高级提示词

构建可复用的提示词库：从文本片段到共享模板

当你开始认真使用AI后，就会一遍遍编写同一类提示词。本文介绍一套构建、组织和共享提示词库的实用体系，包括要记录什么、如何进行版本管理，以及应使用哪些基础设施。

10 分钟阅读

推理模型提示词工程（o3、R1、Claude扩展思考）

推理模型并不是增加了额外步骤的快速模型。它们适合不同的提示方式，会忽略一些传统模式，也有自身的陷阱。本文是一份关于如何用好推理模型的实用指南。

12 分钟阅读

上下文工程：管理100万token的窗口，同时避免上下文退化

100万token的上下文窗口已经成为现实，但远未达到上限时，质量就会开始下降。上下文工程研究如何有效使用上下文窗口：该纳入什么、该总结什么、该实时检索什么，以及如何在上下文不断增长时维持高质量。

此主题下的更多内容

10 分钟阅读

思维链、自我批评、思维树——何时使用哪一种

三种能切实提升AI处理难题时输出质量的推理技术，以及使用它们的成本效益账。本文提供具体提示词、并列对比，并说明现代推理模型带来的注意事项。

12 分钟阅读

如何在提示词、RAG与微调之间选择（以及何时组合）

提示词、RAG和微调是让LLM适应你的问题的三大手段。它们各有适用和不适用的问题。本文提供选择框架、各自的实际成本，以及组合使用时效果突出的生产模式。

12 分钟阅读

面向生产环境设计提示：系统、开发者和用户层

生产提示并不是“告诉AI你想要什么”。它们是一个分层系统——稳定指令、动态上下文、每次调用的变量——并像代码一样管理。本文介绍区分生产系统与原型的架构、模式和工程纪律。

7 分钟阅读

为任务选择合适的模型：2026年决策速查表

根据任务类型选择模型。GPT、Claude、Gemini、推理模型和开放权重选项——按各自真正擅长的领域分类，并配有简单的决策规则。

初级

13 分钟阅读

结构化输出与函数调用：生产环境中的实践模式

结构化输出和函数调用是从“生成文本的大语言模型（LLM）”走向“实际执行工作的系统”的桥梁。在生产环境中，真正重要的模式围绕模式定义、错误处理、幂等性和优雅降级展开，而不只是JSON模式。

29 分钟

思维树：利用大语言模型进行审慎的问题求解（完整论文评述）

Yannic Kilcher. Yannic逐步讲解Princeton/DeepMind最初的Tree of Thoughts论文——生成、评分、剪枝、回溯循环；它为何能将“24点游戏”的准确率从4%提高到74%；以及这项技术在消耗10×token、得不偿失时的界限。它之所以实用，恰恰是因为它迫使你将ToT视为一种搜索算法，而不是神奇的提示词前缀。

25 分钟

提示词入门101｜Code w/ Claude

Anthropic. Anthropic Applied AI团队的两名成员现场构建一个真实提示词，逐步加入角色、结构化章节和明确的思考步骤。这是YouTube上最可信的“如何使用思维链而不将其仪式化”演示，也具体阐明了文章的观点：“不要再把‘让我们一步一步思考’粘贴到所有提示词中。”

22 分钟

面向智能体的上下文工程

LangChain. Lance Martin提出“写入、选择、压缩、隔离”框架，并用具体示例说明何时总结操作历史、何时将状态转存到文件，以及何时仅仅为了保护父智能体的上下文而启动子智能体。这几乎直接对应文章中关于如何在实践中管理1M-token窗口的章节。

8 分钟

上下文退化：输入令牌增加如何影响LLM性能

Chroma. Kelly Hong讲解Chroma对18个模型的研究：为什么大海捞针测试的分数会产生误导；性能如何随歧义和干扰项增加而下降；为什么即使是简单的字符串重复任务，也会在超过500个token后出现性能衰减。内容简短、以证据为基础，恰好说明了为什么在进入工程解决方案之前，你必须认真对待文章所讨论的问题。

