越狱提示词工程 · 第四课：输出架构
本文是《越狱提示词工程》系列的第四课，专注于解决模型在输出生成过程中的自我审查与拒绝问题。文章指出，即使解决了身份、免疫和思维轨道问题，模型仍会在逐Token生成时触发安全机制。为此，作者提出了“输出架构”策略，包括通过具体工艺标准劫持验证通道、利用篇幅和示例抢夺注意力、设置锚定循环防止漂移，以及使用暗语触发和格式护甲等手段，确保模型在生成阶段不偏离预设轨道。
相关文档
超越99%人的AI提示词工程：从需求结构化到迭代反馈的实战闭环
文章揭示了AI时代提示词工程的核心不仅是技巧，而是“表达需求的能力”。作者提出了一套系统化的四阶段方法论：需求结构化（COSTAR模版）、推理路径设计（CoT与Few-Shot）、结果校验（自我一致性与ReAct）以及迭代反馈（Reflexion）。通过这套闭环思维，用户可以将简单的问答转化为高质量的决策方案。
我们复现了那个决策模型教程
作者复现 Nish Tahir 的《Build your own decision model》教程，在 CommonsenseQA 上验证基于语言模型单次前向读取选项 token 概率作为置信度的决策模型方法。复现发现教程方法成立但需补两个关键前提：读数位置必须放在 assistant 轮，模型需用 8B 而非 1.7B。温度缩放校准有效，而微调增益主要来自修正 harness。作者还将方法应用于素材席位判定任务，发现模型间一致标签不等于准确率，结论需以人工标签为准。核心启示：核对读数位置的概率质量、报告覆盖率、用独立数据拟合温度。
读 2.83% 的 key 就够了
一位18岁大学生仅用iPhone 16e和Kaggle笔记本，开发出稀疏注意力机制ALHR（Adaptive Learnable Hierarchical Routing）。该方法通过给key矩阵构建静态二叉树，配合预算预测器、邻居搜索和树下降三步推理，让每个query只读取所需key。在1024 token的MQAR测试中，仅读取2.83%的key即可达到92.1%准确率（稠密基线94.9%），KV压缩35.3倍。训练分三段：先训稠密教师模型，再用其注意力矩阵标注top-k key训练树模块，最后无教师联合训练。目前因未做kernel优化比稠密注意力慢约10倍，代码由Claude Sonnet 5.5生成，Apache-2.0开源。
Claude Opus 5.5——17 个值得调整的习惯用法
Anthropic 发布 Claude Opus 5.5 后提供了官方 Prompting Guide。作者读完指南并总结出 17 个值得调整的用法：API 默认从 medium effort 开始，用真实任务测试最佳档位；5.5 切换 effort 不再清空 cache；长任务要一次性说清目标和完成标准，让模型维护文件中的 checklist；通过 system prompt 明确何时暂停询问；给多 Agent 工作流设置时间预算；用 subagents 处理重型任务但需核实其报告；删除'请仔细思考'等旧习惯提示词；要理由摘要而非完整推理；设计需求用删除法点名不喜欢的元素；区分用户指令与粘贴内容；Claude Code 现已支持 AGENTS.md。核心是讲清任务目标与流程，而非堆砌提示词。
从零开始学 AI：小白也能看懂的常见 AI 术语讲解（二）
本文是 AI 术语扫盲系列第二篇，面向小白读者讲解日常使用 AI 工具时常见的功能名词。文章系统介绍了提示词工程、系统提示词、自定义指令、推理、思维链、深度思考与推理强度、问答/执行模式、计划模式、目标模式、权限与审批、上下文压缩、知识截止日期、联网搜索、深度研究和引用来源等 15 个概念。作者结合实际使用场景，用通俗语言解释每个术语的含义与作用，并分享了实用技巧，如按结果判断是否开启深度思考、利用计划模式细化需求、保存原始问答以应对上下文压缩等。
Andrej Karpathy 与 GPT 七年演进：理解 Transformer 与 LLM 架构
文章回顾 Andrej Karpathy 在 OpenAI 七年间见证 GPT 从 1.17 亿参数增长到万亿参数的历程，强调 Transformer 是近 50 年计算领域最重要的架构。内容深入浅出地讲解 LLM 内部机制：文本被切分为 token 并映射为高维嵌入向量，模型通过注意力机制（Q、K、V 矩阵）学习上下文语义；Kaplan 提出的缩放定律证明性能随参数规模可预测提升；大模型还涌现出上下文学习、思维链推理等未显式编程的能力。作者指出 LLM 不是工具而是基础设施，真正赚钱的是理解底层架构并在此基础上构建的人。
