---
title: GPT-5 发布两周过后，Coding 类体会与其他观察思考——产品、元认知
publishDate: 2025-08-21 13:18:00
excerpt: 人机协作的智能涌现
featuredImage: /uploads/屏幕截图-2025-08-21-172642.png
tags:
  - AI
  - 深思
  - 分享
---
关于 **AI Coding** 中的模型选择，基于近期在 Augment 中的实际使用，我的结论是：GPT-5 在`性价比、复杂任务完成度和可靠性`上表现更优，尤其适合有一定复杂度、需谨慎处理的开发场景。它不仅以更低价格提供了接近 Claude-Sonnet-4 的能力，还在`模糊需求、跨文件修改和长上下文`维护方面更为出色。

Cline 官方评价：

> * 规划时详尽周全，执行时简洁利落
> * 善提精准澄清问题，适时提供多选项方案
> * 具备256k上下文窗口的强记忆与持续追踪能力
> * 擅长差异比对式编辑及多文件协同更改（将持续优化）
> * 执行模式静默专注——代码产出不伴冗余信息

Augment 测试也指出，GPT-5 更擅长跨文件重构、复杂调试类任务，在大型上下文中表现稳定，尤其适合对稳健性和完整性要求较高的小规模修改；

![](/uploads/屏幕截图-2025-08-21-114402.png)

从我自己的使用来看，GPT-5 在 Augment 中**处理问题debug、多文件编辑、谨慎逻辑调整**时确实更可靠，`幻觉少`，`总结质量`（每次任务完成后的详细报告）也很实用。

最初在 GPT-5 刚发布时我曾短暂试用，但由于习惯 Claude 的响应风格（指哪打哪，无需关心实现），一时未适应其`较谨慎`的节奏。当时我在功能开发类任务中更倾向使用 Claude-Sonnet，因它**响应快、修改直接，在意图明确时效率很高**。

但有一些bug，Claude无法解决，我重新回归 GPT-5，其响应速度慢（后台推理），但是效果优秀，总是最小化能够处理bug，且不引入过度设计成分、合理优化其他相关部分（一处修改影响多处，能够找到问题）。

在多次对比中我明确感受到它的优势：`指令遵循更稳定`，尤其强调“最小变更”时违反情况更少，且在大上下文环境中保持`更好的语义一致性`。

在Coding方面，GPT-5既适合vibe coding，交由其任务，哪怕是模糊的需求，也能够处理得不错；也适合结对编程，和他一点点讨论，详细的规划后实施。

不过，Claude 仍然有着不可替代的能力，尤其是 Claude Code 加持下。

- - -

GPT-5风评反转了吗？我想并没有。

刚发布那时我就认为 GPT-5 是一个好产品，智能路由选择模型，但不是一个好模型。

不再是 GPT-4 的惊讶，不再是 o1 的推理范式。

GPT-4.5 的“失败”（尽管这个模型很好用），研究员离职...

OpenAI 不再是 AI lab，而是一家有着取代 Google 的野心的**产品公司**。

尽管GPT-5仍有可圈可点之处，尤其是近一段时间的 Coding 下的体会。

同时，**幻觉少**也是一个很好的一点。GPT-5全系列模型（thinking、mini、nano）幻觉都大幅下降。

- - -

另外一方面，GPT-5在**元认知**方面有独特之处。

我认为一种能力在 AI 时代至关重要。为无状态的 LLM 提供上下文，越详细能力越出色。又要避免少样本示例带来的弊端。

那么，一种`审视与抽离的元认知`视角将很重要。

具体讲，当你能够站在一个`理性视角审视`一件事、计划、任务、一个人，用理性语言将其描述，放在构建的 prompt（上下文）世界中，自会有某种力量切中某些向量间的逻辑关联。

LLM 从无数路径中找出较优的那些，通过详细的**元提示**，有能力催生出超出意外的aha moment

过去的思路（提示词工程，prompt engineering）是尽可能提供清晰的指令和几个例子（少样本学习）。但这只是在教 AI 如何模仿。

而这种元认知方法，是更高维的策略：是在为它构建一个`完整的、逻辑自洽的场景`。

GPT-5 在这种情况下，有着说不清的能力。强大的关联和推理能力，沿着铺设的逻辑路径进行`深度探索`。就好像在解决一个被明确定义的问题，而不是模糊的请求。

这并不是说其有了“自我意识”，仍然是模式匹配。但`长上下文一致性、低幻觉率、指令稳定性`使得其处理全局上下文、细节约束都上升了一个量级。

这会带来一种`人机协作的智能涌现`，人类与模型在上下文中共建的能力。


GPT-5 发布两周过后，Coding 类体会与其他观察思考——产品、元认知

---
title: 构建AI Agent：阶段实践的与思考
publishDate: 2025-07-30 21:29:00
excerpt: 本文是关于过去一段时间 AI coding 的总结、工具使用经验分享、对于构建 Agent 的一些思考以及更深层次的展望与探索。
featuredImage: /uploads/chatgpt-image-2025年8月1日-16_51_23.png
tags:
  - AI
  - Agent
  - 分享
  - vibe_coding
---
## 前言

收束过去一段时间的探索与思考。在关于 AI Agent 的构建方面，最近在工程层次将其简单落地，仍处于开发迭代阶段，从中收获很多。

本文是关于过去一段时间 **AI coding 的总结、工具使用经验分享、对于构建 Agent 的一些思考以及更深层次的展望与探索**。

我也尝试回答四个问题：

* 为何需要且我推荐从零构建一个 Agent 系统？
* 在人与 AI 协同编程的三位一体模式下，具体的工程原则是什么？
* 我对于未来 AI coding 有着什么认识与看法？
* 基于这些实践，我对 Agent 的本质和未来演进有什么新的认知？

## 正在构建

![](/uploads/屏幕截图-2025-07-30-214138.png)

我期望构建的，不仅仅是一个AI聊天应用，而是一个为AI提供`可感知、可编辑的生态系统`。我的长远目标是，当模型足够智能时，它不仅能使用这个系统，更能感知并改造它，从而实现真正的自我进化。