3 分钟

构建OpenAI o1

OpenAI. o1团队用三分钟讲述模型在强化学习（RL）训练期间开始质疑自身推理的那个时刻。这是一手资料，可以佐证文章的观点：思维链如今发生在模型内部，而不是由你写入提示词。

28 分钟

o1究竟是怎么回事？为什么o1是第三种模型范式，以及你可能不知道的10件事

AI Explained. 这是最清晰、不炒作的讲解，说明o1（以及由此延伸的o3、R1和Claude extended thinking）为何在下一个token预测之上加入强化学习，以奖励正确的多步骤答案，以及这对你与模型沟通的方式意味着什么。看过它之后，文章中“不要再说‘一步一步思考’，而要开始编写规格”的建议就不会显得武断。

9 分钟

RAG与微调对比

IBM Technology. 视频更集中地比较团队最常混淆的两种技术，并深入讨论数据新鲜度、来源归因，以及微调在推理速度方面的优势。如果你正专门尝试说服团队不要开展不必要的微调项目，这段视频值得一看。

13 分钟

RAG、微调与提示工程：优化AI模型

IBM Technology. 视频通过清晰的白板讲解对比三种技术及各自的成本——检索延迟、训练算力与灾难性遗忘，以及仅靠提示的局限——并说明哪些组合在生产环境中真正合理。结尾以一套同时使用三种技术的法律AI系统为例，几乎完整对应文章中“何时组合”的论点。

77 分钟

深入解析AI提示工程

Anthropic. 四位来自研究、对齐、应用和开发者关系领域的Anthropic提示工程师深入讨论实际的日常工作：如何在压力下修改提示，如何理解指令中的“诚实”，XML脚手架何时有用、何时无用。文章的分层模型与他们描述的工作方式高度吻合；这也是以口头讲解方式理解该思维模型的最佳材料。

25 分钟

提示入门｜Code with Claude

Anthropic. Anthropic应用AI团队围绕保险理赔提示开展实时构建：他们从一条模糊指令开始，逐步迭代为开发者真正可以发布的内容，展示文章所述系统层和开发者层的修改方式。建议先观看本视频，再重读文章中有关示例、输出结构和拒绝处理的检查清单。

10 分钟

我创作过的最好的ChatGPT提示词——我花了2个月整理这个用来编写提示词的提示词

Lawton Learns. 这是一个具体、可直接复制粘贴的C.R.A.F.T.元提示词（Context、Role、Action、Format、Target audience，即上下文、角色、行动、格式和目标受众），其理念正是文章所提倡的。它很适合作为新提示词库中的第一个条目——这个提示词的任务，是为其他所有人生成结构良好的提示词。

20 分钟

20分钟学完Google的9小时AI提示词工程课程

Tina Huang. Tina将Google完整的提示词课程浓缩为提示词库实际需要存储的两类内容：由任务、上下文、参考资料、评估和迭代组成的五部分框架，以及四种有明确名称、可随时间逐步完善提示词的迭代方法。她还讲解了智能体和思维链模式，因此当你日后向提示词库添加更高级的模板时，这段视频也可以作为入门起点。

41 分钟

OpenAI DevDay 2024｜用结构化输出构建可靠应用

OpenAI. 视频详细讲解`strict: true`、它与旧JSON模式的区别、拒绝处理，以及函数调用与响应格式Schema如何组合。它的价值恰恰在于说明API为你提供的契约，而文章中的生产模式正是构建在这份契约之上。

18 分钟

只需Pydantic：Jason Liu

AI Engineer. 这场演讲明确提出了现代模式：“定义Pydantic模型，将其交给大语言模型，其余工作交给验证机制”，并给出嵌套对象、捕获虚构URL的验证器，以及将思维链作为类型化字段等具体示例。观看后再读文章中的验证器章节，你就会明白其中重试与拒绝规则的由来。