Prompt Engineering：我会怎样把任务交给模型
沿着做事的顺序理解 Prompt Engineering：先把任务说明白，遇到复杂问题再组织处理过程，最后按需要检查结果。用十种常见方法和具体示例，讨论它们分别解决什么问题、怎样组合，以及什么时候不需要增加复杂流程。
最近更新
查看全部 ↗从 Prompt 到 Harness：我对 Agent 工程的理解
刚开始使用大模型时，我最关心的是：怎么把话说清楚，让模型给出更好的回答？ 后来，我开始做 Agent，发现问题逐渐变了。模型不只是回答问题，它还要读取文件、调用工具、处理结果，甚至跨越多轮对话和多次运行，持续完成一项任务。 这时候，光把提示词写好已经不够了。我还需要考虑：模型每一步能看到什么？工具出了问题怎么办？
为了一个中文 hover，我和 AI 绕了一大圈
最近，我在读一个 Python Agent 项目的源码。 鼠标放到 argparse、ArgumentParser 这些名字上，编辑器会弹出一大段英文说明。这个悬停提示通常叫 hover，本来是帮助理解代码的，但对我当时的学习阶段来说，它又增加了一层障碍：我得先理解英文，再理解 API，最后才能回到眼前这段代码。
Gall 定律：复杂系统，先从一个能工作的简单系统开始
做一个项目时，很容易先想到它最终应该拥有的样子：功能齐全、架构清晰、能够扩展，最好还能提前解决所有可能出现的问题。 于是，设计图越来越完整，模块越来越多。但有一个问题常常被推迟：这些东西连在一起，真的能完成一件有用的事吗？ Gall 定律提醒我们，把这个问题提前。
离开电脑，找回连续思考的快乐
一条经验 思考问题的时候，离开电脑 找个安静的地方边走路边思考 想到卡点，再拿手机跟 agent 咨询一下 反面教材：我过去长期坐在电脑前面，不知为何，在电脑前的思路明显会变窄 正面教材：我今天在外面来回转了 5 个小时，我发现大脑异常的活跃，思如泉涌，无论是跳跃性的灵感，还是思考的深度都比以往高了非常的多！
用 Agent 的三条教训：别让忙碌挤掉思考
几条教训 1. 不要依赖 agent 读论文或者高质量博文， 后果：思维深度大幅度下降，灵感触发时机大幅度减少，浪费大量的时间去理解 agent 的垃圾表达。 2. 不要把搞科研/技术学习 和 英语学习混在一起。