即刻App年轻人的同好社区
下载
置顶🚨谷歌发布了一本 68 页的提示词工程的书籍，而且是免费的！
你甚至不需要注册。
它包含真实的数据、实验和最佳实践。
以下是需要了解的最重要的要点：
1，prompt不是比谁更聪明，而是要有系统性。
谷歌提供的这本免费书籍对于任何从事LLM的人来说都是一座金矿。
这是链接：www.kaggle.com
2，提示词是一门科学，不是靠运气：
• 谷歌的研究表明，结构化提示持续优于随意的表述。
• 你的措辞可以让输出质量提升几个数量级。
链式思维 > 一次性回答：
• 把任务拆成步骤（显式把思路写出来）会让模型更准确。
• 不要只索要最终结果 → 要引导模型完成推理过程。
3，具体性胜过模糊性
• “请用 5 个要点为 CEO 总结这篇文章”
要比 “总结一下这篇文章” 更好。
清晰的角色、限制条件和上下文 = 更优质的输出。
迭代是关键
• 论文强调：不要停留在第一个提示词。
• 精炼 → 测试 → 再精炼。
提示词工程更接近 调试（debugging） 而不是写作。
4，提示词格式很重要
• 换行、列表和分隔符可以减少幻觉并提升清晰度。
• 把提示词当作给初级队友的指令，而不是随意的聊天文字。
5，评估往往被低估
• 谷歌建议构建一些简单的指标，用来比较提示词的质量。
• 否则，你永远无法知道 v2 是否真的优于 v1。
你甚至不需要注册。
它包含真实的数据、实验和最佳实践。
以下是需要了解的最重要的要点：
1，prompt不是比谁更聪明，而是要有系统性。
谷歌提供的这本免费书籍对于任何从事LLM的人来说都是一座金矿。
这是链接：www.kaggle.com
2，提示词是一门科学，不是靠运气：
• 谷歌的研究表明，结构化提示持续优于随意的表述。
• 你的措辞可以让输出质量提升几个数量级。
链式思维 > 一次性回答：
• 把任务拆成步骤（显式把思路写出来）会让模型更准确。
• 不要只索要最终结果 → 要引导模型完成推理过程。
3，具体性胜过模糊性
• “请用 5 个要点为 CEO 总结这篇文章”
要比 “总结一下这篇文章” 更好。
清晰的角色、限制条件和上下文 = 更优质的输出。
迭代是关键
• 论文强调：不要停留在第一个提示词。
• 精炼 → 测试 → 再精炼。
提示词工程更接近 调试（debugging） 而不是写作。
4，提示词格式很重要
• 换行、列表和分隔符可以减少幻觉并提升清晰度。
• 把提示词当作给初级队友的指令，而不是随意的聊天文字。
5，评估往往被低估
• 谷歌建议构建一些简单的指标，用来比较提示词的质量。
• 否则，你永远无法知道 v2 是否真的优于 v1。
256 22260
突发，特朗普下令，白宫全面封杀 Claude。
原因是他们不愿意开放权限，面对将AI用于大规模监控、开发无人干预自动武器的潜在风险，Anthropic 表现的非常坚决。
奥特曼这边刚和美国陆军部达成协议，将 openai 部署到他们的机密网络中。但前提是：禁止在国内进行大规模监控，以及人对武力的使用负有责任。
原因是他们不愿意开放权限，面对将AI用于大规模监控、开发无人干预自动武器的潜在风险，Anthropic 表现的非常坚决。
奥特曼这边刚和美国陆军部达成协议，将 openai 部署到他们的机密网络中。但前提是：禁止在国内进行大规模监控，以及人对武力的使用负有责任。
1 00
Anthropic 公司发现 DeepSeek、Moonshot AI 和 MiniMax 对 Claude 发起了工业规模的蒸馏攻击。
这些实验室创建了超过 24,000 个欺诈账户，并与 Claude 进行了超过 1600 万次交易，提取了 Claude 的功能来训练和改进模型。
我翻看了评论区，不少是在指责这家小心眼的公司，