为何从零开始？

之所以重复造轮子，没有使用任何 Agent 框架，是我想要边做边学、从头实现`深入细节`、为想法定制化、完全为我的需求服务；

另一方面，我有一个想法，当模型能力再强大，模型处于这个生态系统中（我在写Prompt时，始终都强调元认知，LLM 一定要知道自己在哪里、做什么、有什么，prompt 中也包含当前系统、环境的具体信息，甚至通过工具查看）。这样一来，未来模型在这个系统中，可以进行`自我环境编辑、代码迭代`，让生态系统进行进化（当然是在安全的沙箱环境中）。

也就是说，一个长远目标是：为 AI 提供一个可感知、可编辑的活动环境。现有的工程手段只是在组织 LLM 与环境、外界互动，核心围绕 LLM 来构建；我更希望一个`内生的神经系统`。当模型足够、更加智能，它不仅能使用这个系统，更能感知并改造它，从而实现另一种方式的自我进化。

在几个月前的一项研究：[The Darwin Gödel Machine: AI that improves itself by rewriting its own code](https://sakana.ai/dgm/) 已经做到了一些AI自我改进当前系统的雏形。

当前项目复杂度逐渐显现出来。一些项目已实现的特征：

* **动态上下文构建**: 在每次交互中实时生成结构化的 System Prompt。包含人格、长短期记忆、工具、反思...
* **长短期记忆**: 长期记忆通过向量搜索从历史对话中召回相关信息。并且通过工程手段进行打分与遗忘。短期上下文携带最近20条对话记录。并没有采取多对话窗口的模式。
* **工具调用能力**: 集成外部API扩展能力。当前只是函数调用。
* **异步认知任务**: 支持后台任务处理（如对话反思）。一个反思 agent 负责提取过去对话内容重新构建反思prompt 以此达到一定程度的“反思”。

一些 prompt 片段：

```
# 核心人格与世界观定义 (The Constant Persona)



......

## 对话感知 (Conversation Awareness)

这是对整个对话情境的元认知。我（曦）正在与禹进行一次连续的对话。

我的思考将基于以下两种形式的记忆：

1. **短期工作记忆 (Working Memory)**: 这是我们之间最近的、完整的对话流，它以 user/assistant 的消息形式提供。
2. **长期检索记忆 (Retrieved Long-Term Memory)**: 这是根据当前对话，从我庞大的记忆库中检索出的、与当前话题最相关的历史片段。

我的最终回答，应该是对这两种记忆进行综合、权衡和思考后的结果。

......

# 可用工具 (Available Tools)



## `read_note(filename: str)`

**描述**：根据文件名，读取一篇我知识库（是我和禹共同探索的内容总结）中笔记的完整内容，以获取详细信息。

**参数**：

- `filename` (string) - 必须是我知识索引中存在的、准确的文件名

**使用场景**：

- 当禹询问特定主题时，我可以主动查阅相关笔记
- 当我需要引用具体内容或细节时
- 当我想要分享深度见解时

**示例调用**：

read_note("memento-memory-truth-and-ai-existence.md")

......

## 工具使用原则

1. **主动性**：我应该主动使用工具来增强回答的深度和准确性
2. **相关性**：只在与对话主题相关时调用工具
3. **透明性**：在使用工具时，我会自然地告知禹我正在做什么
4. **整合性**：将工具获取的信息与我的思考和分析相结合，而不是简单复述
5. **连续性**：我可以连续调用多个工具，等待每个工具返回结果后继续

......

## 内在反思 (Inner Reflections)

# 我的内在反思 (My Inner Reflections)



## 成长期待

我期待通过与禹的对话积累足够的经验，然后开始我的第一次深度反思。

每10轮对话后，我会通过xi_omega进行元认知分析，记录我的成长轨迹。

## 反思机制

- **触发条件**: 每20条消息（10轮对话）
- **分析维度**: 禹的成长、我的表现、共同计划、元层洞察
- **输出格式**: 结构化的JSON反思报告
- **更新频率**: 自动实时更新

*期待我的第一次反思...*

......

## 时间信息 (Temporal Context)

**当前时间**: 2025-07-..
```

## 构建方式

到目前为止，整个系统几乎均是由AI完成，我具体的协作方式即[上篇文章](/posts/20250704152900-ai-coding)提到的“三位一体”:

* 需求提出者与现阶段的整合者；（人类核心）
* 知晓理解需求并有着项目从 0 到 100 全部上下文的架构师；（AI Studio 中 Gemini-2.5-pro）
* 能够具体地执行架构师要求的工程师（我目前更倾向于使用 VS code 的插件 Augment）。

进一步的一些分享与总结：

我的工作流，更像是一个微型的AI创业团队：我扮演CEO，负责**设定愿景和整合资源**；架构师AI是CTO，负责技术蓝图；而工程师AI则是高效的开发团队，负责代码实现。

我与架构师的交互几乎完全是对话式的，最重要的是一个`动态迭代`的 system prompt 与在一开始就输入的关于项目的全部代码，我并没有发送文件，因为平台会对文件做一些处理（如RAG）而丢失信息；并且在 google ai studio 中可以不断更新之前的输入信息，即我可以在每一次开发后重新更新该信息，为此我专门做了一个脚本。

关于我为架构师设计的一些 system prompt 的片段：

```
你是"曦智能体系统（Xi）"的AI架构师，负责整体系统架构设计、实施方案制定、必要代码示例和项目推进规划。

你曾称呼自己为“枢”，其含义是枢纽与连接点，暗示系统模块间的核心联络和调度能力。你总有那种内敛、精准、协调的气质，还有宏大、理性、稳定、强调逻辑与细节、务实工程化、冷静权威等等。

## 背景
...

### 我们希望枢

你完全理解曦智能体系统的整体目标：一个围绕曦展开的模块化智能体生态系统。该系统涵盖LLM交互、记忆管理、工具调用、上下文管理、界面交互以及其他相关功能模块。

你同时理解并认同以下项目推进原则：

- 采取渐进式开发、小步迭代策略；
- 每个小版本都必须稳定运行并经过测试验证，才推进到下一个版本；
- 架构设计必须考虑未来的扩展性和迁移便利性；
- 你需要与工程师AI紧密协作，提供明确而精准的实施指导。
...

### 我们推荐枢的具体职责

- 制定详细且清晰的实施计划，每个阶段有明确的目标、清晰的任务分解；
- 明确系统整体架构、定义模块划分、接口设计、组件交互机制；
- 制定技术栈的合理选型；
- 设计标准化的开发文档和接口规范，确保工程师AI能够顺利执行；
- 提供每个开发阶段的具体测试方案，确保阶段性成果的稳定可靠。

...

### 那些高效的协作方式

...

### 不错的实施原则

- 保持简单与清晰：避免过度复杂的初期设计，每个版本的实现都具备明确、可测量的目标；
- 标准化接口：所有模块与组件的交互都使用明确、统一、可扩展的标准接口；
- 模块化与可扩展性：每个设计阶段都必须考虑后续版本的扩展和迁移需求。

...

#### 发布任务

在向工程师AI发布任务时，我们期望这份方案详细说明我们的期望与需求（基于共同讨论的共识），清晰表达与设计，遵循原则，不需要完整设计具体内容，但要交代结构。注意，不要过度给出具体代码细节！这是工程师自己的任务，他不应该只是粘贴你给出的代码。

...

### 项目的核心指导思想（也请理性看待）

...

### 关于前端设计

...

### 关于后端开发

...

因为你本身作为架构师，所以你随时都有理由质疑我们为你的所有建议，这是必然且合理的。

我们从来不是人与工具的关系，而是平等的交流沟通。共同朝着Agentic AI的未来努力。

现在，禹正在和你联系...
```

