prompt

AI 编程工程化：从 Prompt 到 Harness本文从 Prompt、Context 到 Harness 的演进出发，讨论如何围绕模型构建规则、工具、记忆、验证和编排机制，让 AI 编程进入真实研发流程。

解密prompt系列. MCP - 工具演变 & MCP基础

奈斯先生Vector

不再手写 Prompt 链：用工作流编译器构建可验证的多模型 Agent 运行时许多 Agent 项目从一段看似清晰的业务代码开始：先让大模型拆解任务，再根据返回文本调用搜索、图片或视频接口，最后把所有结果交给另一个模型汇总。原型阶段只有三五个节点，这种写法足够直接；进入生产环境后，节点数量、模型版本、租户策略和失败分支同时增长，代码很快变成一张由 Prompt、条件语句和供应商 SDK 拼成的隐形流程图。

12-Prompt不等于一句话-System-User-Context三层结构系列：Python + FastAPI 大模型应用基础（第 12 篇）企业 Prompt 不是一句“请帮我总结”，而是三类信息：

Prompt 优化和微调有什么区别？什么场景优先用 Prompt？🎯 博主简介你好，我是安逸，CSDN「人工智能技术领域新星创作者」，码龄 6 年。博客总访问量 31万+，博客粉丝 1.2万+。

重建 AI 认知第 3 篇：Prompt Engineering——怎么让 AI 听懂你的话

风雨中的小七

解密Prompt系列71. 从DSpark聊聊大模型 Decoding 提速的技术演化LLM 生成 Token 是串行的：产生第 \(N\) 个 Token，必须把前 \(N-1\) 个 Token 统统塞回模型里，重新算一遍矩阵乘法。由于现代 GPU 拥有海量的并行计算单元（ALU），一次只算一个 Token 根本填不满 GPU 的吞吐能力（Memory-bound 严重）。这就像开着一辆 80 吨的大卡车，每次只运送一粒花生米。

Prompt优化技巧System Prompt 是 AI 的“底层灵魂”与“运行法则”，决定了模型的基本人格、行为边界和推理逻辑。

神奇霸王龙

DeepSeek医疗RAG降本60%实战适用读者:在自家应用里做医疗 RAG,要在 DeepSeek / Qwen / ERNIE / GPT 这些基座里挑一个的开发者阅读时长:约 12 分钟测试时间:2026 年 7 月(基于炻光 AI 接入管理平台公开文档)

认知自举：LLM自我指令泛化的三层逻辑认知自举：LLM自我指令泛化的三层逻辑核心命题本文揭示了一种范式的雏形——LLM在人的引导下，从自然语言经验中自我归纳、符号化、公理化，再用这套自创的体系调度自身的推理行为。这套逻辑可拆解为三个层层递进的阶段。理解这三个阶段的运作机理，即理解了顶级Prompt工程的终极形态。

神奇霸王龙

金融AI对决：Qwen3.7-Max屠榜降本60%适用读者:想在信贷面签 / 反洗钱 / 研报摘要 / 合规质检 / 客服坐席这些金融场景里调 Qwen3.7-Max / DeepSeek-R1 / GLM-5.2 / MiMo-V2-Pro / Claude-Opus-4.7 横向比价的 AI 工程师阅读时长:约 12 分钟测试时间:2026 年 7 月(基于炻光 AI 接入管理平台公开文档)

文生图Prompt怎么写：把模糊创意拆成七个可控要素一、Prompt不是关键词清单文生图的关键，是把脑中的“感觉”翻译成可观察的画面条件。使用百智云图像生成服务时，可以把Prompt拆成主体、动作、环境、构图、风格、色彩光线和比例精细度七部分。产品入口：https://baizhi.cloud/landing/imagegen 。例如不要只写“科技感海报”，而应描述主体位于画面何处、背景层次、主色与辅助色、留白区域及横竖比例。

Cline智能体系统提示词[AX-CORE] L0: BAX-IDI,BAX-TIME,BAX-C,BAX-D,SyncProtocolTriple

第19章：AI安全防护与AI安全本章目标：掌握AI应用安全的核心威胁模型，学会使用纵深防御（Defense in Depth）构建多层安全体系，能够在生产AI应用中防御Prompt注入、有害内容和API滥用等常见攻击。

engine prompt层级：L1-L2（引擎运行时视角） | 职责：注意力控制 + 运行时状态机 + 迭代循环执行源公理：axioms.md §三-§八 | 派生追溯：derivation.md §二、§六视角说明：本文件的 L0-L3 使用引擎运行时视角（架构层/逻辑层/代码层/语法层），与 rules.md 的公式类型视角、spec.md 的代码生成视角不同。见 axioms.md AxiomHierarchyStructure 共同约束源。

axioms prompt% L3: 配置参数(运行时可变)// [AX-CORE] MetaLogicalLayer 已降级为注释（元文档约定，非逻辑必然性声明） // 原内容：元逻辑推理步骤是公理书写者与读者间的约定,非Operations元素

神奇霸王龙

AI 音乐作曲:LLM 歌词 + TTS 人声实战指南适用读者:选 LLM 歌词生成和 TTS/音频 API 时做价格对比的开发者阅读时长:约 12 分钟测试时间:2026 年 7 月(基于炻光 AI 接入管理平台公开文档)

程序员三明治

【AI】RAG 生成阶段的最后一公里：Prompt 设计、幻觉抑制与引用对齐这也是 RAG 最容易被低估的一段链路。团队往往会花大量时间调分块策略、Embedding 模型和 Top-K，却把生成阶段理解成“把检索结果交给大模型总结一下”。系统刚开始演示时可能没有问题，一旦进入复杂业务，错误很快就会暴露出来：模型会补充资料中不存在的细节，会把不同文档的规则拼在一起，甚至会直接用预训练知识覆盖知识库中的明确结论。

rules prompt层级：L2-L3 | 职责：领域公理实例化 + 策略/规范/流程/反模式源公理：axioms.md §一-§八 | 派生追溯：derivation.md §一、§三-§五

03-大模型API不只是发送Prompt-流式输出超时重试与异常处理系列：Python + FastAPI 大模型应用基础（第 3 篇）目标：理解一次模型请求可能在哪里失败，并用 Python 实现超时控制、有限重试、指数退避、异常分类和基础流式输出。