马斯克这句话比较有讽刺意味，用在此时最为适宜：太绝了 🤣🤣 他们怎么敢偷 Anthropic 从人类程序员那里偷来的东西？？
因为很多老牌 AI 公司当初在训练大模型时，压根没经过原作者同意，就直接抓取了网上大批受版权保护的数据，里面自然包含成千上万个人类程序员辛苦敲出来的开源代码。马斯克话里的潜台词大概就是：你们自己原本也是靠白嫖人类心血起家的，现在别人跑来薅你们的羊毛，你们居然急眼了，还好意思跳出来喊抓小偷。
有点搞笑的是就 DeepSeek 这个用量，估计是他们自己在做不同模型的对比调试吧。
这些实验室创建了超过 24,000 个欺诈账户，并与 Claude 进行了超过 1600 万次交易，提取了 Claude 的功能来训练和改进模型。
我翻看了评论区，不少是在指责这家小心眼的公司，
马斯克这句话比较有讽刺意味，用在此时最为适宜：太绝了 🤣🤣 他们怎么敢偷 Anthropic 从人类程序员那里偷来的东西？？
因为很多老牌 AI 公司当初在训练大模型时，压根没经过原作者同意，就直接抓取了网上大批受版权保护的数据，里面自然包含成千上万个人类程序员辛苦敲出来的开源代码。马斯克话里的潜台词大概就是：你们自己原本也是靠白嫖人类心血起家的，现在别人跑来薅你们的羊毛，你们居然急眼了，还好意思跳出来喊抓小偷。
有点搞笑的是就 DeepSeek 这个用量，估计是他们自己在做不同模型的对比调试吧。
3 10
谷歌继续开卷，正式发布 Gemini 3.1 Pro 。
这是谷歌解决复杂问题的新基准。 该模型代表了 Gemini 核心推理能力的重大飞跃，在 ARC-AGI-2 基准测试中获得了 77.1% 的分数，验证了其解决全新逻辑模式的能力。 这比 Gemini 3 Pro 的性能高出一倍多。
这是谷歌解决复杂问题的新基准。 该模型代表了 Gemini 核心推理能力的重大飞跃，在 ARC-AGI-2 基准测试中获得了 77.1% 的分数，验证了其解决全新逻辑模式的能力。 这比 Gemini 3 Pro 的性能高出一倍多。
5 00
今天见了前 Manus 出来大佬做的产品，心灵受到抨击了，知道了什么是性感。
人们想起毛不易，会记住他的消愁，想起刘忻慈会记住他的三体，想起李志刚和小七姐会记住他们提示词之神。
而想起苍何，会想起他是个逗比，借着有点流量满嘴的屁话，没有记忆点，或许人们压根不会记住这么一个人。
但凡能够被人们记住的，都是在一个很垂的领域里有自己的作品，被喜欢被歌颂被传承。
所以，还是要静下心，好好沉淀沉淀，做点性感的事，比较重要。
人们想起毛不易，会记住他的消愁，想起刘忻慈会记住他的三体，想起李志刚和小七姐会记住他们提示词之神。
而想起苍何，会想起他是个逗比，借着有点流量满嘴的屁话，没有记忆点，或许人们压根不会记住这么一个人。
但凡能够被人们记住的，都是在一个很垂的领域里有自己的作品，被喜欢被歌颂被传承。
所以，还是要静下心，好好沉淀沉淀，做点性感的事，比较重要。
6 00
靠，有 OpenClaw，还需要个毛线的 AI 资讯/日报网站。
让 OpenClaw 每天 10 点自动搜集全网 AI 热点和 Github 开源项目，自动推送到我的 Discord。
我们真的需要一堆的 APP 或者网站吗？我们或许只需要这样一个私人 Agent，一句话帮我们完成想完成的任务。
让 OpenClaw 每天 10 点自动搜集全网 AI 热点和 Github 开源项目，自动推送到我的 Discord。
我们真的需要一堆的 APP 或者网站吗？我们或许只需要这样一个私人 Agent，一句话帮我们完成想完成的任务。
4 10
今天看到一个观点觉得说的很好：
2026年，很可能成为 AI 从“会想”走向“会做事”、从模型能力走向可规模化生产力的拐点之年。
