prompt

上下文工程：Prompt、记忆和上下文如何管理？你有没有发现一个现象？有时候 AI 明明记得你之前说过什么，却在关键时刻突然忘记；有时候你刚刚纠正了一个错误，它过一会儿又按照之前的信息回答；还有时候，你给它提供了大量资料，它反而没有抓住真正重要的内容。

一起学安全技术

拆大模型 06｜Prompt 工程不靠玄学：上下文要当程序写社区里常把这门手艺讲成玄学：prompt 写得好不好，全看有没有找到那句"神秘措辞"——找到了，模型功力大涨；找不到，怎么写都没用。这套说法之所以能传开，是因为它把 prompt 说成了只可意会的东西：说不清原理、换个模型就失灵、别人照抄也不管用。而实际有效的 prompt 实践恰恰相反：可理解、可复现、靠结构。

Java后端的Ai之路

RAG 还是 Agent 自主检索？Claude Code 删掉向量库之后，我把选型讲透了前段时间刷到「小林面试笔记」的一篇推文，标题很扎人：面试官冷笑，“RAG 和 Agent 自己搜文件怎么选？”

[LangChain] 学习笔记（05）：提示词模板（Prompt）与少样本注入（Few-Shot）实战模板化：ChatPromptTemplate 使用 {} 占位符实现提示词与数据的解耦，配合 LCEL 管道符，是 LangChain 应用的基础。

Agent演化史（九）：多智能体的暗面，当一次 prompt 注入可以横向移动本篇是《智能体演化史》系列第 9 篇系列主线不是"某年出现了某技术"，而是"因为上一步崩了，所以下一步才出现"。全系列共用一个从 34 行长到 216 行的 tiny-agent，本篇是它的 v0.9。

LangChain学习：理解构建模块与核心组件上一篇通过天气查询示例，跑通了一个能够调用工具的 Agent，对“用户提问、模型选择工具、程序执行函数、模型生成回答”的过程有了初步认识。接下来，我想进一步弄清这些功能背后的组件分工：模型怎样接收消息，提示词如何组织输入，工具和检索器又在什么情况下参与执行。

AI技术新视界

LLM 提示词缓存（Prompt Caching）的秘密本报告基于社区讨论及行业数据分析，深入探讨了主要大语言模型（LLM）提供商（Anthropic, Google, OpenAI, Cursor等）在提示词缓存（Prompt Caching）表现上的显著差异。核心发现表明，缓存比例的差异并非单纯反映模型智能水平，而是由应用类型分布（编码智能体 vs. 通用聊天）、提示词结构稳定性以及云端基础设施架构共同决定。对于编码智能体（Coding Agents）等高上下文复用场景，缓存命中率直接决定了运营成本，其重要性远超输入价格本身。

信息检索报告数字经济赋能城市低碳治理的路径研究——基于“传统数据库 + 生成式人工智能”双轮驱动的检索实践检索实施与结果分析 Web of ScienceWeb of Science 是国际权威的文摘索引数据库，其核心合集收录了世界领先的科学、社会科学、艺术与人文期刊、图书与会议论文集，并建有独特的引文索引，可按被引作者、出处与出版年代追踪引用关系。就本主题而言，其价值在于呈现国际研究的知识图谱与高影响力成果。

看浪的路人

第3讲：Prompt 实验——如何科学地测试 Prompt 改动核心难题：同一个 Prompt 跑两次得到两个不同的回答，如何区分是 Prompt 改好了还是运气好？

前进的李工

Agent 学习笔记 05：系统提示词应该怎么写大模型训练阶段的数据中包含有大量的结构化内容，因此他对结构化输入展现了显著的敏感性。这在保证可读性的同时也提供了轻量级的结构，适合组织层次化的指令和信息。#、##这类标题会让人一眼看出层次结构，可读性好，也便于检查哪些规则出现问题。

我真会写代码

LangChain 从0入门：模型、消息、Prompt、Tools、记忆、Agent与LangSmith实战目录前言一、认识LangChain二、快速入门 & Agent原理Agent是什么？Agent循环流程（核心）

刘胡子大叔

评测驱动优化：失败样本回流 Prompt 的闭环前面三篇把评测搭起来了：规则打分、LLM Judge、样本量校准。但这套东西有个终点问题——报告生成完，然后呢？

后台模板学习

大模型 Prompt 工程在电商订单系统中的踩坑记录引言作为一名在电商订单系统开发中摸爬滚打的程序员，我在尝试引入大模型进行智能客服、订单状态预判等自动化任务时，对大模型 Prompt 工程的不熟悉造成了许多不必要的麻烦。我所使用的系统涉及订单处理、用户咨询、物流追踪等多个模块，初期希望通过 Prompt 工程来提升客服效率并减少人工成本。

《Agent开发工程师成长指南》- 第4章第2节：Prompt设计五要素——任务、角色、上下文、约束与输出格式《Agent开发工程师成长指南》系列教程上一篇我们讨论了一个看似简单、实际上非常重要的问题：Prompt到底是什么？

Java转AI Agent教程（第五周）Prompt工程本周交付：src/main/resources/prompts/ 下 5 个 prompt 文件 + PromptTemplate / PromptRegistry / InjectionGuard + drill w5 演练预计耗时：主块 4h（读 0.5h / 写 prompt 1.5h / 写工具类 1.5h / 跑 A/B 0.5h）+ 轻任务 2×1h 前置：W1–W4 全部通过（bash run.sh selftest 绿）

一枕槐安487

微调 vs Prompt：业务场景下两种方案成本 & 效果对比摘要解决大模型业务适配中Prompt工程与微调选型缺乏量化依据、易陷入过度投资或效果不达标的问题。适用于需在推理量、延迟、一致性约束下做出架构决策的后端与算法工程师。读完可获得基于每日调用量、Prompt长度与准确率要求的具体盈亏平衡点，以及“微调固化行为、Prompt承载策略”的混合实践框架。

【Agent】从Prompt工程、Context工程到 Harness工程，让 AI 能真正完成工作在 Codex 会话（session）中提供服务拓扑、部署配置、排障手册和历史故障记录，可以减少任务执行前的重复背景说明。通过合理组织这些资料，Agent 能够基于业务上下文开展分析与故障排查。

AI 开箱视频怎么做？用创意开场带出商品展示开箱带货视频可以把“打开”设计成一个值得等待的时刻。观众可能好奇里面装着什么，也可能已经看见商品，却想知道它会怎样被打开、怎样出现在眼前。这段过程可以制造悬念，也可以带来反差和惊喜。

一枕槐安487

Prompt 工程实战：结构化提示词设计提升 LLM 输出稳定性摘要 LLM 输出格式漂移、字段缺失、JSON 解析失败，是结构化抽取类任务接入生产链路时的头号故障源。本文面向需要把 LLM 输出接到下游系统的后端与算法工程师，给出基于 JSON Schema 约束、Pydantic 校验、结构化输出模式与重试策略的可运行方案。读完可获得一套将格式合规率从约 60% 提升至 95% 以上的工程化 Prompt 设计范式。