分享我对科技、设计和开发的思考
当前显示 8 / 共 8 篇文章 • 116 个标签 • 按 #Prompt Engineering 筛选
随着大模型快速进化，过去熬夜打磨的 Prompt 技巧、囤积的 MCP 和插件正在大面积失效贬值。本文从三年实战经验出发，拆解模型升级下的资产贬值区与增值区，并提供一套“三问自检清单”加“24小时法则”，助你分清真正不可替代的人类认知资产。
作为 Prompt 工程系列的总纲收尾篇，本文指出当前开发者最大的误区是“把加规则等同于解决问题”。在 Agent 时代，Prompt 已经不再是一次性的短句，而是需要长期维护的系统资产。文章整合了注意力机制、信号设计、架构分层、自动化边界和健康监控五个维度，呼吁开发者从“外部归因”转向“系统化设计”。
本文深度拆解了将 Prompt 维护全盘外包给 AI 自动迭代的陷阱。由于大模型在处理长文档时缺乏全局审视能力，面对 badcase 往往只做加法（追加规则）而不做减法，最终会导致 Prompt 极度臃肿。作者呼吁：执行交自动化，判断留给人。
当 AI 频繁出错时，盲目叠加规则只会让提示词变得臃肿且逻辑冲突。本文提供了一套“7问自检清单”，帮助开发者通过排查指令长度、禁令位置、规则打架及参考文件一致性等问题，精准定位 Prompt 的结构性病因，实现从“反应式加规则”到“诊断式重构”的心智转变。
当 Prompt 因为不断追加规则而变得臃肿、导致 AI 注意力失焦时，我们需要像重构代码一样重构 Prompt。本文提供了一套“五步分层重构法”（分层架构、外置知识、参考文件一致性、指令三明治、结构化格式），帮助开发者有效管理长提示词。
本文揭示了在编写 Prompt 时使用“不要”、“严禁”等否定指令的弊端。通过剖析大模型的正向选择机制、粉红大象效应及训练本能，提出将“禁止黑名单”改为“正向白名单”的优化策略，从而有效提高 AI 执行的精准度。
本文通过一个两万行代码项目、耗时两周四遍重构失败的真实案例，深度剖析了AI面对冗长Prompt时“越强调越读不动”的4个底层原因（注意力U形曲线、静默择一、粉红大象效应、上下文淘汰赛），建议开发者放弃堆砌约束，给Prompt“瘦身”。
文章剖析了日常使用AI时“反复调教”的痛点，提出将一次性的“Prompt”进化为可沉淀的“Skill”资产。通过分享四类真实Skill的搭建过程和三大实操经验，指导用户打造属于自己的AI护城河。
当我发布新文章时收到通知。不发垃圾邮件,随时可退订。
在浏览器中接收即时推送通知。
有项目想法吗？我目前可接受自由职业工作。