市场此前担心的并非 AI“泡沫破裂”，而是AI 正在从以模型为中心的投机阶段，切换到由 agent 驱动的、真实系统级需求阶段。AI 叙事并未塌缩，而是在围绕 更长的推理时间尺度、更高的使用强度，以及更具结构性的基础设施需求 被重新定价。
2026年，很可能成为 AI 从“会想”走向“会做事”、从模型能力走向可规模化生产力的拐点之年。
市场此前担心的并非 AI“泡沫破裂”，而是AI 正在从以模型为中心的投机阶段，切换到由 agent 驱动的、真实系统级需求阶段。AI 叙事并未塌缩，而是在围绕 更长的推理时间尺度、更高的使用强度，以及更具结构性的基础设施需求 被重新定价。
4 01
腾讯首席科学家姚顺雨在AGI-Next闭门会上的核心观点
1. 赛道选择：从“跑分竞赛”转向“进化能力”
• 当前AI发展误区在于过度追求模型跑分，而普通用户并不关心模型得分差异（如90分与100分）。
• ToC端AI的核心竞争力是上下文感知能力（如理解用户所处环境、情绪），而非机械化的“被动答题”。
• ToB端的关键战场已从搜索转向代码生成（Coding），企业更愿为“绝对正确”的模型付费。
2. 自主学习：静默的革命
• AI自主学习已悄然实现，例如硅谷模型Claude能自主编写95%的代码，并通过用户数据持续优化。
• 真正的AI进化并非戏剧性突破，而是像编辑器Cursor一样，通过渐进式学习（每几小时迭代一次）逐步提升能力。
3. Agent智能体的本质：场景落地与工具化
• 未来AI的价值不在于模型复杂度，而在于行业应用深度。即使技术停滞，现有AI若全面落地，收益可提升10-100倍。
• 当前瓶颈是人才教育：需培养“会用AI工具的员工”，而非一味追求参数规模。未来竞争力取决于“指挥AI的能力”而非个人智商。
4. 中国AI的挑战：缺乏冒险精神
• 中国具备基建、成本、工程师数量优势，但致命弱点是规避不确定性创新。对比OpenAI早期探索未知领域的勇气，国内更倾向“确定性”项目。
• DeepSeek被表扬的案例显示，放弃刷榜、专注实际问题才是弯道超车的关键。中国AI需敢于“深耕ToB”和“踩进泥土”的实践者。
核心结论：AI下半场的竞争将围绕实际应用能力、渐进式进化和行业渗透率展开，中国需突破文化惯性，拥抱风险以争夺领导地位。
1. 赛道选择：从“跑分竞赛”转向“进化能力”
• 当前AI发展误区在于过度追求模型跑分，而普通用户并不关心模型得分差异（如90分与100分）。
• ToC端AI的核心竞争力是上下文感知能力（如理解用户所处环境、情绪），而非机械化的“被动答题”。
• ToB端的关键战场已从搜索转向代码生成（Coding），企业更愿为“绝对正确”的模型付费。
2. 自主学习：静默的革命
• AI自主学习已悄然实现，例如硅谷模型Claude能自主编写95%的代码，并通过用户数据持续优化。
• 真正的AI进化并非戏剧性突破，而是像编辑器Cursor一样，通过渐进式学习（每几小时迭代一次）逐步提升能力。
3. Agent智能体的本质：场景落地与工具化
• 未来AI的价值不在于模型复杂度，而在于行业应用深度。即使技术停滞，现有AI若全面落地，收益可提升10-100倍。
• 当前瓶颈是人才教育：需培养“会用AI工具的员工”，而非一味追求参数规模。未来竞争力取决于“指挥AI的能力”而非个人智商。
4. 中国AI的挑战：缺乏冒险精神
• 中国具备基建、成本、工程师数量优势，但致命弱点是规避不确定性创新。对比OpenAI早期探索未知领域的勇气，国内更倾向“确定性”项目。
• DeepSeek被表扬的案例显示，放弃刷榜、专注实际问题才是弯道超车的关键。中国AI需敢于“深耕ToB”和“踩进泥土”的实践者。
核心结论：AI下半场的竞争将围绕实际应用能力、渐进式进化和行业渗透率展开，中国需突破文化惯性，拥抱风险以争夺领导地位。
8 01