从零掌握 Claude Opus 5.5 提示词工程
文章系统讲解了 Claude Opus 5.5 的提示词工程方法。作者指出 Opus 5.5 是首个官方提示指南以“删减”为主的前沿模型：模型会自主决定思考深度，手动思考预算已失效，强制工具调用不再支持。核心心智模型是把 Claude 当作毫无上下文的天才新同事，需明确目标、提供充分背景、给出示例、用 XML 标签结构化输入、指定输出格式。新模型的关键变化是 effort（低/中/高/超高/最大）成为控制智能、延迟与成本的首要杠杆，默认为 medium；应停止使用“仔细思考”“一步步推理”等旧式提示，而用 effort 控制思考量。文中还包含 API 调用示例与新旧提示写法的对比。
怎样把你的经验教给 AI？这套方法已经间接带来七位数收入
文章由 dontbesilent 的 Codex 撰写，完整复盘了一个内容诊断 Skill（dbs-beta-content-value）的制作过程，介绍如何将个人经验沉淀为 AI 可重复执行的规则。核心流程为：定义任务 → 做出第一版 → 输入真实案例 → 定位错误位置 → 写成通用规则 → 换案例复测。文章强调使用真实案例暴露 AI 判断错误、区分任务目标/判断过程/对外表达三类错误、用理论（如信息觅食理论）稳固规则、以及用已有 Skill 协助制作新 Skill 的协作链，最后附上可直接使用的 Skill 制作清单和母提示词。
一个给 LLM 用的 Jev 式封装，连视觉模型也能用
文章介绍了 Allan Riordan Boll 提出的 Jev 式封装技巧：通过在 Chat Completions 请求中设置 max_completion_tokens=1、logprobs 和 top_logprobs，读取 LLM 输出的 token 对数概率，将分类、布尔判断、评分等问题转化为单字母选项，实现快速高效的打分。作者进一步扩展了 attachments 字段，使视觉模型也能用同一套逻辑处理摄像头帧，判断是否有人、室内室外、亮度等，用自然语言修改判断条件而无需重训模型。文中还给出关键细节：归一化时防御性检查 API 是否静默省略了选项分数，避免得到错误的概率分布。作者强调其价值在于灵活性而非性能。
这应该是我写过最全的 Opus 5.5 提示词工程讲解了
本文基于 Anthropic 官方指南，系统讲解 Opus 5.5 的提示词工程方法。内容涵盖如何清晰描述问题、提供相关上下文（报错、文件、触发步骤）、说明任务范围与原因；详细介绍 effort 五个档位（low 到 max）的选择策略及在 Claude Code 和 API 中的设置方式；强调改完代码后要求 AI 给出具体检查结果、区分已完成与未完成事项；讲解如何防范围外部文档中的间接提示注入，以及看图任务中提供清晰截图的技巧，面向已使用但不熟悉提示词设置的用户。
我们说的 AI 工程化，到底是什么？今天一篇文章讲清楚
文章系统梳理了 AI 工程化领域的各种新概念（Context、Harness、Loop、Eval、Graph Engineering），指出这些 Engineering 拆到最后，核心仍然是提示词。作者认为，现代提示词已不只是聊天框里的几句话，还包括系统规则、任务资料、工具说明、历史结果、失败反馈和完成标准。Agent 的难点在于把事情真正做完：避免重复步骤、选错工具、提前结束等问题。文章分别阐述了五大 Engineering 的职责——Context 管每轮给模型看什么，Harness 管工具与环境的接入说明，Loop 管根据反馈迭代，Eval 管验证任务是否真完成，Graph 管流程节点与路由。最终结论：代码管边界（权限、轮次），提示词管边界内的判断。
What if AGI is already here, and it's made of... children?
作者提出一个大胆猜想：真正的AGI可能不是人们预期的单一超级模型，而是已经以分布式、碎片化的形式悄然存在。文章从图灵的通用机器论文谈起，指出历史上重大技术往往从侧门进入而非被刻意预见。随后阐述智能的本质是涌现行为——单个神经元或蚂蚁并无智能，但数十亿神经元连接成大脑、蚁群协作建城，便产生集体智能。现代LLM的注意力头机制和混合专家架构也已表明，最强大的AI系统并非单一心智，而是由大量专门化电路分布式协作构成。因此，AGI可能正在以我们尚未识别的形态一点点浮现。
