Keep on to blur preview images; turn off to show them clearly
实际测试下来，GLM 4.7 比 4.6 提升的可太多了。 维护一个 13w 行的前端项目，我尝试用 CC + GLM 4.7 组合来处理一些"屎山代码"，批量调整、定点修改，还是基于模式识别的重构，准确率很高，以前觉得 4.6 搞不定的场景也可以试试了。 代码行数一多，我也喜欢用超长的提示词给代码仓库做体检，4.7 的指令跟随也更好，搭配 subagent 可以输出非常中肯的体检报告，比如说你可以写一个「文档和代码不一致搜查官」，指定好几个模块狠狠的批判然后汇总成几份报告，便宜大碗没有额度焦虑。 另，提示词「文档和代码不一致搜查官」地址见评论区。
「代码与文档不一致性」搜查官 https://t.co/FOmlM0EEXw
RT @MLflow: We’re excited to announce the release of 𝗠𝗟𝗳𝗹𝗼𝘄 𝟯.𝟴, which brings advanced capabilities for evaluating LLM-based applications,…
CTO at @Databricks and CS prof at @UCBerkeley. Working on data+AI, including @ApacheSpark, @DeltaLakeOSS, @MLflow, @DSPyOSS. https://t.co/nmRYAKFsWr
实践证明，没有用react-native， 直接从next.js跳过去用swiftui是一种特别不划算的行为； 如果你已经有next.js基础，用react-native搞移动端轻轻松松，还能一次性编译3端； 只有为了满足私欲炫技、骗不懂技术老板的钱，才考虑用swiftui。 回头要搞android端，还要自己再配个kotlin团队，简单的一个应用配那么多人，实属浪费... 如你的CTO建议你用 swiftui + kotlin + next.js来做应用，你应该把他裁了
找工作、找面试题、改简历、模拟面试。关注： 创业（冷启动） ｜ 认知心理学｜智能体 ｜ 强化学习 building：https://t.co/A4YmEz90B8
Okay fine. For those of who who somehow think this is a skill issue despite me being able to build crazy stuff without LLMs: if someone I respect replies to this with the exact setup I should use, I will spend a day live on stream attempting a mid-size project exactly as described in good faith. If it is a net positive, yay, I update my workflow and get more stuff done. If not, I will deepen my conviction that these damn things are mostly making everyone lazier and stupider. I will have RL ~solved in ~2 years with or without LLMs either way.
I build sane open-source RL tools. MIT PhD, creator of Neural MMO and founder of PufferAI. DM for business: non-LLM sim engineering, RL R&D, infra & support.
这位网友的问题很典型： > 宝玉老师，以现在大模型的能力还需要prompt吗，我现在都直接描述问题就发出去了 这个疑问其实特别普遍，甚至可以说，它代表了绝大多数用户的心声。包括还有人说： > 今天社交网络上被追捧的所谓AI高人,不过是Prompt Kiddie(提示词小子)。 > 整天转帖一些提示词,其实是在自动充当大模型的燃料。 这个问题的答案，其实藏在你的需求里。 如果你的任务很简单，比如问个天气、查个单词，或者写个请假条，那确实不需要什么复杂的提示词。这就好比做一道 1 加 1 等于 2 的数学题，直接心算就完事了，非要列个方程式反而显得矫情。 但是，一旦涉及到复杂任务，情况就完全不同了。 你可以把专业的提示词想象成解难题时的“数学公式”。 当面对一道复杂的应用题时，光靠心算是不够的。你需要公式来规范步骤，需要设定变量。提示词就是在这个环节起作用，它把一个模糊的需求，拆解成了一条清晰的思维链，手把手教 AI 怎么思考。 举个最常见的例子：把一篇晦涩的学术论文改成科普文章（参考提示词：https://t.co/c5fVJbTMXV ）。 如果你直接把论文丢给 AI，跟它说“帮我改写成科普文”，它大概率会给你扔回一篇删减版的论文，依然充满了你不懂的术语。因为它不知道你的“科普”是给谁看的，也不知道你需要什么风格。 但如果你运用了“公式”，告诉它：你的读者是只有高中物理水平的普通爱好者，请多用生活中的比喻（比如把量子纠缠比作心灵感应），并且在写之前先去检索一下相关的背景趣闻。 这时候，AI 输出的就不是冷冰冰的文字，而是一篇有血有肉、生动有趣的科普文章。这就是提示词的魔力——它填补了“指令”和“意图”之间的鸿沟。 再进一步，提示词还能充当“工作流经理”的角色。 比如你想做个 PPT。普通玩法是让 AI 帮你列个大纲，然后你自己根据大纲一页页去制作幻灯片。 但高阶的玩法是，用一段精心设计的提示词（参考提示词：https://t.co/nE2hQ0tPNB ），让 AI 不仅生成大纲，还能根据每一页的内容，自动写出对应的 AI 绘画指令。它把“写大纲”和“想配图”这两个步骤串联起来了。这时候的 AI，就不再是一个简单的聊天机器人，而是一个自动化的生产线。 还有大家最关心的 AI 画图提示词。 为什么大神生成的图片光影绝美、细节拉满，而你生成的总是差点意思？因为在非专业人士眼里，只有“好看”这一个形容词；而在提示词里，包含了光线类型、渲染引擎、构图视角等各种专业参数。 这些参数，就是大神手中的“秘密配方”。你想复刻那张图，光靠猜是猜不出来的，必须拿到那个具体的参数。即使你可以通过多模态模型来逆向，有时候就是差一点意思，毕竟专业的提示词，是经过无数次试验和优化才打磨出来的。 所以，回到最初的问题。我们还需要 Prompt 吗？ 如果你只是把 AI 当作一个陪聊的网友，或者一个随身的百科全书，那你确实不需要。 但如果你想把 AI 变成一个稳定输出的生产力工具，提示词就是必修课。 因为聊天是一次性的，说完就散；而专业提示词就像是“程序”和“软件”。 当你写好了一个完美的翻译提示词，或者一个生成信息图的提示词，它就不再是一句话了，它变成了一个只要你输入原料，就能稳定产出高质量产品的“工具”。 我自己则一直是在尝试借助提示词来帮我提升效率： 比如我要提取 YouTube 字幕，还要去对发言人名字进行标注，我就写了提取 YouTube 字幕的提示词 https://t.co/AJBvKFUrGm ，不仅有文稿，还能自动对上发言人，还能分章节。 比如我要给文章配图，所以我写了一个生成信息图的提示词 https://t.co/uQJaf8biBF ，文章贴进去，它就能帮我生成一张好看专业的信息图。 比如我要要校对文稿，我不会肉眼去校对，而是写一个校对的提示词，让 AI 帮我找错别字、语法错误，提供修改建议。 借助这些提示词，就能让我事半功倍。 这才是提示词的真正价值： 它让你从一个向 AI 提问的“用户”，变成了指挥 AI 干活的“工程师”。 下次当你在干一些枯燥的任务的时候，不妨想一想： 我每天在做的这些事情，如果写一个专业的提示词，是不是能让我事半功倍？
Prompt Engineer, dedicated to learning and disseminating knowledge about AI, software engineering, and engineering management.
So why does @IndiGo6E make it so damn hard to initiate a refund on a flight *they* canceled? Is it to see if you might give up thinking life is too short to wrestle with this?
AI researcher & teacher @SCAI_ASU. Former President of @RealAAAI; Chair of @AAAS Sec T. Here to tweach #AI. YouTube Ch: https://t.co/4beUPOmf6y Bsky: rao2z