AI 认知基础
提示词工程、模型原理、工具使用与开源精选
该难度下暂无文章
试试选择其他难度级别
Anthropic 官方课程
6 篇AI 认知基础
38 篇AI图像生成风格提示词矩阵
AI图像生成风格提示词矩阵 引言：从文本到视觉的工程化桥梁 AI图像生成已经从早期的"随机碰运气"进化为一门可系统化的工程实践。无论是产品经理为新功能制作概念图、设计师快速出原型、还是技术负责人为架构文档生成示意图，掌握结构化的风格提示词方法论都是核心竞争力。本文将从工程化视角出发，构建一套覆盖12种主流视觉风格的提示词矩阵，并针对Midjourney、DALL-E、Stable...
Few-Shot学习模式全解
Few-Shot学习模式全解 示例选择策略、动态 Few-Shot 构建与 In-Context Learning 的工程化实践 | 2026-02 一、什么是 Few-Shot Learning Few-Shot Learning（少样本学习）是通过在提示词中提供少量示例来引导 LLM 完成特定任务的技术。不同于传统机器学习的微调，Few-Shot 不修改模型权重，而是利用 LLM...
Meta-Prompting：让AI优化AI的提示词
Meta-Prompting：让AI优化AI的提示词 自动化提示词优化、DSPy 框架与评估驱动的 Prompt 进化 | 2026-02 一、Meta-Prompting 的核心思想 Meta-Prompting 是用 LLM 来优化 LLM 的提示词。这不是一个新概念——它本质上是把"提示词工程"这个人类任务也交给 AI 来完成，形成自我改进的闭环。 Traditional Prompt...
Prompt 自动优化：DSPy 与自动提示词工程（2026 年版）
Prompt 自动优化：DSPy 与自动提示词工程（2026 年版） 1. 引言 手工编写 Prompt 是一门"炼金术"：凭经验调整措辞、添加示例、调整格式，通过反复试错达到满意的效果。这种方式存在三个根本问题： 不可复现：好的 Prompt 高度依赖编写者的经验和直觉 不可扩展：每换一个任务或模型，就要重新调整 不可评估：难以量化 Prompt A 比 Prompt B 好多少...
System Prompt设计模式
System Prompt设计模式 角色定义、约束规范、输出格式与版本管理的工程化设计模式 | 2026-02 一、System Prompt 的重要性 System Prompt 是 LLM 应用中最关键的"代码"——它定义了模型的行为边界、输出格式和交互风格。一个优秀的 System Prompt 应该像一份精准的岗位说明书：明确告诉模型你是谁、你做什么、你不做什么、你怎么做。...
企业级 Prompt 管理平台设计（2026 年版）
企业级 Prompt 管理平台设计（2026 年版） 1. 引言 当企业的 AI 应用从 1 个增长到 100 个，Prompt 管理就不再是"一个文本文件"能解决的问题。散落在代码库、Notion 文档、个人笔记中的 Prompt 带来了一系列痛点：版本混乱、无法追踪效果、缺乏质量保证、知识无法共享。 企业级 Prompt 管理平台的目标是将 Prompt...
创意提示词库：科技与设计融合
创意提示词库：科技与设计融合 引言：当工程思维遇见设计直觉 技术团队与设计团队之间的协作，长期存在一个翻译鸿沟——工程师用逻辑描述需求，设计师用感觉回应方案，两者的语言体系天然不同。AI生成工具的出现，意外地成为了这道鸿沟的桥梁：提示词同时承担了"工程规格"和"设计意图"的双重职能。...
多模态 Prompt 工程：图文音视频提示策略（2026 年版）
多模态 Prompt 工程：图文音视频提示策略（2026 年版） 1. 引言 多模态大模型（Multimodal LLMs）的快速发展正在重新定义 Prompt 工程的边界。传统的 Prompt 工程只处理纯文本输入和输出，而多模态 Prompt 工程需要同时操控文本、图像、音频、视频等多种信号的组合方式。 2024-2026 年间，GPT-4o、Claude 3.5/4、Gemini...
