即刻App年轻人的同好社区
下载
齐天乐·与冯深居登禹陵
吴文英
三千年事残鸦外，无言倦凭秋树。逝水移川，高陵变谷，那识当时神禹。幽云怪雨。翠萍湿空梁，夜深飞去。雁起青天，数行书似旧藏处。
寂寥西窗久坐，故人悭会遇，同翦灯语。积藓残碑，零圭断璧，重拂人间尘土。霜红罢舞。漫山色青青，雾朝烟暮。岸锁春船，画旗喧赛鼓。
总有人喜欢有人不喜欢，但都是自己的感受，与词人无关！
吴文英
三千年事残鸦外，无言倦凭秋树。逝水移川，高陵变谷，那识当时神禹。幽云怪雨。翠萍湿空梁，夜深飞去。雁起青天，数行书似旧藏处。
寂寥西窗久坐，故人悭会遇，同翦灯语。积藓残碑，零圭断璧，重拂人间尘土。霜红罢舞。漫山色青青，雾朝烟暮。岸锁春船，画旗喧赛鼓。
总有人喜欢有人不喜欢，但都是自己的感受，与词人无关！
0 00
今天刚好和朋友聊天，刚好有与此相关的一些探讨。
所谓定力来源于清晰知道自己想要什么，然后围绕着这点寻求核心发力点，并且要有足够的敬畏之心，任何有价值的事情都还是一蹴而就的，都可能经历困难。如果没有这样的心理准备，可能周期呀、长期主义呀都还是书本上的好听的名词。
所谓定力来源于清晰知道自己想要什么，然后围绕着这点寻求核心发力点，并且要有足够的敬畏之心，任何有价值的事情都还是一蹴而就的，都可能经历困难。如果没有这样的心理准备，可能周期呀、长期主义呀都还是书本上的好听的名词。
刘勿锋: 为什么理解赚钱周期能让人更从容？ 很多人的职场焦虑，本质上来自对不确定性的恐惧。看到别人赚钱了，自己还在原地踏步，就开始怀疑人生。 但如果理解了赚钱是有周期的，心态就会完全不一样。 第一层从容：就算别人先赚到也不用着急 每个周期都有不同的机会。NVIDIA在训练期赚得盆满钵满，但到了应用期，机会就轮到了应用开发者、营销服务商。 就像房地产的不同周期：土地开发期赚钱的是拿地的，建设期赚钱的是施工方，销售期赚钱的是中介和装修公司。没有人在每个周期都是主角，但总有适合自己的那个周期。 关键是要有耐心，等待属于自己的时间窗口。 第二层从容：困难和顺利都是暂时的 周期思维最大的价值，就是让人明白当下的状态都不是永恒的。 顺风期不会一直持续。那些在大模型训练期赚得很爽的GPU供应商，现在也开始感受到竞争加剧的压力。保持清醒，提前布局下个周期。 逆风期也不会永远持续。现在很多传统软件公司觉得被AI冲击很大，但如果能顺应趋势转型，在AI应用期反而可能找到新机会。 第三层从容：决策更理性 理解周期后，你的决策会更理性。不会因为短期的挫折就全盘否定方向，也不会因为短期的成功就盲目扩张。 一方面，公司死掉的高频原因之一，就是在顺风期的顶点之后还在大举扩张。然后就会因为时机判断错误，导致产能浪费停摆。 另一方面，看懂周期后不会无脑否定自己。两年前，多模态大模型很火，很多人就开始质疑ocr是不是要被颠覆了。但我们却看到了非共识，认为这会是一门好生意，两年过去，事实证明确实如此。否则，如果当初也否定了自己，就不会有当下的好局面。 最后，看懂周期，最大的收获不是预测未来，而是内心的笃定。知道起起落落都是正常的，自己只需要在合适的时候做合适的事。 这种从容，比什么都宝贵。 理解周期，敬畏周期，进而穿越周期。
1 00
Google的这本prompt白皮书重点介绍了以下几种提示词，讲得更加深入一些：
• 零提示(Zero Shot)
• 少样本提示(Few Shot)
• 系统提示(System Prompt)
• 角色提示(Role Prompt)
• 上下文提示(Contextual Prompt)
• 回退提示(Step-back prompting)
• 思维链(CoT)
• 自洽性(Self Consistency)
• 思维树(ToT)
• ReAct
另外对模型的参数也做了较明确的说明，可以在学习提示词时做进一步参考！
#提示词工程 #LLM #思维链 #PromptEngineering
• 零提示(Zero Shot)
• 少样本提示(Few Shot)
• 系统提示(System Prompt)
• 角色提示(Role Prompt)
• 上下文提示(Contextual Prompt)
• 回退提示(Step-back prompting)
• 思维链(CoT)
• 自洽性(Self Consistency)
• 思维树(ToT)
• ReAct
另外对模型的参数也做了较明确的说明，可以在学习提示词时做进一步参考！
#提示词工程 #LLM #思维链 #PromptEngineering
Google: Prompt Engineering白皮书
1 02
当我们谈论过去的时候，过去是大脑当下的记忆，
当我们谈论未来的时候，未来不过是大脑当下的想象，
我们永远只能活在当下!