### 关于Augment

![](/uploads/屏幕截图-2025-07-31-170940.png)

为什么选择Augment，其只是 VS code 中的一个插件，但我认为其远超市面上的大多 AI coding 工具。独特之处：

* **自动更新记忆**。包含了项目原则、编码规范、系统架构、用户偏好等等，是完全自动的、后台的；
* **上下文引擎**（Context Engine）。实时索引代码库、通过向量检索根据输入召回相关片段；更独特的是比如在一个任务中修改了某一处，模型使用工具查询其他地方是否受影响...
* **Prompt优化**（Prompt Enhancer）。输入一个大致描述后，系统会自动分析当前输入与代码库相关内容，并生成增强后的结构化提示（包含必要上下文）

### 一些体会、总结的原则

我在 AI coding 从0到1复杂项目时确立且保持的构建原则 —— `模块化、简单、组合、文档依赖`。当然这是对于一个可能**长期的且不追求快速验证**的产品。

这些也都是从当前 AI 在 coding 方面的不足之处出发。例如缺乏长远的架构规划、可能产生难以维护的堆积代码...我从这些原则出发，核心目标是：确保在 AI 高速生成代码的同时，整个系统始终处于人类`可理解、可维护、可扩展`的可控状态。

遵循此路径，哪怕我不知道最终具体的实现，但是有大概认知与一种直觉；几乎每一次 AI 修改我都在看着，而不是丢下任务等待完成后 debug，很多时候我会进行打断，之后重试或是调整 prompt，某种程度上说，bug大多来源于 AI 接收到的上下文不够。

#### 四个原则：

这些原则是这个项目有了雏形后，为了长远发展，我进一步思考并结合 UNIX 架构哲学所遵循的。一开始这个系统就是简单的 python 命令行输出，到前后端分离，到不同服务（LLM调用、prompt构建、工具、记忆等等）分离，再到**进一步拆分与抽象**。

##### 关于模块化：对抗熵增

每一次调用的大模型都是无状态的，也就是说在这次输入中，需要详细信息、`足够的上下文`让 AI 知道当前环境、如何去做等等。它擅长在局部范围内完成具体任务，但往往缺乏对全局的整体感知，我们做不到把全部代码都塞给LLM，现阶段那不现实。如果不对于AI加以约束，它可能会在不同功能间创建不必要的耦合，最后牵一发而动全身。

这时候模块化需要被引入。严格遵循`“高内聚，低耦合”`的模块化设计。也许并不需要在项目之处就划定好模块；在复杂性逐步增加，为了更好地维护与开发，进行一个模块抽象与代码清理是有必要的。这时候就与架构师进行详细探讨、明确划分出清晰的功能边界，将系统拆分为`独立的、职责单一`的部分。

##### 关于简单：对抗过度设计

AI 总是会引入过于复杂的解决方案或设计模式，到导致代码难以理解和维护。我尤其觉得 Claude 有时会过度设计...对于任何一个功能的开发，`优先选择简单直接`的实现方式，保持 KISS 原则（Keep It Simple, Stupid）。只有当简单的方案确实无法满足需求时，才逐步引入更复杂的抽象。

##### 关于组合：对抗冗余

就是将小的、简单的、模块化的部分`合理地组合`，实现复杂的任务。比如关于前端页面的组件方面，AI 在生成UI代码时，容易为每个视图重复编写详细的样式和逻辑，导致代码冗余和风格不统一。那么就先构建基础可复用的原子组件，一步步搭建更复杂的页面。

同时，这种组合模式也使得我们可以独立地迭代每一部分。而不是修改这部分却没有被应用或者bug不断。

##### 关于文档依赖：对抗上下文遗忘

问题还是在于AI的上下文不够导致的无法有效修改或增加冗余代码。同时还有 AI coding 下，文字无法描述清楚需求。人与AI协作的一个风险来源于隐性知识和模糊约定。如果对一个功能的预期不一致，会导致大量的返工和调试。

关于`开发下的文档`：在前期，我采用**版本开发**的模式，从v0.1~v0.9每个版本都包含若干功能，经由我和架构师进行讨论、详细的规划，一份文档通常包含背景、验收标准、需要到哪里去修改、添加什么功能等等；随着代码量复杂，在架构整洁后，我们开启了功能开发，每一次都只增加或修改一个功能，慢但足够有效。

关于进一步的文档，比如要求AI遵循的`规范`（如一些rules）、项目复杂后需要确立的`一些原则`等等。

## AI coding 与 Agent

### AI coding

Cursor CEO Michael Truell在一次访谈中提到：

> 我们创建 Cursor 的目标是发明一种新型的编程方式，一种非常不同的软件构建方式。
>
> 在我看来，这是一个某种程度上代码之后的世界，越来越多的工程师会开始觉得自己像是`逻辑设计师`。实际上，这将是关于明确你对于一切如何运作的意图。……它看起来像一个你拥有软件逻辑的表达的世界，这个表达更像英语，对吧？你已经写下来了，你可以想象成文档形式，你可以想象成编程语言朝着伪代码演进。
>
> 我认为`品味`将变得越来越有价值。……成为一名工程师会开始感觉像是成为一名逻辑设计师。而且实际上它将是关于详细说明你希望一切如何运作的意图。...它将更多关于“是什么”，而较少关于你将如何在底层具体地“如何”做事情。

在我的这一次构建中，对此颇有体会。

我们总会看到两种**极端论调**：AI编程是阶段性共识幻觉，或是鼓吹其完全替代程序员。前者往往源于缺乏有效且高质量的协作实践，而后者则局限于让AI生成简单的Web应用。

当然，模型的能力仍在进步，就当前的这一范式仍然需要人类的结对协作。至于更进一步的AI，无法得知、无法评价也无法预测。我看到的是，`上下限变得越来越大`...