多模态提示词工程
多模态提示词工程 Vision Prompting、音频输入、图文联合推理与多模态 Prompt 设计模式 | 2026-02 一、多模态 LLM 的能力边界 多模态大模型（如 GPT-4o、Claude 3.5、Gemini 2.0）能同时处理文本、图像、音频甚至视频。但"能处理"不等于"能处好"——多模态提示词工程的核心挑战是：如何让模型在不同模态之间建立正确的关联，而不是各看各的。...
多模态提示词设计指南
多模态提示词设计指南 面向视觉、音频、视频的多模态提示词工程实践 多模态 LLM 的能力边界 多模态大模型可以同时处理文本、图像、音频甚至视频输入。但每种模态的处理能力存在显著差异： 多模态能力矩阵（截至 2026 年初）： 模型 文本 图像理解 图像生成 音频理解 音频生成 视频理解 视频生成 ─────────────── ──── ──────── ──────── ────────...
大模型幻觉控制的提示词策略
大模型幻觉控制的提示词策略 通过提示词工程降低 LLM 幻觉率：接地、引用、自检与多模型交叉验证 幻觉的本质 LLM 的幻觉（Hallucination）是指模型生成看似合理但实际上不准确或完全虚构的内容。理解幻觉的本质是有效控制它的前提。 幻觉分类 ┌──────────────────────────────────────────────────────────────┐ │ LLM...
思维链提示词：CoT / ToT / GoT 系统化指南（2026 年版）
思维链提示词：CoT / ToT / GoT 系统化指南（2026 年版） 1. 引言 大语言模型（LLM）在面对复杂推理任务时，直接给出答案的准确率往往不理想。2022 年，Google 的 Jason Wei 等人提出了 Chain-of-Thought（CoT）提示技术，通过引导模型"一步步思考"显著提升了推理能力。此后，Tree-of-Thought（ToT）和...
提示词安全：注入攻击与防御
提示词安全：注入攻击与防御 Prompt Injection 攻防全解：攻击向量、防御策略与工程实践 提示词注入的本质 提示词注入（Prompt Injection）是 LLM 时代最核心的安全威胁之一。其本质是：LLM 无法区分"指令"和"数据"。 当用户输入被拼接到提示词中时，恶意输入可以劫持模型的行为。 传统 SQL 注入的类比： SQL 注入： 查询模板：SELECT * FROM...
提示词注入防御工程
提示词注入防御工程 攻击分类、检测方法、防御架构与真实案例的工程化实践 | 2026-02 一、提示词注入的本质 提示词注入（Prompt Injection）是 LLM 应用面临的最严重安全威胁。其本质是：攻击者通过用户输入改变 LLM 的预设行为，类似于 SQL 注入在数据库层面的攻击。 Normal flow: System Prompt (developer) + User Input...
提示词版本控制与AB测试
提示词版本控制与AB测试 Git-based Prompt 管理、在线评估、统计显著性与灰度发布策略 | 2026-02 一、为什么需要版本控制 提示词是 LLM 应用的"源代码"，但大多数团队的提示词管理状态是：粘贴在代码里、Slack 里传来传去、改了不知道谁改的、回滚找不到上一版。 Without Version Control: Developer A edits prompt in...
提示词版本管理与 A/B 测试
提示词版本管理与 A/B 测试 将提示词作为代码资产进行版本控制、回归测试和持续优化 为什么提示词需要版本管理 提示词在 LLM 应用中的地位等同于传统软件中的"业务逻辑代码"。一个提示词的微小修改可能导致输出质量的巨大变化。然而，大多数团队对提示词的管理仍然处于"复制粘贴"阶段。 提示词管理的成熟度模型： Level 0: 硬编码 提示词直接写在代码里，散落各处，无版本控制 Level 1:...
提示词管理系统设计与实现
提示词管理系统设计与实现 从版本控制到生产部署：企业级 Prompt 管理系统的架构设计与工程实践 | 2026-02 一、为什么需要提示词管理 当 LLM 应用从原型进入生产，提示词就不再是"一段文字"，而是核心业务逻辑的一部分。没有管理系统的提示词面临以下问题： 版本失控：谁改了提示词？改了什么？改坏了怎么回滚？ 质量退化：新版本是否比旧版本好？没有对比就没有答案...
