@Anitahityou: 24 年还在鼓吹的 prompt engineering 放在今天就已经死了。 今天的 LLM 是一个意图重构器。清晰当然重要,但丰富更重要。 因为人类真实思考本来就不是线性的,而是跳跃、混乱、带情绪的。 一个过度压缩的 prompt 可…
摘要
本文主张传统的提示工程已经过时,现代LLM是意图重构器,应通过自然、丰富的对话而非精简指令来与模型交互。
查看缓存全文
缓存时间: 2026/06/23 11:48
24 年还在鼓吹的 prompt engineering 放在今天就已经死了。
今天的 LLM 是一个意图重构器。清晰当然重要,但丰富更重要。
因为人类真实思考本来就不是线性的,而是跳跃、混乱、带情绪的。
一个过度压缩的 prompt 可能很干净,但也会丢掉 nuance。语音 rambling 反而能保留更多真实意图。
所以,对 AI 最好的方式不是下命令,而是像和一个极聪明、但需要充分上下文的朋友倾诉。
你喂进去的不是废话,是意图密度。放弃使用 prompt,而是直接对话看看。
Phoenix Yin (@Phoenixyin13): 现代大模型本质上是在海量人类语言数据上训练的意图模拟器。 你的语言越接近真实人类思考过程,模型就越容易匹配到训练中学到的那些丰富模式。
早期 prompt engineering 像在给一个笨拙的工具写 API 调用指令。 现在,它更像是和一个超级聪明的对话者共创。 你不需要完美表达,只需要真实地倾诉。
相似文章
@LiuVaayne: 这是 yan5xu(ex ManusAI)写的长文:《从 Prompt 到 Harness:如何理解 LLM Engineering》 核心框架:螺旋上升的工程范式演进 第一圈:Prompt Engineering(2022-2024) …
这篇文章由 yan5xu(前 ManusAI)撰写,提出了 LLM 工程范式的螺旋演进模型:从 Prompt Engineering(2022-2024)到 Context Engineering(2025),再到 Harness Engineering(2026-),并讨论了各阶段的瓶颈与驱动因素。
你的语言模型不需要更好的提示——它需要一个代理控制框架
文章讨论了Agent控制框架工程(Agent Harness Engineering)的必要性,包括工具验证、上下文管理、护栏、遥测和验证循环等结构化系统,以使LLM代理在生产中可靠,并认为仅靠更好的提示是不够的。
@yan5xu: https://x.com/yan5xu/status/2059117572826746979
文章讨论了LLM工程从Prompt Engineering发展到Harness Engineering的三个阶段,反映了AI工程实践的演进。
LLM输出人性化是愚蠢的
一篇评论文章,认为通过提示指令将LLM输出人性化是一种错误的抽象——智能体应交换高保真数据,仅在最终边界压缩为人类友好的文本。
@jakevin7: 分享一个神级review提示词方法论。 LLM 自我纠正的综述 《When Can LLMs Actually Correct Their Own Mistakes?》结论是:如果没有测试结果、工具输出等可靠的外部反馈,模型仅靠自己反思,…
分享了一个基于LLM自我纠正研究的提示词方法论,强调无外部反馈时模型自查效果有限,推荐对抗式审查等逐步增强的提示策略。