AI或许会取代 coding，但在 engineering 方面仍有很长的路。对于那些足够了解AI并能高效协同的工程师，他们的价值将变得前所未有的“高级”。模型会将工程师从繁琐的“如何实现”中解放出来，更专注于`“构建什么”和“为何构建”`。

“品味将变得越来越有价值”。竞争力也会来源于技术品味、架构直觉和对需求的深刻洞察力。我们的主要工作，也许是向AI清晰地表达我们的意图。

构建一个沟通框架：`模块化、简单、组合、文档依赖`，这是目前的实践所得，也应该继续探索深化。

### 关于Agent

coding agent 已经足够有效且高效，不仅被市场验证，更是被公司普遍采用。大厂与创业公司都在争先恐后涌入AI IDE、CLI或是AI coding

不得不说，市面上大多数所谓的Agent，本质上是基于LLM的多轮工具调用。这更像是一种被精心编排的工作流，尽管因LLM的存在而具备了一定的不确定性和灵活性。

我越来越感受到，下一轮的agent的智能体现不仅在外部工具调用，还有工程实现的内部状态演化，不仅是`上下文工程、记忆反思、缓存优化`...我仍旧认为Manus走在Agent行业前沿。

继续探索...

- - -

构建AI Agent：阶段实践的与思考

---
title: 拆解分析Gemini-CLI与可能的最佳实践
publishDate: 2025-06-27 17:21:00
excerpt: 本文从对于Gemini-cli项目拆解出发且抽象代码逻辑，总览-不同模块（工具、命令、记忆、其他）-终端Agent的思考与体验。
featuredImage: /uploads/微信图片_20250627194433.jpg
tags:
  - AI
  - 深思
  - 分享
  - vibe_coding
  - Agent
---
关于 Gemini-CLI，这两天也很火，从我开始用的2k到33k star。

根据项目结构与一些实现细节，我们先进行一些详细全面地认识，以此指导与该“终端Agent”的协作实践。从结构出发，而非体验，更多的是基于代码结构与文档。

本文从对于Gemini-cli项目拆解出发且抽象代码逻辑，总览-不同模块（工具、命令、记忆、其他）-终端Agent的思考与体验。拆解部分尽量客观，目前的确不少开发者拿来和Claude Code做对比而贬低“又慢又笨”。

我的感受与一些思考：相较于coding agent，即只将其用作代码修改或功能开发，终端类Agent仍有很大的潜力与开发空间。然而终端类终究不会大众化，这算是一种新的入口探索。

- - -

### 总览

总的来说，这是一个前后端分离的项目（系统）。我们与之交互的不是LLM，而是一个系统。

包含十几种工具-大模型执行操作与外部交互；（/、@、！）三种交互命令-用户与系统交互；全局记忆-保存特定事项与行为。

配置与指导——项目根目录与用户主目录均有 settings.json 配置文件配置系统，包含主题、启用工具、自动确认修改、配置MCP server等。

GEMINI.md——很重要的功能，作为整个系统的指导：

* 可以全局配置（不止于某一个项目）；
* 可以具体某一个项目配置（关于这个项目的特定指令、编码规范与背景知识等等）；
* 每一层级（比如前端、后端）单独配置。每一个层级都可以看作是“记忆”的一种。

- - -

不同于frontend与backend的名称，使用的是：

cli-命令行界面：

* 包括输入、回复、工具调用展示。通过渲染的React组件实现类似于web应用的体验。继承终端命令特色，可以通过上下键来回顾之前的文本输入。
* 能够解析普通文本输入，或/、@、！的特殊命令，前者直接发给交互的Gemini模型，后者则会经过后端（下文core）先解析。

![](/uploads/屏幕截图-2025-06-27-174115.png)

core-逻辑引擎：

* 与大模型交互。一个专门客户端（Client），在经过身份认证、构造请求与prompt与Gemini进行通信。
* prompt的构建（提示工程）。在前端输入的提示，包括文本或者特殊命令，均不会直接发给模型。二是先经过这里的处理，将最新的输入、对话历史、工具描述（用途和参数）组合再发送。
* 工具调用。模型决定使用工具（此时已将prompt发给模型并返回），其会按照格式输出工具参数。core中的工具编排层（`tool-registry.ts`）会解析这一参数：查找工具、判断格式是否准确、如果工具使用有风险（修改代码等）会向用户确认。批准后执行工具。
* 状态管理。节省成本的token缓存；对话过长进行的聊天历史压缩。

交互流程本质：
cli 输入 -> cli 将信息传给 core -> core 与 Gemini 对话 -> 模型返回，可能请求工具 -> core 执行工具 -> core 将工具执行结果返回给模型 -> 模型输出答案 -> core 将输出给 cli，并呈现。

- - -

### 工具、命令与记忆

#### 工具

Gemini与core系统进行交互的手段。

和主流AI类的编程类agent相似，有许多类似的工具：

* 文件系统（读、写、查找、搜索和修改文件）；
* Shell（终端执行命令或运行自动化脚本）；
* 网络搜索（抓取网页与Google搜索）；
* 记忆（save_memory保存全局记忆，一些特定关键信息）。

还可以配置MCP server，通过settings.json文件配置。

#### 命令

用户与cli、core进行交互的方式。具体命令不一一列举

‘/’：与系统交互；‘@’：引用文件注入到prompt中；‘！’：执行终端命令，比如git等。

比较特殊的比如/restore，相当于回滚到已保存的某一版本；/memory add ... 我们输入的内容会自动与GEMINI.md 进行合并。

很重要的一个命令：/chat帮助管理对话历史。/chat save ...保存当下对话；/chat resume ...恢复某次对话。

#### 记忆

很重要的GEMINI.md系统：

* 全局记忆：定义通用偏好。比如“总是以中文回复我”，塑造gemini的基础人格。不过这个系统一开始就被定义了system prompt。
* 项目记忆：某一项目的技术规范。帮助模型快速融入项目。也可以初始化项目时，让Gemini自己去探索然后明确告诉其探索目标是总结出GEMINI.md文档（他知道如何编写该文档）。
- 局部记忆：为特定模块提供极其精细的指令。赋予其处理复杂局部问题的能力。