当我们谈论未来的时候，未来不过是大脑当下的想象，
我们永远只能活在当下!
今日头条
0 00
个人经验：
1. 让它做好计划并记录在md文件中，在操作时明确提示它先看计划并结计划进行总结，再按计划进行
2. 对于不同阶段或某个独立问题，新开一个chat，然后尽可能在修改前做好分析计划
我现在一般不会让它立即编码，而是一定要沟通好规划，确认了再工作
1. 让它做好计划并记录在md文件中，在操作时明确提示它先看计划并结计划进行总结，再按计划进行
2. 对于不同阶段或某个独立问题，新开一个chat，然后尽可能在修改前做好分析计划
我现在一般不会让它立即编码，而是一定要沟通好规划，确认了再工作
dangjin: 提问：如何解决Cursor在多轮对话后幻觉严重以及乱改代码的问题？
0 00
最近在整理Agent相关的知识，在此过程中越来越感觉到提示词(Prompt)和提示工程(Prompt Engineering)在Agent设计开发中的重要性，所以一边整理Agent的知识，一边也在整理提示词相关的知识。
在整理的过程中，文章的DEMO最早是使用QWen3进行测试的，但是发现现在的主流模型真的非常强大了，某些提示技术的对比并不明显，所以又全部修改为llama-3.1-8b版本重新做了一遍。虽然如此，其中的很多提示工程技术在现在还是非常重要的！
一、 基础与输入增强 (Foundation & Input Enhancement)
关注你如何“喂”给模型信息，向LLM提供初始信息和任务描述。
1. 零样本 (Zero-Shot):
• 核心：直接提问或下达指令，不提供任何示例。
• 目的：利用模型的通用知识快速获取答案或执行简单任务。
2. 少样本 (Few-Shot):
• 核心：提供1个或多个输入输出示例，引导模型学习期望的格式或行为。
• 目的：提高特定任务的准确性，尤其是在需要特定输出格式或模仿某种模式时。
3. 上下文提示 (Contextual Prompting):
• 核心：提供充足的背景信息、相关数据或用户历史。
• 目的：让模型基于更全面的信息做出更相关、更个性化的回应。
4. 明确指令提示 (Explicit Instructions Prompting):
• 核心：清晰、直接、无歧义地说明要求，包括期望的输出结构、内容、长度、避免事项等。
• 目的：最大限度减少误解，确保模型准确理解并执行任务。
二、 塑造行为与风格 (Shaping Behavior & Style)
关注你希望模型“如何表现”和“如何说话”，用于控制LLM回应的“个性”、语气和表现形式。
5. 角色提示 (Role Prompting):
• 核心：指定LLM扮演一个特定的角色或人物。
• 目的：影响模型的语气、词汇、风格，甚至思考角度。
6. 风格提示 (Style Prompting):
• 核心：要求LLM以特定的文学、艺术、正式或非正式风格写作。
• 目的：控制输出文本的特征，而非完整的角色扮演。
7. 情感提示 (Emotion Prompting):
• 核心：指示LLM生成传达特定情感或从情感角度书写的回应。
• 目的：为文本增添情感色彩，使其更具感染力或同理心。
8. 系统提示 (System Prompting):
• 核心：提供高级指令、上下文、角色指南或总体行为规则，应用于整个对话。
• 目的：确保LLM行为的一致性和可控性，无需在每个用户查询中重复。
9. 输出引导 (Output Priming):
• 核心：提供期望回应的开头，引导模型按特定结构、格式或内容延续。
• 目的：“启动”模型的答案，使其朝期望方向发展。
三、 引导思考与解决问题 (Guiding Thought & Problem Solving)
关注你如何帮助模型“思考得更深入”和“解决得更聪明”，旨在帮助LLM处理复杂问题，提升其推理和规划能力。
10. 思维链 (Chain-of-Thought - CoT):
• 核心：鼓励LLM“一步一步地思考”，展示中间推理步骤。
