prompt

weixin_47138303

19 Prompt 进阶——系统讲解普通调用方式：llm.invoke(“你好”) 够用，但有三个问题：Prompt 进阶就是解决这三个问题的工程方法。

来让爷抱一个

拯救我的“烂尾“项目：我用MonkeyCode把五个AI热点实践了个遍如果你也是"收藏了一堆AI教程却从没跑通过一个项目"的选手，那么这篇文章大概就是为你写的。作为一个非科班出身的程序员，我手头躺着一个"烂尾"小项目——想做一个能自动检索资料、分门别类整理成报告的个人知识助手。断断续续写了三周，卡在环境配置、模型切换、上下文管理这些破事上，几乎要放弃。

ChatGPT生成内容总是不按要求怎么办？格式、字数和指令失效的6个解决方法很多人用 ChatGPT 写文章、整理资料或者生成方案时，都会遇到一个很烦的问题：要求明明写得很清楚，ChatGPT最后还是没有完全照做。

AI漫剧量产Prompt参数实操手册：Stable Diffusion+ComfyUI+OpenClaw通用复制即用配置很多AI漫剧创作者都会遇到同一个难题：单帧手动渲染效果精致细腻，一旦开启全自动批量量产，就会频繁出现各类画面问题。其中包含画面崩坏、人物人设漂移、跨镜头画风割裂、细节丢失、画面发灰模糊等常见故障。

Stable Diffusion+ComfyUI+OpenClaw AI漫剧量产提示词工程：结构化Prompt、负面词脱敏、权重锁定防画面崩坏全方案话不多说，先上资源本文全套AI漫剧量产提示词模板、分级正向词库、百万级负面脱敏词表、权重分配配置、自动Prompt生成逻辑方案、批量清洗规范已打包完毕，开箱即用，直接适配Stable Diffusion 1.5全系漫剧自动化流水线，兼容ComfyUI节点工作流与OpenClaw批量调度机制。资源获取链接：https://pan.quark.cn/s/7a5fc94ad1b8

【Harness Engineering】07_多代理与验证：用分工和验证管理不稳定性源码地址：GitHub - wquguru/harness-books: 📚 Two books on harness engineering — the design philosophies behind Claude Code & Codex: constraints, query loops, context governance, multi-agent verification. harness-books.agentway.dev · GitHub

提示词沉淀 - 使用豆包时平时提问题目的: 防止AI发散更多的回答，减少回复token,聚焦我们的问题核心,节省我们理解知识的时间,丢弃冗余无用的回复信息。

ZGI：工作流分支失控，先把规则拆出 Prompt工作流分支越来越多，通常说明不同类型的规则被塞进了同一段 Prompt。模型既要理解用户意图，又要记住业务条件、选择工具、判断权限和决定异常处理，任何一条规则变化都可能牵动整段提示词。更稳的做法，是先给规则分类，再放进知识、Skill、Workflow 或人工审批对应的位置。

Prompt 缓存与上下文压缩：把 Token 账单砍一刀的实操清单独立专题 · 成本优化加餐相关阅读：drafts/llm-07-cost.md（全链路成本治理）Agent 上线第三周后，账单往往不是因为「答得更长」，而是同一套 system、工具 Schema、规章前缀，每轮对话又被完整计费一遍。Prompt 缓存和上下文压缩，是少数能在不砍模型档位的前提下，立刻压低输入 token 的两把刀。

Langfuse 入门：Trace、Prompt、Dataset、Experiment、EvaluatorLangfuse 可以理解成：LLM / Agent 的日志监控 + Prompt 管理 + 自动化评测平台。

AI编程实战：把需求讲给 AI——Prompt 基础与模板环境搭好后，很多人的第一个困惑是：AI 怎么经常听不懂我说话？其实大部分时候不是 AI 笨，而是需求没说清楚。

Prompt 不是即兴发挥：结构化设计与版本化评测的工程化路径2026 年，大模型已经深度嵌入企业研发的各个环节——代码生成、测试用例设计、文档撰写、需求分析。但一个残酷的现实是：大多数团队的 Prompt 仍然散落在各个开发者的本地文件、聊天记录和笔记本里，没有版本管理、没有评测标准、没有知识沉淀。

Seedance 2.5正式发布：映悦AI迎来“更长、更可控、更极致”的视频生成时代新一代视频生成模型Seedance 2.5。作为映悦AI的核心视频引擎之一，这一升级意味着平台的视频创作能力迈上了新台阶。

从传统RPA到AI增强RPA：内网离线部署、元素自愈与Prompt工程落地实践上周帮一个做电商的朋友搞发票自动化，他先用某AI工具生成了一套Python脚本，跑三天崩两次。不是代码错了，是前端改了个class名，XPath全废。AI能写出漂亮的代码，但生产环境要的是"崩了能自己起来"。一、传统RPA的三大架构死穴，懂的都懂干了五年自动化，从按键精灵到各种商业RPA，我发现传统架构有个根子上的问题：它是个"录制-回放"模型。捕获元素→生成选择器→按序执行。这套在静态页面时代能跑，放到现在的Web应用里，说多了都是泪。 1.1 内网环境直接劝退很多企业的核心系统跑在内网，数据敏感

DeepSeek Harness 从安装到使用：一站式 AI 开发工具指南DeepSeek Harness 是 DeepSeek 官方推出的 AI 开发工具套件，旨在帮助开发者更高效地集成、测试和部署 DeepSeek 系列模型。它提供了一套完整的工具链，包括模型调用、提示工程、评估测试和部署监控等功能。

Spring AI 2.0：PromptPrompt 提示词分为系统提示词和用户提示词，提示词决定这回答的质量。SystemPromptTemplate：提示词模版，提示词中允许使用占位符参数 {xxx}

Patrick在香港

Claude API 成本直降90%：Prompt Caching 提示词缓存 Python 实战同一个 1 万 token 的系统提示，不带缓存每次调用要 $0.03，带上缓存后第 4 次起每次只要 $0.003。到第 100 次调用，账单是 $0.33 而不是 $3.00。这个差价，就是 cache_control 一个参数带来的。

怎么让大模型同时给意图节点打分摘要：在智能客服、任务型对话系统（Task-Oriented Dialogue）、智能体工作流（Agent Routing）以及复杂问答路由场景中，用户输入往往具有多意图混合、表述模糊、隐含诉求等特点。传统的单分类模型或串行单一意图匹配，不仅难以应对意图重叠，还会带来巨大的延迟与 Token 开销。

学习日记525

AI 工程实战：一套可复用的提示词库与质量门禁，如何让 AI 辅助研发「可验证、可沉淀」摘要：本文从"AI 工程"的认知边界出发，拆解 AI 幻觉的成因，提出一套通用的 AI 辅助研发方法论：用「标准提示词库 + 文档模板库 + 语言适配层 + 质量清单」六道约束，把 AI 从"聊天工具"变成"可验收的研发环节"。同时给出贯穿 12 个阶段的角色分工、瀑布/敏捷双流程调度，以及一套可落地的 AI 输出验证标准。