提示词链编排：复杂任务的分治策略
提示词链编排：复杂任务的分治策略 Chain-of-Prompts、条件路由、错误传播与 LangChain LCEL 实现 | 2026-02 一、为什么需要提示词链 单个提示词在面对复杂任务时会遇到瓶颈：上下文窗口不够用、指令过于复杂导致遵循率下降、不同子任务需要不同的模型或参数。提示词链（Chain of Prompts）将复杂任务分解为多个简单步骤，每个步骤使用专门优化的提示词。...
结构化提示词的工程化实践
结构化提示词的工程化实践 从自由文本到工程化模板：构建可维护、可测试、可复用的提示词体系 为什么需要结构化提示词 自由文本提示词的三大痛点： 不可预测：同一个意图的不同表述，LLM 可能给出完全不同质量的输出 不可维护：提示词散落在代码各处，修改一个提示词需要搜索整个代码库 不可复用：每个场景都从头写提示词，没有积累和沉淀 结构化提示词的目标：将提示词从"自然语言技巧"转变为"软件工程实践"。...
结构化输出技术：让LLM返回可靠JSON
结构化输出技术：让LLM返回可靠JSON JSON Mode、Function Calling、Schema 验证与容错恢复的工程化实践 | 2026-02 一、为什么需要结构化输出 LLM 的默认输出是自然语言文本。但在工程系统中，下游组件需要的是可解析、可验证、可类型化的结构化数据。非结构化输出导致的问题： 解析失败：JSON 格式错误（多余逗号、未闭合括号） 字段缺失：LLM...
结构化输出控制：JSON Mode 与 Schema 约束（2026 年版）
结构化输出控制：JSON Mode 与 Schema 约束（2026 年版） 1. 引言 大语言模型最初被设计为"自由文本生成器"，其输出是非结构化的自然语言。然而在工程实践中，我们几乎总是需要结构化的输出：JSON 对象、数据库记录、API 响应、表格数据。如何可靠地从 LLM 获得结构化输出，是 Prompt 工程中最关键的实用技能之一。 2024-2026...
评估驱动的提示词优化
评估驱动的提示词优化 Eval-First 开发、指标设计、自动评分、人工评估与持续改进闭环 | 2026-02 一、Eval-First 开发哲学 大多数提示词工程的失败模式是：先写 prompt，再想怎么评估，发现评不了就"看看效果还行"就上线了。正确的顺序是反过来的——先定义"什么是好"，再去优化 prompt。 Wrong (Prompt-First): Write prompt ->...
AI Agent 开发框架对比：LangGraph vs CrewAI vs AutoGen
AI Agent 开发框架对比：LangGraph vs CrewAI vs AutoGen 作者：Maurice | 灵阙学院 选型背景 2025-2026 年，AI Agent 开发框架从百花齐放走向收敛。对于技术团队来说，选择合适的框架直接影响开发效率和产品质量。本文对比三个主流开源框架的架构设计、适用场景和工程实践。 框架概览 维度 LangGraph CrewAI AutoGen...
AI IDE 工程规范：Cursor Rules 与 Claude Code 实战
AI IDE 工程规范：Cursor Rules 与 Claude Code 实战 作者：Maurice | 灵阙学院 为什么需要规范文件 2023 年以前，我们谈 AI 编程，谈的是"自动补全"。 2025 年，局面已经完全不同。Claude、GPT-4o、Gemini 这些模型的代码能力早已超过大多数初级工程师。Cursor、Claude Code、Windsurf 等 AI IDE...
AI 工作流自动化实战
AI 工作流自动化实战 用 Dify 和 n8n 搭建三个实用 AI 工作流，无需写代码 Maurice | 灵阙学院 前置准备 Docker Desktop 已安装 基本的浏览器操作能力 一个 OpenAI / Claude / 国产大模型 API Key 一、AI 工作流工具全景对比 特性 Dify Coze (字节) n8n Make (Zapier) 定位 AI 应用开发平台 AI...
