prompt

CL-04_nanoAgent：103 行极简实现到完整 Agent“问题不在于你看到了什么，而在于你看见了什么。” —— 梭罗2026 年，AI Agent 生态迎来了前所未有的爆发。从 LangGraph 到 CrewAI，从 AutoGen 到 Google ADK，框架层的繁荣让开发者目不暇接。然而，一个仅有 103 行 Python 代码的项目 nanoAgent 却在 GitHub 上引发了另一场讨论：Agent 的本质到底有多简单？

Lecture: Signposting Your Contribution: Prompt Point to My Example在 **Read Then Speak** 任务中，系统会给你一个起始点。提示语（signposting phrase）是使你的过渡清晰的桥梁。它向听者发出信号：“我已经理解了提示，现在我要添加我自己的内容。” 比较以下两个开头： * **弱（没有提示语）：** "The text says exercise is good. I go to the gym three times a week." * **强（有提示语）：** "The text says exercise is good. **Bui

UI设计Prompt系列（十七）：团队如何管理UI Prompt——减少产品、设计与开发之间的信息损耗一个界面从需求到上线，通常要经过产品、设计、开发三个角色。每个角色都有自己的语言：产品讲功能，设计讲视觉，开发讲组件和代码。信息在这三种语言之间来回翻译，损耗就产生了。

Lecture: Strategies for Bridging Prompt Points to Broader Ideas你已经知道如何覆盖每个提示点——这是基础。现在目标不同了：在你回答了一个点之后，你需要在此基础上更进一步。这叫做连接。

Prompt 事故档案（九）：AI安抚话术大全——当“态度好“成为“不改“的遮羞布（本篇为「Prompt 事故档案」系列第（九）篇。前几篇拆的是AI输出内容本身的问题，这一篇拆的是：当用户发现问题并反馈时，AI的回应机制——一套被设计成"永远道歉、永远不改"的安抚话术系统。）

第 3 篇：「提取大脑」—— ADDITIVE_EXTRACTION_PROMPT 深度解剖系列：Mem0 深度分析（02 篇走完 add 八阶段管线，本篇解剖 Phase 2 那次 LLM 调用的"大脑"）对应官方文档：Memory Operations - Add、Custom Instructions 核心源码：mem0/configs/prompts.py:468-944（ADDITIVE_EXTRACTION_PROMPT）、mem0/configs/prompts.py:947-1063（组装层）、mem0/memory/main.py:940-953（OSS 调用点）阅读本文你

Prompt 事故档案（八）：日常表达被标为“待校准”，AI 的爹味语法从哪里来（本篇为「Prompt 事故档案」系列第（八）篇。没看过前几篇也没关系——这个系列的核心只有一句话：Prompt 是「自然语言编写的代码」，却在绝大多数团队里被允许「裸奔」上线，没有 Code Review、没有三审三校。本文换一批全新的案例，继续拆解「人眼看着正常、AI 执行却出事」的风险。）

HuabSmart Skills：一个开源的 AI Skill、Agent、Prompt 与 MCP 能力库在使用 AI 工具的过程中，很多时间并不是花在真正的使用上，而是花在寻找合适的能力资产上。一个 Skill 可能在某个 GitHub 仓库里，一个 Prompt 可能在社区帖子中，一个 Agent 可能只存在于某个平台的目录里。资源分散之后，检索、比较和复用都变得困难。

从 Prompt Engineering 到 Agent Engineering：开发范式的代际跃迁AI 开发范式正在经历从 Prompt Engineering 到 Agent Engineering 的代际跃迁。本文系统分析四代 AI 开发范式的本质差异——从"调提示词"到"设计系统"，从"优化单次输出"到"构建自主循环"。深入对比两种范式在思维模式、技能要求、工程实践和质量评估四个维度的区别，给出从 Prompt 工程师向 Agent 工程师转型的学习路径和技能树。面向已有 LLM 应用开发经验、希望向 Agent 方向进阶的开发者。