• 目的：提高复杂任务（如数学、逻辑推理）的准确性，使思考过程可见。
11. 退一步思考提示 (Step-Back Prompting):
• 核心：引导LLM在回答具体问题前，先思考相关的更广泛概念或原则。
• 目的：通过建立基础理解，产生更具洞察力、更合理的答案。
12. 目标分解提示 (Goal Decomposition Prompting):
• 核心：将复杂任务分解为一系列更小、更易管理的子目标或步骤。
• 目的：为LLM提供结构化计划，确保处理所有必要组成部分。
13. ReAct (Reason + Act - 推理+行动):
• 核心：通过交错推理（分解问题、创建计划）和行动（模拟信息收集）来解决复杂任务。
• 目的：使LLM的问题解决过程更明确，模拟工具使用和信息查找。
四、 交互与迭代优化 (Interaction & Iterative Optimization)
关注你如何通过多轮互动或让模型“自我反思”来提升结果，涉及与LLM的多轮交互或引导其自我改进。
14. 复述与回应 (Rephrase and Respond - RaR):
• 核心：要求LLM在回应前先复述请求或解释其对任务的理解。
• 目的：作为检查点，确保LLM正确理解复杂或模糊的请求。
15. 自我批判与改进 (Self-Critique & Refinement):
• 核心：指示LLM生成初步回应，然后批判评估自身回应，并据此改进。
• 目的：通过结构化反思，提升输出质量，尤其适用于创意和复杂解释任务。
16. 思路连贯性提示 (Thread-of-Thought - ThoT):
• 核心：鼓励LLM在多轮对话或长文本中保持连贯和关联的推理或叙述思路。
• 目的：确保长篇内容、复杂解释或多轮问题解决的逻辑性和一致性。
五、 元方法 (Meta-Techniques)
关注如何让模型“帮助你更好地提问”，利用LLM本身来改进提示过程。
17. 元提示 (Meta-Prompting):
• 核心：利用LLM帮助创建或优化针对另一个（或同一个）LLM的提示。
• 目的：发现更有效的提示方式，利用LLM关于“好提示”的知识。
在整理的过程中，文章的DEMO最早是使用QWen3进行测试的，但是发现现在的主流模型真的非常强大了，某些提示技术的对比并不明显，所以又全部修改为llama-3.1-8b版本重新做了一遍。虽然如此，其中的很多提示工程技术在现在还是非常重要的！
一、 基础与输入增强 (Foundation & Input Enhancement)
关注你如何“喂”给模型信息，向LLM提供初始信息和任务描述。
1. 零样本 (Zero-Shot):
• 核心：直接提问或下达指令，不提供任何示例。
• 目的：利用模型的通用知识快速获取答案或执行简单任务。
2. 少样本 (Few-Shot):
• 核心：提供1个或多个输入输出示例，引导模型学习期望的格式或行为。
• 目的：提高特定任务的准确性，尤其是在需要特定输出格式或模仿某种模式时。
3. 上下文提示 (Contextual Prompting):
• 核心：提供充足的背景信息、相关数据或用户历史。
• 目的：让模型基于更全面的信息做出更相关、更个性化的回应。
4. 明确指令提示 (Explicit Instructions Prompting):
• 核心：清晰、直接、无歧义地说明要求，包括期望的输出结构、内容、长度、避免事项等。
• 目的：最大限度减少误解，确保模型准确理解并执行任务。
二、 塑造行为与风格 (Shaping Behavior & Style)
关注你希望模型“如何表现”和“如何说话”，用于控制LLM回应的“个性”、语气和表现形式。
5. 角色提示 (Role Prompting):
• 核心：指定LLM扮演一个特定的角色或人物。
• 目的：影响模型的语气、词汇、风格，甚至思考角度。
6. 风格提示 (Style Prompting):
• 核心：要求LLM以特定的文学、艺术、正式或非正式风格写作。