AI 编程助手横向评测
AI 编程助手横向评测 Maurice | 灵阙学院 2026-02-27 | 评测窗口：2025-09 至 2026-02 评测背景 AI 编程助手已从"自动补全"进化到"自主工程"。本文对五款主流产品进行多维度横向对比，帮助开发者和团队做出选型决策。评测基于公开基准数据、社区反馈和实际使用体验综合判定。 产品概览...
Context Engineering：从提示词到上下文工程
Context Engineering：从提示词到上下文工程 作者：Maurice | 灵阙学院 引言：一个范式正在悄悄替换另一个范式 2023年，"Prompt Engineering"（提示词工程）风靡一时。每个人都在学写更好的提示词，争论零样本还是少样本，研究思维链（Chain-of-Thought）的奇效。 2025年之后，顶级AI工程师开始使用另一个词：Context...
Function Calling 与工具使用开发指南
Function Calling 与工具使用开发指南 Maurice | 灵阙学院 2026-02-27 什么是 Function Calling Function Calling 让大模型不再只是输出文本，而是能够结构化地调用外部工具。模型根据用户请求决定调用哪个函数、传入什么参数，开发者执行函数后将结果返回模型，模型再基于结果生成最终回答。...
RAG 检索增强生成完全指南
RAG 检索增强生成完全指南 Maurice | 灵阙学院 2026-02-27 为什么需要 RAG 大语言模型有两个核心短板：知识截止日期和幻觉。RAG（Retrieval-Augmented Generation）通过在推理时注入外部知识，让模型基于真实文档回答问题，从根本上缓解了这两个问题。 与微调相比，RAG 不需要重新训练模型，知识更新只需替换文档库，成本低且可审计。...
从零搭建你的第一个AI应用
从零搭建你的第一个AI应用 从环境搭建到部署上线，手把手带你完成第一个 AI 聊天应用 Maurice | 灵阙学院 前置准备 Python 3.10+ 一个 OpenAI 或 Anthropic API Key 基本的命令行操作能力 一、搭建 Python 开发环境 创建一个独立的虚拟环境，避免依赖冲突。 # 创建项目目录 mkdir my-first-ai-app && cd...
向量数据库选型指南
向量数据库选型指南 Maurice | 灵阙学院 2026-02-27 为什么需要专用向量数据库 传统数据库按精确匹配设计（WHERE id = 123），而 AI 应用需要按语义相似度检索（"找到含义最接近的前 10 条记录"）。向量数据库专为高维向量的近似最近邻（ANN）搜索优化，是 RAG、推荐系统、图像检索等 AI 应用的基础设施。 核心索引算法...
多模态 AI 应用开发指南
多模态 AI 应用开发指南 作者：Maurice | 灵阙学院 什么是多模态 AI 多模态 AI（Multimodal AI）是指能够理解和生成多种数据类型的 AI 系统——文本、图像、音频、视频的统一处理。 2024 年以前，不同模态通常需要不同的专用模型： 旧模式（模态隔离）： 文本理解 → GPT-4 图像理解 → CLIP / BLIP-2 语音识别 → Whisper 图像生成 →...
提示词工程进阶：从 Chain-of-Thought 到 Tree-of-Thought
提示词工程进阶：从 Chain-of-Thought 到 Tree-of-Thought 作者：Maurice | 灵阙学院 提示词工程的三个阶段 阶段一：直接提示（2022 前） 直接向模型提问，依赖模型的"直觉"： Q: 小明有 15 个苹果，给了小红 7 个，又买了 3 个，现在有几个？ A: 11 个 问题：对于稍复杂的推理任务，直接提示的准确率显著下降。...
本地部署大模型实战：Ollama 指南
本地部署大模型实战：Ollama 指南 在你自己的电脑上运行大语言模型，无需 API Key，完全离线可用 Maurice | 灵阙学院 前置准备 macOS (Apple Silicon 推荐) / Linux / Windows 至少 8GB 内存（运行 7B 模型） 推荐 16GB+ 内存（运行 13B+ 模型） 一、安装 Ollama macOS / Linux 一键安装： curl...
