装Hermes 刻意将以下内容分离：这是项目中最重要的设计决策之一，因为它影响：主要文件：已缓存的系统 prompt 大致按以下顺序组装：

RAG 多租户知识库：权限隔离不能只靠 Prompt很多团队第一次做企业知识库问答时，流程都差不多：文档入库、切分、向量化、接一个 ChatClient，再用 RAG 把检索结果塞给大模型。Demo 很快能跑通，但一旦进入真实项目，最先暴露的问题往往不是“模型答得不聪明”，而是“它不该看到的内容也被召回了”。

Agent上下文三级压缩LLM 的上下文窗口是有限的（4K/128K/200K token），但用户对话可以无限长。

Bruce_Liuxiaowei

Prompt注入_我的AI编码助手被策反了我是做网络安全的，日常工作就是找系统的"信任边界"——哪些输入是可控的，哪些假设是不该信任的。当我开始用 Cursor、Claude Code 这些 AI 编码助手时，一个念头挥之不去：

意图&实体ToolCall_Prompt调优目标：基于商用和开源的强大LLM，在各自项目数据集上进行Prompt调优，目的是得到一个拓展性强、标准化高、效果好的通用PE模版。

水木流年追梦

大模型入门-大模型优化方法12-YaRN 长文本外推技术在处理大语言模型（LLM）时，我们经常遇到一个核心痛点：训练时设定的最大上下文长度（比如 4K）限制了它的发挥。如果我们在推理时输入 10K 的文本，由于位置编码（Position Embedding）不具备外推性，模型会直接“抓瞎”，效果急剧下降。

LLM —— Prompt提示词工程目录一、基础通用技巧（所有场景必用）二、提示技术1. Zero-Shot 零样本2. One-Shot / Few-Shot 单 / 少样本

重建 AI 认知第 4 篇：Skill——提示词的系统化封装摘要：你跟 AI 的每一次对话，都是在临时培训一个新员工——教会了，下次又得重来。Skill 就是把"培训手册"固定下来，让 AI 每次上岗都知道按你的方法来。它不只是省时间，更关键的是它的结构会逼你把"说不清楚的要求"一条条补齐。这篇讲清楚 Skill 是什么、为什么它比 Prompt 多了一层价值，以及怎么开始拥有自己的 Skill。

水木流年追梦

大模型入门-大模型优化方法13- MTP 多 token 输出、DCA 双块注意力在传统的大模型（LLM）训练和推理中，我们一直遵循着一个“铁律”：一次只预测下一个 Token。也就是说，模型吐出“我”之后，再根据“我”吐出“爱”，接着再吐出“你”。这种“挤牙膏”式的生成方式，效率存在天然的天花板。

城事漫游Molly

AI赋能质性研究（六）：跨案例比较分析，5个高质量 Prompt让AI帮你找模式方法论基础：Miles & Huberman《质性数据分析》中的跨案例策略核心逻辑：通过系统比较找出共性模式（What is similar?）、差异规律（What is different?）、条件性关系（When/Why do differences occur?）

超无穹科技

# 从小说到九列分镜表：我用DeepSeek搭了一个自动分镜工具（附完整Prompt）前几天可灵融资的新闻出来以后，群里又炸了一轮——AI视频生成越来越成熟，但有个问题一直没人解决：你拿什么去喂AI视频？

API、CLI、Prompt、MCP、Skill、Agent程序和程序之间沟通的语言人和程序之间沟通的语言，人通过命令操作软件通过提示词给模型一些规范和约束，让它按照需求进行输出

从 Prompt 到 Context Engineering：如何用 StarRocks 构建 AI Agent 的实时上下文引擎？全球 Lakehouse 架构的部署正在加速普及。然而，一个更深层的范式转变正在悄然发生：企业数据基础设施的服务对象，正在从人向 AI 迁移。

根据Prompt判断用户明确要什么一、第一张图：作答维度这张表格定义了评估一个模型回复时，需要从哪几个方面去分析，以及每个方面具体看什么。

MonkeyCode Prompt工程实践：如何写出高质量的AI编程需求描述AI编程工具的效果，很大程度上取决于你怎么描述需求。同样的功能，不同的描述方式，生成代码的质量可能天差地别。

CJH（本人账号）

【AI安全】大模型安全威胁：Prompt注入与模型防御策略摘要：随着大语言模型（LLM）在各类应用中的广泛部署，提示词（Prompt ）注入攻击已成为 AI 安全领域最突出的威胁之一。本文将从开发者视角出发，系统梳理 Prompt 注入的攻击原理与典型场景，提供可复现的攻击示例代码，并深入探讨从输入层到输出层的多级防御策略，最后介绍主流开源防御工具，帮助开发者构建更安全的 AI 应用。

情绪总是阴雨天~

检索增强生成 (RAG) 四大检索策略详解检索增强生成（Retrieval-Augmented Generation，RAG）是解决大语言模型（LLM）知识幻觉、时效性不足、私有领域知识缺失的核心技术方案。其核心逻辑为：通过外部知识库检索获取真实、精准的参考文本，再将检索结果与用户查询拼接后输入大模型，最终生成可靠答案。