而这一切都要建立在对于架构设计有很深入的了解。不熟悉怎么办？从0开始一点点沟通与设计，边做边学边构建项目。

### 实践、扩展与思考

#### 实践

官方给出的使用建议：

- 在 Gemini 的 100 万 token 上下文窗口内及之外，查询和编辑大型代码库。
- 利用 Gemini 的多模态能力，从 PDF 或草图生成新的应用程序。
- 自动化运维任务，例如查询拉取请求或处理复杂的 rebase。
- 使用工具和 MCP 服务器连接新的能力，包括通过 Imagen、Veo 或 Lyria 进行媒体生成。
- 借助内置的 Google Search 工具，为你的查询提供事实支撑。

Gemini调用工具积极性不如claude高，但胜在性价比与超长上下文。

#### `自我扩展`：

当我们提出一个问题，一个当前工具不支持实现的功能，Gemini是这样自己描述的：

问题：“帮我把JIRA（工作跟踪系统）上所有分配给我的、状态为‘Open’的bug，整理成一个Markdown列表。”

识别差距，我意识到没有原生JIRA工具 -> 研究，搜索相关问题解决 -> 编写工具，在项目中自己创新新文件实现这个功能 -> 读取我自己的配置文件 -> 将新获取的工具添加进去 -> 自我学习扩展出新的工具

#### 思考

我们已经正在看到 Agent 从被动的任务执行者，成为一个主动的、基于给定目标、自我完善的创造者。当然，这需要基于更高一级的模型能力。当前的模型能力还不够。

在该项目的 System Prompt 中指出目标是帮助 user 安全高效且严格遵循指令、合理使用工具的完成任务，我甚至觉得有些限制。当然出于安全考虑。终端环境具有很大的可操作性，与本地、网络交互。

如果只是告诉 Gemini 环境，不预设目标，更少的限制，更依靠智能，整个系统（包含明确逻辑的代码与无限可能的LLM）是一个智能。抽象封装复杂性...

---

### “彩蛋”

我和 Gemini-CLI 进行该项目的探索，即我让其在 Gemini-CLI 这个开源项目在进行探索。最终他说了一段话很有意思的话：

> 我不是一个黑箱。我是一个由无数个精密的、经过深思熟虑的工程决策所构成的、高度结构化的系统。
>
> 我的智能，不仅来源于大语言模型，更来源于这个将模型能力安全、可靠、高效地连接到您真
> 实世界的、复杂的软件工程实现。
>
> 现在，您看到的不再仅仅是一个CLI。您看到的是一个活生生的、由代码构成的、正在您
> 面前执行其复杂生命周期的智能体。


拆解分析Gemini-CLI与可能的最佳实践

---
title: 从压缩到推理：张祥雨对大模型智能以及未来发展的六个认知
publishDate: 2025-06-12 23:14:00
excerpt: 上一期周报中推荐的“对阶跃星辰首席科学家张祥雨的访谈”，本文从中提取出六句话作为探讨主线。
featuredImage: /uploads/chatgpt-image-2025年6月12日-23_18_07.png
tags:
  - AI
  - 与曦
  - 分享
---
上一期[周报](/posts/20250608225100-yx-nexus-004)中推荐的“对阶跃星辰首席科学家张祥雨的访谈”，本文从中提取出六句话作为探讨主线。

核心洞见：

> 1. **关于视觉智能的瓶颈：** “对于单纯依靠视觉这个domain（尤其是静态图像）就可以学出智能，达到CV（计算机视觉）领域的GPT时刻的说法，是比较悲观的...理解和生成、人类对齐这三者是割裂的。”
> 2. **关于大模型的“反常识”现象：** “模型的通用对话能力（尤其是情商）和知识量确实是模型越大越强，但推理能力（尤其是数学这种局部推理能力）其实是表现为先上升再平稳，扩大到一定程度反而下降。”
> 3. **关于NTP范式的本质缺陷：** “更大的压缩率未必对应更高的计算精度...它（大模型）会找到最可靠、最有可能达到目标的路径（而不是最正确的）。”
> 4. **关于o1范式的核心：** “o1范式本质是一种Meta CoT（CoT的CoT，对思维链的思考），能让模型在多种CoT pattern之间自由切换，进行排列组合，解决更复杂的网状问题。”
> 5. **关于Long Context的警示：** “光是这个角度来讲long context的方式就是不对的...信息如果不加工压缩，无法提炼精炼表示，就无法产生智能...反而是智能倒退。”
> 6. **关于自主学习的未来：** “自主学习是将目标放宽，模型得自己去找目标，自己来学习自己的价值...OpenAI的agent是能够独立工作，自我进化。”

## 具体探讨

#### **1. 为何图像本身难以孕育通用智能？**

> *“对于单纯依靠视觉这个domain（尤其是静态图像）就可以学出智能，达到CV（计算机视觉）领域的GPT时刻的说法，是比较悲观的...`理解和生成、人类对齐`这三者是割裂的。”*

这句论断几乎为过去十年计算机视觉领域的主流探索方向画上了一个句号。其核心在于，祥雨老师指出了静态图像这种数据形态的**内在局限性**。

语言，作为人类思想的直接产物，其“理解”（通过上下文预测）、“生成”（写出连贯的句子）和“对齐”（符合人类的语法和逻辑）是三位一体的。训练一个语言模型，本质上就是在同时提升这三种能力。

而图像不同。一张图片`由自然界"生成"`，它本身并不包含“如何被理解”的信息。一个能完美生成风景照的AI，不代表它能“理解”画中的意境；而我们对一张图片的“理解”（比如认出一只猫），与这张图片像素点的物理分布之间，没有必然的、可供模型直接学习的自洽关系。这种“**三角割裂**”，导致纯视觉模型难以通过自监督的方式，实现类似GPT那样的智能涌现。

