Explore

RT @shao__meng: Claude 最新博客：提示词工程最佳实践 🧠 核心技术 1. 明确清晰现代 AI 模型对清晰明确的指令响应特别好。不要假设模型会推断你的意图——直接说出来。举例：创建分析仪表板 · 模糊："创建一个分析仪表板" ·… https://t…

邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴

meng shao

Fri Nov 14 09:52:08

Claude 最新博客：提示词工程最佳实践 🧠 核心技术 1. 明确清晰现代 AI 模型对清晰明确的指令响应特别好。不要假设模型会推断你的意图——直接说出来。举例：创建分析仪表板 · 模糊："创建一个分析仪表板" · 明确："创建一个分析仪表板。包含尽可能多的相关功能和交互。超越基础，创建一个功能完整的实现。" 2. 提供上下文和动机解释为什么某事重要，帮助 AI 更好理解你的目标。举例：格式偏好 · 效果差："永远不要使用项目符号" · 效果好："我更喜欢自然的段落形式，因为我觉得流畅的散文更易读、更有对话感。项目符号对我的休闲学习风格来说太正式了。" 3. 具体化越具体越好。包括明确的约束条件、相关上下文、期望的输出结构以及任何要求或限制。 4. 使用示例通过展示而非描述来说明，特别适合解释概念或演示特定格式。这被称为单样本或少样本提示。重要提醒：Claude 4.x 等现代模型非常关注示例中的细节，确保你的示例符合你想要鼓励的行为。 5. 允许表达不确定性明确允许 AI 表达不确定性而非猜测，这能减少幻觉并提高可靠性。举例："分析这些财务数据并识别趋势。如果数据不足以得出结论，请直说，不要猜测。" 🔝 高级技术 1. 预填充 AI 的响应通过为 AI 开始响应，引导格式、语气或结构。这对于强制输出格式或跳过开场白特别有效。 2. 思维链提示（Chain of Thought）要求逐步推理后再回答，有助于复杂的分析任务。现代方法：Claude 提供了"扩展思考"功能，可自动进行结构化推理。但了解手动思维链在某些情况下仍然有价值。三种常见实现： · 基础思维链：简单添加"逐步思考" · 引导式思维链：提供特定的推理阶段 · 结构化思维链：使用标签分离推理和最终答案 3. 控制输出格式 · 告诉 AI 要做什么，而非不要做什么 · 让你的提示词风格匹配期望的输出 · 明确说明格式偏好 4. 提示词链（Prompt Chaining）将复杂任务分解为多个连续步骤，每个提示词处理一个阶段，输出传递给下一条指令。这种方法牺牲延迟换取更高的准确性。适用于复杂请求、需要迭代改进、多阶段分析等场景。可能遇到的旧技术 XML 标签结构：曾经推荐用于添加结构和清晰度，但现代模型在没有 XML 标签的情况下也能很好理解结构。在极其复杂的提示词或需要绝对确定内容边界时仍可能有用。角色提示定义专家角色和视角。虽然有效，但现代模型已足够成熟，沉重的角色提示通常不必要。组合使用真正的力量在于策略性地组合这些技术。提示词工程的艺术不是使用所有可用技术，而是为特定需求选择正确的组合。技术选择指南 · 需要特定输出格式 → 使用示例、预填充或明确格式指令 · 需要逐步推理 → 使用扩展思考（Claude 4.x）或思维链 · 复杂多阶段任务 → 使用提示词链接 · 需要透明推理 → 使用结构化输出的思维链 · 防止幻觉 → 允许说"我不知道" 常见问题排查 · 响应太泛泛 → 增加具体性、示例或明确要求全面输出 · 响应偏题 → 更明确说明实际目标，提供上下文 · 格式不一致 → 添加示例或使用预填充 · 任务太复杂 → 分解为多个提示词 · AI 编造信息 → 明确允许说"不确定" 需要避免的错误 · 过度工程化：更长更复杂的提示词并不总是更好 · 忽略基础：如果核心提示词不清楚，高级技术也无济于事 · 假设 AI 会读心：对想要的内容要具体 · 同时使用所有技术：选择针对特定挑战的技术 · 忘记迭代：第一个提示词很少完美，需要测试和改进核心建议提示词工程最终是关于沟通：用帮助 AI 最清楚理解你意图的语言说话。从核心技术开始，持续使用直到成为第二本能。只有在解决特定问题时才添加高级技术。记住：最好的提示词不是最长或最复杂的，而是用最少必要的结构可靠地实现目标的那个。提示词工程是上下文工程的基本构建块。每个精心设计的提示词都成为塑造 AI 行为的更大上下文的一部分，与对话历史、附加文件和系统指令一起创造更好的结果。博客地址：

邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴

meng shao

Fri Nov 14 08:24:31

今天第一次坐无人驾驶车，送儿子去上学，是一辆小马智行。虽然之前看过很多无人驾驶信息，也看过很多视频分享，不过第一次坐进去，其实心里还有点虚，感觉深圳复杂的路况(满街飞的电动车和不看红绿灯的行人😂) 不过看它开了几个路口，心里就踏实了，确实很稳，虽然有时因为避让会有些拖沓磨蹭，不过安全是第一位的。反倒是我儿子，全程非常兴奋，每一个和自动驾驶系统交互的点，都很开心，甚至很想跟它聊天(虽然其实没这个功能)。确实每一代人都有自己的接受度，我儿子对新鲜事物的接受度明显比我高。我现在也是非常期待自动驾驶能够真正普及，因为真的不想考驾照 😂

邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴

meng shao

Fri Nov 14 06:09:12

5-Day AI Agents Intensive Course with Google (5/5) 第 5 天白皮书来了「Prototype to Production」 https://t.co/zMqYgIvnwt 从原型到生产：使用智能体扩展机器学习核心观点：80%+ 的机器学习项目死在从原型到生产这一步。根本原因是数据漂移、系统集成和规模化三大难题，传统 MLOps 工具已跟不上。谷歌白皮书提出的解法：用 AI 智能体取代僵化流水线，让系统具备感知-规划-行动的自治能力。 1. 智能体核心能力 · 集成 LLM + 工具调用 + 记忆 · 支持 ReAct 循环，可自主处理数据清洗、特征工程、模型重训、监控告警等端到端任务 2. 两种智能体模式 · 单智能体：适合单点自动化（如自动漂移检测与重训） · 多智能体协作：通过 A2A 协议分工，真正实现生产级复杂流程 3. 从原型到生产的四步路径原型 → 加记忆&工具 → 模拟测试 → Vertex AI/Kubernetes 容器化部署 + 自愈监控 4. 实际收益 · 部署周期缩短 40% · 人工干预减少 50%+ 整体运维成本下降 30% 5. 推荐实践工具链 Kaggle Notebook + Gemma + LangChain/LlamaIndex + Vertex AI Agent Builder

邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴

meng shao

Fri Nov 14 04:41:35

RT @shao__meng: RAG 已死？RAG 永生！—— 智能体时代的精准检索来自 @LightOnIO 团队的文章「RAG is Dead. Long Live RAG」，探讨了 RAG 在 LLM 快速发展中的演变。作者认为，RAG 并非被长上下文窗口所取代，而…

邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴

meng shao

Thu Nov 13 23:45:52

RT @shao__meng: Structured RAG：企业级 RAG 准确性的关键突破在处理复杂企业数据时，传统 RAG 往往因准确性和完整性不足而暴露风险，@AI21Labs 发布的 Structured RAG（结构化 RAG，简称 S-RAG）通过结构化数据处…

邵猛，中年失业程序员 😂 专注 - Context Engineering, AI Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴

meng shao

Thu Nov 13 23:45:33

Newest first — browse tweet threads

Explore

Newest first — browse tweet threads

RT @shao__meng: RAG 已死？RAG 永生！—— 智能体时代的精准检索来自 @LightOnIO 团队的文章「RAG is Dead. Long Live RAG」，探讨了 RAG 在 LLM 快速发展中的演变。作者认为，RAG 并非被长上下文窗口所取代，而…

RT @shao__meng: Structured RAG：企业级 RAG 准确性的关键突破在处理复杂企业数据时，传统 RAG 往往因准确性和完整性不足而暴露风险，@AI21Labs 发布的 Structured RAG（结构化 RAG，简称 S-RAG）通过结构化数据处…

Explore

Newest first — browse tweet threads

Explore

Newest first — browse tweet threads

RT @shao__meng: RAG 已死？RAG 永生！—— 智能体时代的精准检索 来自 @LightOnIO 团队的文章「RAG is Dead. Long Live RAG」，探讨了 RAG 在 LLM 快速发展中的演变。作者认为，RAG 并非被长上下文窗口所取代，而…

RT @shao__meng: Structured RAG：企业级 RAG 准确性的关键突破 在处理复杂企业数据时，传统 RAG 往往因准确性和完整性不足而暴露风险，@AI21Labs 发布的 Structured RAG（结构化 RAG，简称 S-RAG）通过结构化数据处…

RT @shao__meng: RAG 已死？RAG 永生！—— 智能体时代的精准检索来自 @LightOnIO 团队的文章「RAG is Dead. Long Live RAG」，探讨了 RAG 在 LLM 快速发展中的演变。作者认为，RAG 并非被长上下文窗口所取代，而…

RT @shao__meng: Structured RAG：企业级 RAG 准确性的关键突破在处理复杂企业数据时，传统 RAG 往往因准确性和完整性不足而暴露风险，@AI21Labs 发布的 Structured RAG（结构化 RAG，简称 S-RAG）通过结构化数据处…