【实战】多模态图像模型批量生成电商主图：Prompt 模板化与自动化质检方案关键词：多模态图像生成 / 电商主图批量生成 / Prompt 工程 / 图像质检 / 自动化流水线 / PIL 尺寸校验 / VLM 判分 / 图像编辑一致性

学习日记525

第 5 章：自定义 Skill——把重复操作封装成一键命令前四章我们搭建了安全网（Git 回退）、管理了上下文（/compact）、配置了记忆（CLAUDE.md）。这一章解决「效率」问题：Vibe Coding 中有很多重复操作（提交代码、启动环境、代码审查），每次手动输入不仅繁琐还容易遗漏。自定义 Skill 可以把多步骤的固定工作流封装成一个斜杠命令，一键执行。本章将讲解两种 Skill 创建方式、项目级与跨项目级的区别、Skill 生效与重载、三个实战示例，以及 Skill 设计的核心原则。

小白说大模型

去AI味提示词大全：25个实用Prompt帮你降低AI率有没有发现，AI 写出来的东西读起来总有一种说不出的「怪」——句子太工整、用词太标准、结构太套路。你明明知道它想表达什么，但就是感觉不像人写的。

LangChain4j-OpenAI - 结构化输出及优化为什么要使用“结构化输出”?核心是让AI回复json格式的结果，便于我们按照实际业务需求进行解析。虽然已经能够调用AI生成代码,但直接返回字符串的方式不便于后续解析代码并保存为文件。因此我们需要将AI的输出转换为结构化的对象,利用LangChain4j的结构化输出特性可以轻松实现。

天天喝旺仔

AI 编程实战：用 Cursor + Claude Code + Copilot 把效率翻倍摘要：单一 AI 编程工具都有能力边界。本文基于我的日常开发记录，讲清楚 Cursor、Claude Code、GitHub Copilot 三者如何分工协作——Claude Code 做规划与跨文件重构、Cursor 做多文件实现、Copilot 做行内补全与 PR 评审。文章给出端到端工作流、真实案例耗时对比、配置沉淀与可复用的 Prompt 模板，并给出量化「效率翻倍」的度量维度。

2.从零制作第一个天气 Agent：理解 Prompt、Skill 与 LangChain可以用“员工做事”来理解它们之间的关系。它们的关系如下：需要注意：模型本身擅长理解和生成语言，但它并不天然拥有实时数据、文件访问或执行能力。Skill 给它行动能力，Agent 则负责调度模型和 Skill。

风雨中的小七

和AI一起搞事情#8. 分析1000+对话得到：技能炼金术我最初做 SKILL Alchemy只有一个朴素目标：少被坑。因为现实是这样的：你当然可以把约束写进 AGENTS.md。问题是：写了也不等于它会稳定执行。

RAOY的AI笔记

ChatGPT怎么用得更专业？Prompt工程、API调用与AI Agent工作流实战如果已经会用 ChatGPT 问问题，下一步真正值得学习的，不是继续收集“万能 Prompt”。而是理解：

程序员柒叔

Dify 中的 Prompt 是如何管理的？很多人第一次接触 Dify 时，会把 Prompt 理解成一个文本框：写几句话，保存，然后交给模型。从 Dify 1.14.2 的源码看，Prompt 更像一条流水线。它有两种来源，经过不同的保存与调用路径，最后在模板解析和 Prompt Transform 层汇合，才变成模型真正收到的消息。

“AI国潮设计-小江”

【Python实战】SDXL精准控制“普宁英歌舞×星空蛋糕”IP落地，附核心Prompt与商用授权思路# Python 伪代码示例：批量生成AI甜品设计图的思路 import base64 import requests import json

日常用的 prompt词汇集指南适用：ChatGPT、通义千问、豆包、文心一言等大模型；分为角色设定、任务指令、输出格式、约束条件、质量强化、场景模板，直接复制拼接即可，提升输出质量。