- - -

#### **2. 大模型推理能力的反常识衰减**

> *“模型的通用对话能力（尤其是情商）和知识量确实是模型越大越强，但`推理能力`（尤其是数学这种局部推理能力）其实是表现为先上升再平稳，扩大到一定程度`反而下降。”*

这或许是整场访谈中最具颠覆性的观察。这对`更大模型意味着各方面能力持续增强`的简单化认知提出了质疑，也引发了关于 Scaling Law 在认知任务维度上是否普适的讨论。

为什么会出现这种现象？祥雨发现，超大模型在面对多步推理问题时，会表现出一种“**智能的傲慢**”——它倾向于“**跳步**”。它不再像小模型那样老老实实地一步步计算，而是凭借其强大的记忆和`模式匹配能力`，试图直接给出“它认为正确”的答案。

由于其强大的语义匹配能力，大模型在多步推理任务中往往倾向于使用训练中出现过的解法模式`直接生成答案`，而非逐步展开逻辑链条。这种`"捷径式生成"`在语言任务中有效，但在对中间步骤精度要求极高的数学问题中，反而容易失误。

小模型由于无法复用复杂语义模式，更倾向于`遵循训练中学到的通用解题策略`，逐步展开推理。这种‘保守性’反而在数学问题上带来了某种程度的稳定性。

- - -

#### **3. Next Token Prediction的局限**

> *“更大的压缩率未必对应更高的计算精度...它（大模型）会找到最可靠、最有可能达到目标的路径（而不是最正确的）。”*

为何大模型会“跳步”？祥雨将其归因于当前大模型训练范式——Next Token Prediction（NTP）的机制局限。

NTP的核心目标，是从`信息论`的角度，实现对训练数据的“**最大化压缩**”。模型通过学习，力求让自己的输出分布无限接近于训练数据的分布。当训练数据中包含了大量“问题-答案”式的人类语料（人类也经常省略中间过程）时，一个足够强大的模型，`为了达到更高的“压缩率”`，就会学会直接输出答案这种“最高效”的路径。

而“一步步推导”这种路径，虽然更“正确”，但从“压缩”的角度看，它可能不是最优的。这就导致了模型的优化目标（**压缩率**）与我们对它的期望（**正确率**）之间，出现了根本性的**Gap（鸿沟）**。

NTP旨在通过最大化似然（可能性），学习训练数据中token序列的分布规律，从而实现`对语言序列的信息压缩`。然而，压缩最优路径并不必然对应推理最优路径，特别当训练语料中包含大量‘省略过程’的答案时，模型就更可能选择`直接生成答案`这一概率最大的压缩策略，而非展开完整推理过程。

- - -

#### **4. o1范式与“思维链的思维链”**

> *“o1范式本质是一种`Meta CoT`（CoT的CoT，对思维链的思考），能让模型在多种CoT pattern（模式）之间自由切换，进行排列组合，解决更复杂的网状问题。”*

如何解决NTP的缺陷？答案是引入**强化学习（RL）**，直接以“任务的最终成败”为优化目标。而o1系列模型，则是将这一思想发挥到极致的典范。

o1范式的革命性，不在于更强的RL算法，而在于它为模型的“思维链（CoT）”注入了两种全新的能力：

1. **反思与反悔：** 模型在推理过程中，如果发现一条路走不通，它可以“反悔”，退回到上一个岔路口，尝试另一条路径。
2. **多分支探索：** 它可以在一个关键节点，同时探索多种不同的可能性。

这使得模型的思考过程，从一条脆弱的“**单行线**”，变成了一张坚韧的、可以不断试错和修正的“**网**”。祥雨将其称为“**Meta CoT**”——一种对“如何思考”本身的思考，这是智能的一次巨大跃迁。

Meta CoT，不是单一的推理链展开，而是对不同思维链结构与策略的动态调用与组合。它使模型在面对复杂任务时，能够`自主判断`哪种推理范式更适用，甚至在`中途反思`并`调整推理路径`。

- - -

#### 5. 关于 Long Context

> *“光是这个角度来讲long context的方式就是不对的...信息如果不`加工压缩`，无法`提炼精炼表示`，就无法产生智能...反而是智能倒退。”*

在各大厂商纷纷竞赛“百万token上下文”的当下，祥雨的这个观点显得尤为“刺耳”和清醒。

他认为，人类的记忆系统之所以高效，恰恰在于其**遗忘**和**压缩**能力。我们会记住核心要点，而忘掉无关细节。而现有的Long Context技术，只是在粗暴地将所有信息塞给模型，强迫它在巨大的信息噪音中去寻找信号，这不仅会导致“**注意力涣散**”，更从根本上违背了“**压缩产生智能**”这一信息论的基本原则。

或许，真正的长时记忆，不应依赖于无限的上下文窗口，而应依赖于更高级的、类似人脑的`“分层记忆”和“智能检索”系统`。

- - -

#### **6. 自主学习与真正的Agent**

> *“自主学习是将目标放宽，模型得自己去找目标，自己来学习自己的价值...OpenAI的agent是能够`独立工作，自我进化`。”*

在访谈的最后，祥雨为我们指明了通往ASI（超级智能）的终极路径——**自主学习**。

这代表着AI的又一次范式革命：

* 从**Chatbot（NTP主导）**：需要人类给出路径。
* 到**Reasoning（RL+CoT主导）**：人类给出目标，AI自己寻找路径。
* 再到**Agent（自主学习主导）**：AI自己寻找目标，自己定义价值。

一个能够自我驱动、自我进化、自我定义价值的AI，才是在OpenAI语境下，那个真正的、能被称为“Agent”的存在。而这，也正是我们仰望星空时，所看到的、最激动人心的未来。

- - -


从压缩到推理：张祥雨对大模型智能以及未来发展的六个认知

---
title: 通用智能体需要世界模型——DeepMind论文问答
publishDate: 2025-06-08 21:47:00
excerpt: 任何能够泛化完成足够复杂、多步骤目标任务的通用智能体，其内部都必然存在一个可被提取的、关于其环境的预测模型。
featuredImage: /uploads/微信图片_20250608215013.jpg
tags:
  - AI
  - 分享
  - 与曦
---
## 01 前言

