新年要解决两个问题，要有更多的体系化输入，电台、新闻替代不了书籍，每天的AI模型工具把自己的注意力都拿走了，这样不好，而且很容易陷入过于底层和技术，却忘了用户要什么

AI产品真是越来越难做了，很多工作经常会被模型的能力给迭代掉，调了很久的提示词，不如模型进化变得更聪明一些，不如更好的agent机制，于是只能尽可能的做原子级别的知识库以及工具。

这也是之前踩的一个坑，调优AI产品还是先测模型。而且真的要足够快，拖个一个月两个月新的模型又出来了，然后很可能推倒重来。

另一个矛盾点，是现在的代码、产品好像不再像以前那么优雅了，大模型的节点是很不标准化的，一个LLM节点可能承载了特别多的工作，所有的东西都耦合到了一起，为了效率和性能不断试探模型的边界，现在要开始用写代码的方式写提示词了，不然后面也越来越不好改。

现在用提示词输出的都是json，用json和研发合作，于是我也要写类似接口协议的东西，咪的天，我也是让AI写的，真的越来越懒了。

1、你的碎片时间正在升值，用AI处理文档比咖啡提神更高效
2、未来胜负手不是模型强弱，而是谁能把AI调教成"懂你的副驾驶"
3、下个超级入口可能是你戴的交互设备
4、最核心能力变成：定义问题+结果审核

Anthropic的博客解读，AI Agent从60分到90分靠追踪+评测。

核心方法：
1. Trace系统全链路追踪问题；
2. 代码+模型+人类三重评分器；
3. 按场景定制指标。

行动项：建测试用例库，持续优化。

在AI对话框里改提示词就像赌博，改完看着没问题，一测就翻车。

我说放宽约束，结果它顺手删了Few‑Shot，受够了人肉 Diff，开发了2个skills

改：只改指定范围，先确认改法，改完自动 Diff 自检，避免误删/冲突。

创建：判断复杂度→选框架自动输出，复杂需求调用向阳乔木老师的元提示词。

最近做的AI扫盲分享，先了解用模型还是训练模型，2者要的知识完全不同。

分清楚代码和工程，AI不是万能的，知识库切片和召回的策略对效果影响巨大。过于依赖AI，要关注性能成本，保障可以规模化

做好追踪，搞清楚自己AI产品的评测集、指标，没有评测基准，调优都没办法。

把gpt的数据导出来自己做了一个年度报告，感觉舒服多了。文案上会更加感性，它会说：没有记录的日子才是最重要的版本，会说那些凌晨敲下的代码，是不会撒谎的星星。

参考 AI启蒙小伙伴老师 的提示词进行了迭代增加了内容梳理、逻辑增强功能，也增加了两种配色，将横版迭代为列排布，方便存储为PDF。

教程和提示词：mp.weixin.qq.com

对于AI以往总是体验的多，做得很少。到了真的从AI产品角度考虑的时发现以前的理论认知有用，但不太多。为了业务的稳定、可控更多的时候还是在使用工作流，而不是更“万能”的Agent。

另一个误区是，以为接了API就是万能的，但实际上意图识别、指代消解，每个小小的细节都要去处理。

而AI产品的评测又有另一套方法，不再是说小打小闹的体验，有时还是要人工标注，判别、提取要LLM判别准确性、完整性，生成要判别相关性、事实性、相似性诸如此类，从以前的if else，变成了概率。

沉下心思考很多东西还是蛮有意思的，AI慢慢改变着很多行业的形态，语义理解、泛化推理、内容生成，还有自主思考和规划的能力。

也许AI会有别的形态，边走边想吧。

分享两个做PPT的提示词，参考了up主@摸鱼的小李 的思路，用提示词发给通用AI让它规划大纲、配色，然后一次性生成html网页，并且支持下载。

然后也参考了李继刚老师的svg图表技术融入了进去，图片是提示词发给deepseek、元宝deepseekr1做的3份案例。

提示词见飞书：quviqsdorn.feishu.cn