最近网上出现了一些很有趣的声音——"提示词已死"、"写提示词把自己写死了"，这些文章认为随着模型变得越来越智能，精心设计提示词的时代已经过去了。但芝加哥大学的最新研究却给出了完全相反的结论：prompt不仅没有死，反而是理解大模型最重要的科学工具。
MT Park 的第12场AI分享会顺利进行！~🎉 感谢向阳乔木老师非常细致地分享了： 他探索 Prompt 的多场景实践，从 Cursor、Windsurf 等 vibe 编程工具，到 Veo3 的视频生成，覆盖编程、教育、内容创作等多个方向，带你快速上手 AI 最实用的玩法。
今年上半年，最吊足胃口和期待的，莫过于 Agent 工具，饼画得都很大：日常中那些烧脑、重复、耗时间的任务，现在似乎只需要动动手指、敲几行 prompt 就能搞定。
最近，Google 官方发布了一份长达 69 页的【Prompt Engineering 白皮书】，可以说是目前最系统、最权威的“AI 沟通指南”了。我们也是第一时间翻译好了这本书，准备【免费】送给大家！
推理增强型大语言模型LRM（如OpenAI的o1、DeepSeek R1和Google的Flash Thinking）通过在生成最终答案前显式生成中间推理步骤，在复杂问题解决方面展现了卓越性能。然而，对这类模型的控制仍主要依赖于传统的输入级操作，如提示工程（Prompt Engineering）等方法，而你可能已经发现这些方法存在局限性。
今天我兴奋地跟大家分享一个超级实用的新资源——Claude团队刚刚发布了一份全面的Prompt Engineering指南！作为一个每天都在摸索各种AI提示技巧的科技爱好者，我第一时间深入研究了这份指南，发现这简直就是AI无代码开发的宝典啊！
Prompt 为什么重要
一直以来，学术与实际产品的 Prompt 完全脱节，真实场景下，很多产品都聚焦情感陪伴，文案生成等开放任务里。而学术上这些任务没有明确的指标，无法量化也就没办法被比较，于是绝大部分的 Prompt 优化工作都聚焦在“刷榜”，例如怎么提升一个模型的代码/数学能力。我们今天跑的项目叫 SPO，具体什么意思并不重要，重要的是它把之前的所有问题全部解决了。
在人工智能快速发展的今天，提示工程（Prompt Engineering）已经成为AI应用开发中不可或缺的环节。然而，当我们需要生成适应不同场景的情感文本时，传统的单一目标提示优化方法往往显得力不从心。
在大语言模型（LLM）蓬勃发展的今天，提示词工程（Prompt Engineering）已经成为AI应用开发中不可或缺的关键环节。