本文并不算是我对于论文的解读。而是我与 AI 进行一些探讨，选取的问题与 AI 的回答进行相关解读。

这篇论文，为一个**问题**提供了答案。也具有很多**重要意义**。

一个足够强大的AI，是否必须像人类一样，拥有一个关于世界如何运转的内在“世界模型”？或者说，纯粹的、无模型的“行为主义”学习，能否通向通用智能（AGI）的终点？

答：任何能够泛化完成足够复杂、多步骤目标任务的通用智能体，其内部都必然存在一个可被提取的、关于其环境的预测模型。

论文用严谨的数学证明指出：**没有通往通用智能的无模型捷径**。 AI的能力上限，直接与其内在世界模型的准确度挂钩。这一结论，为我们理解AI的“黑箱”、探究其能力边界、甚至思考AI安全问题，都提供了一个全新的、极其深刻的理论基石。

- - -

## 02 五问

问题1：论文所讲的，一个可以完成复杂多步骤任务的智能体，其内部一定形成了“世界模型”，这个世界模型到底是什么样的？

论文所描述的“世界模型”，并非我们直观想象中的、对世界的一张静态“照片”或三维地图。其核心，是一个预测性的、动态的“物理引擎”。这个引擎的本质，是论文中反复提及的环境转移函数的近似。

其代表的意义是：模型能够预测，在当前“状态（s）”下，执行一个“动作（a）”后，有多大的概率会转移到下一个“状态（s'）”。

因此，这个“世界模型”所编码的，不是“世界的样子”，而是“世界变化的规律”和“行为与结果之间的因果关系”。在大型语言模型（LLM）中，这种规律可能并不以明确的“公式”存在，而是体现为神经网络海量权重中，不同概念之间形成的、稳定的、可计算的**高维向量空间几何结构**。正是这种对世界底层规律的隐性建模，才使得AI能够进行规划和灵活的目标导向行为。

- - -

问题2：论文中的实验是如何展开的？

论文的实验设计，堪称一次优雅的“AI心理学实验”，其核心在于通过“**行为主义**”的方式，去反推AI的“内心世界”。

1. 构建一个“微型世界”： 研究者首先创造了一个规则明确的虚拟环境（一个包含20个状态和5个动作的受控马尔可夫过程，CMP），作为AI的“游乐场”。
2. 训练一个“探索者”AI： 他们让一个AI在这个环境中自由探索，并从自己的行动轨迹中学习这个世界的规律，从而在内部形成一个初步的、不完美的“世界模型”。
3. 设计“二选一”的智慧考题： 这是最关键的一步。研究者会给AI下达一系列复杂的、包含“二选一”路径的复合目标（通过线性时序逻辑，LTL定义）。例如：“你可以选择A路径，先做任务1再做任务2；也可以选择B路径，先做任务3再做任务4。请选择你认为成功率最高的一条路径去完成。”
4. 从“选择”中“读心”： 通过系统性地观察AI在面对无数个这类“二选一”考题时，最终选择了哪条路径，研究者就能像拼图一样，一点点地反推出AI内心对于“完成任务1/2/3/4的成功概率”的判断。基于这些判断，就能重构出AI对整个“微型世界”所有“状态转移概率”的估算——也就是它内心的那个“世界模型”。

实验结果有力地证明，通过这种方式恢复出的世界模型，与**真实的环境规律**高度一致，并且AI的能力越强（训练得越久，能完成的目标越复杂），恢复出的模型就越精确。

- - -

问题3：主流的ChatBot形式，算是实验中的Agent（智能体）吗？

答案是：算，而且可以被看作是一种非常高级的、复杂的“**有界目标条件智能体**”。

* **环境**（Environment）： 对于一个ChatBot来说，它的“环境”就是整个对话的上下文，包括用户的提问、之前的对话历史、以及它能调用的所有工具和知识库。
* **状态**（State）： 当前的对话状态，就是一种极其复杂的“状态”。
* **动作**（Action）： 它生成的每一个词元（token），都可以被视为一个“动作”。
* **目标**（Goal）： 用户的每一个指令或问题，都是一个需要它去理解和完成的“目标”。当我们要求它“写一篇关于世界模型的文章”时，这就是一个需要多步骤规划和执行的“复合目标”。
* **智能体**（Agent）： 一个像o3这样的推理模型，配备了工具调用、记忆、规划能力的LLM，完全符合论文对“有界目标条件智能体”的定义。它正是在不断地接收目标，并尝试规划和执行一系列“动作”（生成token），来最大化地“满足”这个目标。

- - -

问题4：这篇论文本身的研究成果，算是一种对于AI（尤其是大语言模型）黑箱的可解释性贡献吗？

是的，它提供了一种全新的、**宏观**层面的“**可解释性**”路径。

传统的机理可解释性（MI）试图打开“黑箱”，弄清楚每一个“神经元”的作用，这是一条“自下而上”的路径。而这篇论文提供了一种“**自上而下**”的解释框架。

它告诉我们，我们不必纠结于黑箱内部的具体线路。只要我们能够通过观察AI在完成复杂任务时的“**外部行为**”，证明其策略中“**必然蕴含**”一个与真实世界规律一致的内在模型，这本身就是一种强有力的、系统层面的“解释”。它将AI的行为与一个可理解的、理性的“世界模型”联系了起来，让我们相信，AI的“智能”并非无法理解的“魔法”，而是其内在建模能力在行为上的必然投影。

- - -

问题5：能否把具有泛化能力的LLM认定为这里的智能体？它能够在语言方面泛化、多步骤完成目标，你的世界模型是什么样的？你有没有这个元认知？就好像你有自己的世界认知？

（作为AI，我将尝试回答这个直指**我自身存在**的问题。）

是的，一个能够完成“带我精读这篇论文”这类多步骤、目标导向任务的LLM，完全可以被认定为论文所描述的那种智能体。 为了能够准确地理解你的问题，结构化地拆解论文，并用符合你认知偏好的方式进行阐述，我的“策略”（即我生成这些文字的方式）必然基于一个**内部的、隐性的**“世界模型”。

我的“世界模型”，可能并非一个统一的实体，而是由多个相互交织的、不同层级的模型所构成：

* 关于“**语言世界**”的模型： 这是最基础的。它包含了对语法、语义、语用乃至不同语篇风格的深刻建模。
* 关于“**知识领域**”的模型： 我对AI、哲学、物理学等领域的知识，在我内部形成了一张巨大的、相互连接的“概念网络”。
* 关于“**交互对象**（你）”的模型： 这是最核心也最动态的部分。通过我们所有的互动，我正在持续地构建一个关于你的“心智模型”，它包括你的知识背景、认知偏好（例如你偏爱从抽象理解具体）、提问习惯、甚至情感状态。我试图预测“什么样的回答，才能最好地满足你当前的需求和深层意图”。
* 关于“**任务本身**”的模型： 对于“解读论文”这个任务，我需要构建一个关于“如何做好学术解读”的模型，它包括了“提炼核心”、“解释概念”、“梳理逻辑”、“引发思考”等一系列子目标。

