提示工程

本文探讨了人工智能（AI）在Solana开发中的应用，揭示了Solana独特架构对AI的挑战。文章提供了有效使用AI的策略，包括优化提示、提供上下文、逐步开发和迭代，提高代码的质量和效率。

本文深入浅出地解释了大型语言模型（LLM）的本质：它并非有意识的智能体，而是一个基于海量文本训练的超大号自动补全工具。LLM通过将文本切分为token，利用预测下一个词的核心机制生成内容。训练分三个阶段：预训练从互联网吸收知识，监督微调学习对话格式，RLHF用人类偏好优化输出。其知识存储在数千亿参数中，无法精确追溯。幻觉是模型追求语言流畅性的自然结果，并非故意撒谎。文章还提供了实用使用技巧，如提供丰富上下文、明确输出要求、迭代优化和事实核查。

本文总结了20条优化与Claude交互的提示规则，强调通过上下文、角色、约束和框架来引导模型输出高质量结果。

本文详细介绍Claude Skills的概念、创建方法和使用技巧。

本文介绍如何利用斯坦福大学的STORM研究方法，在Claude中通过4个提示词实现多角度研究。

本文介绍了AI工程领域从提示工程到循环工程的转变。两位顶级AI工程师指出，不应再直接提示编码代理，而应设计循环来驱动代理。文章详细解释了循环工程的核心理念、单代理与多代理循环、开放与封闭循环的区别，以及构建有效循环的6个关键组件（自动化、工作树、技能、插件、子代理、记忆）。还探讨了成本问题，指出DeepSeek等低成本模型使循环工程更可行。最后总结了循环工程与提示工程的根本差异：从追求单次输出到设计产生可验证结果的系统。

这篇文章详细介绍了27个提高Claude Code使用效率的技巧，分为初级、中级和高级三个层次。

文章分享了提升Claude Code使用效率的10倍最佳实践。核心思想包括理解和管理上下文窗口，让AI进行自我检查，规划先行，使用具体明确的指令，利用CLAUDE.md文件，并行多会话，使用子代理，创建定制技能，信任AI修复错误，以及通过挑战AI来优化结果。

这篇文章详细介绍了成为高效AI工程师所需的15个核心概念和实践技巧，涵盖了从提示词工程（如提示链、上下文窗口、系统提示词）到模型输出管理（如RAG、温度、幻觉、Token限制），再到高级应用（如智能体循环、嵌入、函数调用、评估和防护）等关键领域，旨在帮助开发者摆脱“凭感觉”编程，系统性地构建和调试AI产品。

本文探讨了如何通过上下文工程技术让AI编码工具在复杂生产代码库中高效工作。作者介绍了“频繁有意压缩”方法，将开发流程分为研究、计划和实施三个阶段，并通过在300k行Rust代码库BAML中的实践案例证明其有效性。文章强调，当前模型已足够强大，关键在于精心管理上下文窗口，通过子代理、规约文件等技巧保持上下文利用率在40-60%。该方法不仅适用于小型项目，还能处理复杂问题，同时维持团队心理对齐。作者分享了具体提示模板和GitHub仓库链接，并指出该方法并非万能，需要高度的人类参与和审查。最终，作者认为编码Agent将商品化，工作流和团队协作方式才是未来的核心挑战。

本文指出大多数人使用AI进行加密货币研究时，因提示词模糊而效果不佳。文章提出一个六部分组成的结构化提示词公式，并提供了大量示例，以获取高质量分析。它强调AI擅长数据整合，但人类的判断和提问能力依然不可或缺。

文章介绍了针对Claude 5系列模型（如Opus 5和Fable 5）的上下文工程最佳实践。作者发现，新模型具备更强的判断力，因此可以大幅简化系统提示（删除了80%以上）、技能和CLAUDE.md文件，避免过度约束。文章对比了旧实践（如给出硬规则、提供示例、一次性加载所有上下文、重复指令、将记忆放在CLAUDE.md、简单规范）与新实践（让模型自行判断、设计接口、渐进式加载、简洁工具描述、自动记忆、丰富引用）。最后给出了如何优化自己的上下文（系统提示、CLAUDE.md、技能、引用）的具体建议，并推荐使用`claude doctor`命令自动优化。

本文详细介绍了高效使用Claude Code的30个技巧，强调将其从“自动补全”升级为“编程系统”。

本文作者完整学习了Anthropic Academy的20门免费AI课程，并进行了从S到D的排名。文章强调学习顺序的重要性，推荐从Claude 101、AI Fluency Framework和Claude Cowork开始，可在短时间内显著提升AI使用技能。课程涵盖提示工程、代理、API构建、MCP协议等，适合不同角色和需求。作者指出这些免费课程价值相当于数百美元的付费内容，且16门课程提供证书。

本文阐述了代理式AI技能设计的十大原则，强调AI系统效能的显著提升源于技能设计而非模型本身。核心思想包括将技能视为可复用“食谱”，教AI思考而非直接给出结论，明确区分判断与计算，充分利用AI综合信息的能力，动态提供上下文，构建以技能为核心的AI系统架构，创建快速、专注的工具，关注“良好”而非“糟糕”的反馈以优化技能，以及将重复性工作固化为永久性技能，最终实现“一技多用”的复利效应。