• 目的：控制输出文本的特征，而非完整的角色扮演。
7. 情感提示 (Emotion Prompting):
• 核心：指示LLM生成传达特定情感或从情感角度书写的回应。
• 目的：为文本增添情感色彩，使其更具感染力或同理心。
8. 系统提示 (System Prompting):
• 核心：提供高级指令、上下文、角色指南或总体行为规则，应用于整个对话。
• 目的：确保LLM行为的一致性和可控性，无需在每个用户查询中重复。
9. 输出引导 (Output Priming):
• 核心：提供期望回应的开头，引导模型按特定结构、格式或内容延续。
• 目的：“启动”模型的答案，使其朝期望方向发展。
三、 引导思考与解决问题 (Guiding Thought & Problem Solving)
关注你如何帮助模型“思考得更深入”和“解决得更聪明”，旨在帮助LLM处理复杂问题，提升其推理和规划能力。
10. 思维链 (Chain-of-Thought - CoT):
• 核心：鼓励LLM“一步一步地思考”，展示中间推理步骤。
• 目的：提高复杂任务（如数学、逻辑推理）的准确性，使思考过程可见。
11. 退一步思考提示 (Step-Back Prompting):
• 核心：引导LLM在回答具体问题前，先思考相关的更广泛概念或原则。
• 目的：通过建立基础理解，产生更具洞察力、更合理的答案。
12. 目标分解提示 (Goal Decomposition Prompting):
• 核心：将复杂任务分解为一系列更小、更易管理的子目标或步骤。
• 目的：为LLM提供结构化计划，确保处理所有必要组成部分。
13. ReAct (Reason + Act - 推理+行动):
• 核心：通过交错推理（分解问题、创建计划）和行动（模拟信息收集）来解决复杂任务。
• 目的：使LLM的问题解决过程更明确，模拟工具使用和信息查找。
四、 交互与迭代优化 (Interaction & Iterative Optimization)
关注你如何通过多轮互动或让模型“自我反思”来提升结果，涉及与LLM的多轮交互或引导其自我改进。
14. 复述与回应 (Rephrase and Respond - RaR):
• 核心：要求LLM在回应前先复述请求或解释其对任务的理解。
• 目的：作为检查点，确保LLM正确理解复杂或模糊的请求。
15. 自我批判与改进 (Self-Critique & Refinement):
• 核心：指示LLM生成初步回应，然后批判评估自身回应，并据此改进。
• 目的：通过结构化反思，提升输出质量，尤其适用于创意和复杂解释任务。
16. 思路连贯性提示 (Thread-of-Thought - ThoT):
• 核心：鼓励LLM在多轮对话或长文本中保持连贯和关联的推理或叙述思路。
• 目的：确保长篇内容、复杂解释或多轮问题解决的逻辑性和一致性。
五、 元方法 (Meta-Techniques)
关注如何让模型“帮助你更好地提问”，利用LLM本身来改进提示过程。
17. 元提示 (Meta-Prompting):
• 核心：利用LLM帮助创建或优化针对另一个（或同一个）LLM的提示。
• 目的：发现更有效的提示方式，利用LLM关于“好提示”的知识。
实测17种提示词工程技术
4 00
想起了博尔赫斯的那篇《沙之书》,同一本书，每次翻到的都是不同的页码，而且那本书似乎也永远没有结束......
李继刚: 你永远无法真正读完一本书。 二十岁读的《百年孤独》和四十岁读的不是同一本书。书没变，但那个叫"你"的容器变了。 每本书都在等待恰当的你。太早了，它是一堆文字；太晚了，它是一声叹息。
0 00
You don't need to "get clearer." You need to make the leap - and bring your story with you.
出来混，先要"出来" :)
出来混，先要"出来" :)
0 00