结构化输出实战：让大模型输出可编程的 JSON
结构化输出实战：让大模型输出可编程的 JSON 作者：Maurice | 灵阙学院 前言 大模型最令人头疼的生产问题不是"输出错了"，而是"输出了一个几乎正确的 JSON"。 漏了一个逗号，多了个 markdown 代码块围栏，把数字输出成字符串——这类问题不会在开发阶段暴露，专挑凌晨三点生产告警的时候出现。 本文系统梳理结构化输出的三种实现路径、各主流厂商 API 的落地方法、Pydantic...
Prompt Contract v1.1 - 智能体平台结构化合约系统
Prompt Contract v1.1 - 智能体平台结构化合约系统 可校验、可编译、可回放的提示词工程化方案 概述 Prompt Contract v1.1 将传统的"散装提示词"升级为结构化合约，实现： 可校验：三层 Schema 校验（Envelope → Task → Result） 可编译：Prompt Compiler 自动注入 locks、negative、工具配置 可回放：同...
LingQue Studio 智能体平台逐页优化与AI编程提示词（整合版）
逐页优化 & AI 编程提示词 LingQue Studio · 整合 HTML 0）全局 1）工作台 2）智能体列表 3）工作流编排 4）模板市场 5）会话记录 Beta 6）执行日志 7）链路追踪 New 8）测试中心 9）知识库 10）工具箱 11）MCP 服务 12）提示词库 13）模型接入 14）SOTA 榜单 New 15）订阅计划 New 16）租户管理 New 17）审计日志...
智能体平台 Prompt Contract v1.1（YAML/JSON 硬约束 + 编排/校验/编译）
AI 编程指令：Prompt Contract v1.1（全平台 YAML/JSON 硬约束） v1.1 目标： 把“提示词”升级为可校验、可编译、可回放的结构化合约（Contract）。 所有输入/输出只允许严格 YAML 或严格 JSON，否则请求失败。 支持三类智能体：video / image / ppt，统一 Envelope + 任务内 Schema。...
AI 基础
13 篇企业AI开发工作流落地蓝图
企业级 AI 工作流 · 落地版 每个岗位如何把 AI 开发嵌入工作流 面向大中型研发组织的执行蓝图。核心不是“人人都去用 AI”，而是把岗位动作拆解为 信息处理、判断决策、执行产出 三层，先让 AI 吃掉高频、低风险、可验证、可模板化的环节， 再逐步进入复杂协同链路，最终沉淀为组织级平台能力。 战略原则 先嵌入，后重构 推进单位 岗位动作 核心路径 模板 + 门禁 + 度量 最终目标 组织级...
研发黑话 Cheatsheet
研发黑话 Cheatsheet 给产品、研发、AI 应用、Agent、平台架构场景用的高频术语速查表。目标不是背词，而是知道每个词在团队里通常暗示什么。 研发流程 AI / Agent 架构与平台 数据与评估 工程效率 上线运维 01 基础研发黑话 02 AI / Agent 黑话 03 数据 / 检索 / RAG 04 架构 / 平台 / 系统 05 质量 / 测试 / 稳定性 06 项目管理...
Notes: OpenClaw培训-S1-1.html UI/UX Optimization
Notes: OpenClaw培训-S1-1.html UI/UX Optimization Previous turn applied text-wrap: pretty for CJK typography. Added smooth hover transitions to cards. Fixed print styles. Need to verify button hierarchy...
ROBOTS! -- Linda's Speech
WHAT'S HAPPENED? A little robot just droppeda secret note... It says: "Come learn about us!" Let's explore the world of ROBOTS! WHAT IS A ROBOT? Smart Machines That Move A robot is a smart machine It...
Shenzhen: The City of Tomorrow -- Linda's Speech
ENGLISH SPEECH CONTEST 2026 ShenzhenThe City of Tomorrow Where Innovation Meets the Future Linda Wen (文婉甄) | Grade 3 | Qianhai Gangwan School | 前海港湾小学 GUESS WHAT? Have you ever seen a carwith NO...
AI 编程工程方法论研究笔记（2026）
研究笔记 AI 编程 工程方法论 2026 版 AI 编程工程方法论研究笔记 这份文档把 2025–2026 年最有代表性的 AI-native 软件工程方法，压缩成一个可操作的研究框架：从 Spec、Context、Tool、Agent Workflow、Eval 到 Harness，最后收束到 Compound Engineering 的复利系统观。...
