提示工程背后的科学
本文总结了最新的学术研究，揭示了提示工程中的关键原则。作者指出，随着AI模型的快速发展，旧的提示技巧已过时，并基于最新论文提出了五个核心建议：不要以“对吧？”结尾、忘记“逐步思考”、不信任模型的自信、最多三条规则、目标优于示例。文章还提供了实用的提示模板，帮助读者更有效地与AI交互。
相关文档
AI 使用实战复盘——怎么写SKILL
文章提出 Skill 本质是一个微型 Harness，一个完整 AI 工作系统包含六层：信息边界、执行编排、记忆与状态、工具系统、约束恢复、评估观测。作者给出六步写作法：先写 description 作为触发开关，再按任务脆弱程度定正文松紧，超过 500 行的资料拆成参考文件，重复操作固化为脚本，写明失败时的默认行为，最后用真实任务验证迭代。文章强调 description 是主要触发机制、模型天生欠触发、上下文窗口是公共资源、卡的下限由失败处理决定等实战经验，并提供最小可用卡模板和发布前检查清单。
700 万人下载的 /grill-me，Matt Pocock 到底写了什么？
文章深入解析了 Matt Pocock 的 AI 工具 /grill-me 的核心逻辑。该工具并非让 AI 直接执行任务，而是通过一套追问协议，强迫 AI 先理清需求再行动，解决了 AI 瞎猜和抢跑的问题。文章进一步阐述了完整的 AI 协作五步法：质疑、规格化、拆票、TDD 和架构评审，旨在通过纪律约束防止 AI 失控，提升人机协作质量。
Claude Opus 5 提示工程大师课
文章详细解读了 Anthropic 发布的 Claude Opus 5 模型及其官方提示指南。核心内容包括“Effort（努力）”设置的使用、从“怎么做”转向“为什么”的提示策略、删除验证指令以降低成本、以及如何控制响应长度和 Agent 叙述行为，旨在帮助用户最大化发挥模型效能。
Fable 实战指南：如何发现与处理你的盲点
文章探讨了在使用 Claude Fable 5 进行 AI 辅助编程时，“地图”（提示词）与“领土”（实际代码库）之间的差异，即“未知数”。作者提出了将未知数分为已知的已知、已知的未知、未知的已知和未知的未知四个维度。为了解决这些瓶颈，文章详细介绍了在实施前通过“盲点排查”、头脑风暴与原型、访谈和引用参考四种模式来帮助 Claude 更好地理解上下文，从而提升 Agent 编码的质量。
How to Master Prompt Engineering at an Expert Level
本文指出在2026年，AI交互的质量瓶颈不在于模型本身，而在于提示词。文章将提示词工程定义为一项高价值技能，并详细介绍了从基础到专家级的全套方法论。核心内容包括专家提示词的六大要素（角色、上下文、任务、格式、约束、质量标准），XML标签等结构化技巧，以及链接式提示、自我修正循环、动机性约束和多视角分析等高级策略。文章旨在通过系统化的训练，帮助读者显著提升AI输出的质量。
如何优化你的 AI Harness：配置、框架与子代理指南
文章指出工程师的关注点已从 IDE 转向 AI Harness，并介绍了提升 Harness 输出质量的关键方法。核心策略包括：保持配置文件（如 .md）精简，采用渐进式披露原则以节省上下文；利用 R.P.I 框架（Research, Plan, Implement）像资深工程师一样分解问题；以及通过子代理清理主上下文窗口。文章强调，Harness 的核心在于工程判断力。
编写 Agent Skills 的 8 个技巧
本文是 Philipp Schmid 关于如何编写高效 AI Agent Skills（技能）的实用指南。文章指出技能虽然灵活但难以掌握，并提出了 8 个核心建议：明确技能定义（能力型 vs 偏好型）、精确描述触发条件、编写指令而非冗长文章、保持内容精简、给予 Agent 适当的自由度而非死板的步骤、定义负向触发条件、通过多轮测试评估效果，以及当模型能力提升时及时淘汰冗余技能。
克劳德提示大师班：如何获得精英级成果
本文是一份关于如何高效使用 Claude 模型的实战指南。作者指出提示工程是当下最值得学习的 AI 技能，并详细剖析了缺乏上下文、指令含糊和不迭代这三大常见陷阱。文章基于 Anthropic 官方文档，总结了构建优秀提示的五大要素，并分享了结构化提示、反向提示、深度思考触发等高级技巧，旨在帮助用户掌握与 AI 沟通的艺术，从而获得高质量的输出结果。
Harness Engineering: How to Build AI Agents That Actually Work
文章指出大多数人在错误的层面修复 AI Agent 问题：模型失败时反复改提示词、换模型、加工具，却忽略了真正的问题是模型周围的环境——Harness。Harness Engineering 是构建围绕模型的系统，决定模型能看到什么、能做什么、记住什么、如何判定成功与失败。作者提出六大实践：将请求转化为带完成条件的任务契约；用渐进式披露提供项目地图而非塞满上下文；在模型与工具之间设置网关校验与策略授权；将记忆（事实、决策、状态、经验）移出对话外部存储；以可观测证据作为任务完成的门槛，优先用确定性检查。好的 Harness 能提升每一次运行的质量。
很多提示词和 Skill，其实都已经过时了
作者基于 Anthropic 工程师删除 Claude Code 80% 系统提示词却无性能损失的事实，反思提示词与 Agent Skill 的实践方法。提出提示词不是八股文，应聚焦任务三要素（目标、规则、完成标准），减少角色铺垫和冗余规则，多给思考方向而非僵硬示例，并设定明确验收标准。关于 Skill 沉淀，强调只有高频且流程稳定的任务才值得做成 Skill，要写入独特经验而非通识废话，严格控制单一职责与边界，主文件精简并渐进式加载，且必须内置自检环节形成质检闭环。
如何变得更有雄心：一份写给 AI 时代人类的实践指南
本文是 Claude 团队工程负责人 Felix 文章的中文翻译，探讨如何在 AI 时代更有雄心地使用 AI。作者将雄心分为四个维度：速度（更快完成工作）、高度（关注结果而非任务，重新思考业务流程）、深度（像顶尖专家一样使用专业工具和方法挑战极限）、广度（跨学科引入不同领域的知识和方法）。文章结合 Acme 公司季度回顾等具体案例给出实践方法，并引用自我效能感心理学研究、Dantzig 解难题、Bannister 破四分钟纪录等故事，说明人类往往受限于对可能性的想象力，鼓励读者大胆设定目标、允许失败，充分利用 AI 能力实现突破。
用 AI 搭建流量上升词自动发现与批量选题流水线
文章针对出海团队每天人工盯热搜、找选题效率低、时间滞后的痛点，介绍如何用代码和 AI 搭建一套 24 小时自动巡检的选题流水线。核心思路是抓住搜索量短时间暴增但内容供给空白的上升词红利。流水线分三层：一是围绕种子词库做周期性快照轮询并计算趋势斜率，自动发现飙升关键词；二是通过黑名单过滤、商业意图词性筛选和聚类去重，剔除娱乐八卦等噪音，保留排查解决、选型对比、资源索取类高价值需求，并附完整 AI 过滤提示词；三是接入大模型，把上升词拆解为痛点解决方案、工具选型、成本风险、可交付资源四张选题卡，实现选题自动化裂变。文中提供了两段可直接复用的详细提示词。