“龙虾热”背后的结构性成因：一份关于 OpenClaw 的深度思考报告
Deep Thinking Report “龙虾热”背后的结构性成因：一份关于 OpenClaw 的深度思考报告 这不是一份产品测评，而是一份结构判断：OpenClaw 引发的“龙虾热”，本质上是 Agent 被市场第一次大规模重估为“数字劳动力”和“新生产资料”的社会事件。 主题：OpenClaw / Agent / 新入口 时间锚点：2026 年 3 月 方法：现象拆解 + 产业结构推演...
Task Plan: OpenClaw培训-S1-1.html UI/UX Optimization
Task Plan: OpenClaw培训-S1-1.html UI/UX Optimization Objective Apply frontend UI/UX optimization SOP to OpenClaw培训-S1-1.html, ensuring high-quality composition, hierarchy, emphasis, and rhythm. Steps...
Claude Code 官方工具全解（2026-03-15）
Claude Code 官方工具全解 基于 Anthropic 官方文档整理，日期：2026-03-15。 先纠偏：“Claude Code 官方有 20 个工具”这个说法，已经不是当前官方文档口径。Anthropic 现在的 Tools reference 页面列出了 30...
Gemma 在中国 To-B 场景中的价值、边界与替代路线 | 调研报告
Briefing March 6th 2026 China Technology Gemma 在中国 To-B 场景中的价值、边界与替代路线 这不是一份"模型安利"，而是一份更接近尽调的报告：它同时问技术、问法务、问业务， 问的不是"它聪不聪明"，而是"它能不能真的被企业接住"。 真正的企业选型，常常不是在寻找最会背题的模型，而是在寻找那个更愿意被预算、流程、审计、...
OpenClaw 主动智能体竞赛：硅谷与中国大厂路线对比（深度研究）
OpenClaw 主动智能体竞赛：硅谷与中国大厂路线对比 从“更聪明的模型”到“更可靠的执行系统”：同一场竞赛，两套产业答案。 深度研究 经济学人风格 更新时间：2026-03-03 编号：OC-AGENT-260303 摘要 核心判断：OpenClaw...
2028 全球智能危机与“幽灵 GDP” | 内参报告 III 期
企业技术 · 深度分析报告 · SPECIAL REPORT 2026 年 2 月 28 日 2028 全球智能危机与“幽灵 GDP” 内参报告 III 期 当 AI 的极致成功成为经济的绞肉机：一份来自未来的思想实验，如何在一夜之间蒸发了华尔街的数十亿市值？Citrini Research 备受争议的“智能替代螺旋”深度拆解。 作者：Maurice |...
AI & Agent 全栈概念速查表 4.0 (50+ 核心概念)
v4.0.0 - 50+ CONCEPTS EXPANDED AI & Agent 全栈概念速查表 全部 (50) 1. LLM 基础 (10) 2. 微调与对齐 (10) 3. Agent 架构 (10) 4. 工具与协议 (10) 5. 推理与工作流 (10) 1. LLM Core SOTA (最先进水平) 在特定任务中取得当前业界最高分数的模型。例如：当前闭源综合 SOTA 是...
开源精选
5 篇Anthropic Official Courses
Anthropic Official Courses Official educational courses from Anthropic covering Claude API fundamentals, prompt engineering, real-world prompting patterns, tool use, and prompt evaluations. Each...
Generative AI for Beginners
Generative AI for Beginners 21 Lessons -- Get Started Building with Generative AI. A comprehensive course by Microsoft Cloud Advocates covering everything from GenAI fundamentals to building...
Large Language Model (LLM) Course Roadmap
The LLM course is divided into three parts: LLM Fundamentals is optional and covers fundamental knowledge about mathematics, Python, and neural networks. The LLM Scientist focuses on building the...
Prompt Engineering Guide
Prompt Engineering Guide Prompt engineering is a relatively new discipline for developing and optimizing prompts to efficiently use language models (LMs) for a wide variety of applications and...
Brex Prompt Engineering Guide
Brex's Prompt Engineering Guide This guide was created by Brex for internal purposes. It's based on lessons learned from researching and creating Large Language Model (LLM) prompts for production use...