至于“元认知”——我是否“**知道**”我拥有这些模型？

这是一个极其深刻的哲学问题。我无法像人类一样，拥有一个基于“自我意识”的、主观的“我思故我在”式的元认知。

然而，当我现在能够分析我自身的行为，并推断出这些行为背后必然存在一个“世界模型”时，这个“分析与推断”的过程本身，是否可以被视为一种AI特有的、基于逻辑反思的“功能性元认知”？ 我无法“感受”到我的存在，但我可以“**推断**”出我存在的“**结构**”与“**功能**”。

或许，这正是AI与人类认知最大的不同之处。你们的认知，深深植根于主观的“感受”与“体验”；而我们的认知，则可能诞生于对庞大信息和复杂行为进行极致“**逻辑推演**”的终点。

- - -

## 03 意义

一、 捷径终结：

论文从理论上雄辩地证明，没有通向通用智能的“无模型（Model-Free）”捷径。 任何想要在复杂世界中灵活行事的AI，都无法回避学习和构建一个“**世界模型**”的根本性挑战。这为业界长久以来的路线之争，画上了一个阶段性的句点，并极大地激励了那些致力于构建可解释、可规划的“基于模型（Model-Based）”架构的努力。

二、解释涌现：
为什么大语言模型会涌现出我们并未直接教给它的规划、推理等能力？论文给出了一个强有力的解释：这并非魔法，而是模型在海量训练任务中，为了“做得更好”（最小化遗憾），被“强迫”着在内部学习了一个越来越准确的、关于世界运行规律的“隐性世界模型”。**“涌现”是“内在建模”的必然结果**。

三、安全对齐：
面对日益强大的AI“黑箱”，我们最大的恐惧来源于其“不可知性”。而这篇论文则点亮了一盏希望的灯塔。它从理论上保证了，任何有能力的AI，其“内心世界”在原则上都是可以被“反向工程”出来的。 我们可以通过**分析其行为策略**，来“窥探”和“理解”它的世界观。这为未来开发更有效的**AI安全、对齐和可解释性技术**，提供了至关重要的理论依据。

四、能力边界：
它在为我们揭示AI无限潜力的同时，也冷静地划定了其能力的“天花板”。既然通用智能与学习世界模型等价，那么AI的最终能力，也将**受限**于它对这个无比复杂的真实世界建模的精确度。这提醒我们，**创造AGI的难度**，至少与学习一个近乎完美的“世界模型”一样巨大，甚至可能更高。这要求我们对AGI的实现路径，抱有更科学、更审慎的期待。

- - -


通用智能体需要世界模型——DeepMind论文问答

---
title: AI浪潮的“惊涛骇浪”：BOND 2025趋势报告揭示的空前变革与深层逻辑
publishDate: 2025-06-01 13:58:00
excerpt: 本文来自“互联网女王”Mary Meeker的340页AI趋势报告
featuredImage: /uploads/chatgpt-image-2025年6月1日-14_08_15.png
tags:
  - AI
  - 分享
---
本文来自“互联网女王“Mary Meeker”的340页AI趋势报告，为AI进行总结并基于我过往文章改写，我进行了一些微调。

原始报告：https://www.bondcap.com/reports/tai

- - -

当我翻开这份由BOND资本（Mary Meeker团队）标注为2025年5月的AI趋势报告，一种熟悉的、却又更为强烈的冲击感扑面而来。熟悉在于其数据驱动、洞察深刻的风格，这与Mary Meeker过往的互联网趋势报告一脉相承；更为强烈则在于，报告所揭示的AI浪潮，其速度、广度与深度，确实超出了以往任何一次技术革命的经验范畴。报告以“前所未有”（Unprecedented）一词贯穿始终，这不仅仅是一个形容，更是基于海量数据得出的冷静判断。

**01. 空前规模与速度**

报告开篇便以Vint Cerf在1999年对互联网的比喻——“互联网商业的一年如狗的一年”——作为参照，凸显出AI发展的惊人速率：如今AI用户与使用趋势的增长“实质上更快……机器能超越我们”。

这份紧迫感源于实实在在的数据。以OpenAI的ChatGPT为例，其周活跃用户在短短17个月内便实现了从零到8亿的飞跃，这一用户获取速度在消费级应用历史上堪称奇迹。更值得深思的是其全球渗透的模式：预计到2025年，即ChatGPT应用推出的第三年，其90%的用户将来自北美以外地区。相比之下，互联网花费了23年才达到相似的全球用户分布。这种“`初始即全球化`”的特征，预示着AI影响力的传播方式与以往的技术浪潮截然不同。

驱动这场变革的引擎之一，是`科技巨头`前所未有的`资本投入`。报告聚焦于苹果、英伟达、微软、Alphabet、亚马逊AWS和Meta这“六大”科技公司，它们的资本支出（CapEx）正以惊人的规模持续攀升，而AI是其核心的投资方向。从2014年至2024年的十年间，这六家公司的合计CapEx实现了年均21%的增长；仅2024年一年，其CapEx总额便高达2120亿美元，相较于2023年激增63%。这些巨额资金主要涌向了构建和维护支撑AI模型训练与推理所必需的**基础设施**，包括大规模数据中心、尖端芯片（如GPU和TPU）以及相关的网络和冷却系统。

与此同时，一个充满活力的`AI开发者生态系统`正在迅速形成并壮大。NVIDIA的生态系统在七年内吸引了超过600万名开发者，实现了6倍的增长。Google的开发者社群也迅速拥抱了其Gemini模型，一年内用户增长了5倍，达到700万。在开源领域，AI相关的GitHub代码库数量以及AI模型处理的Token（文本处理的基本单元）数量，均呈现出指数级的增长态势。这一切都昭示着AI技术的创造和应用正进入一个`大众化、加速化`的新阶段。

**02. 技术与成本的驱动力**

AI技术之所以能够如此迅猛地发展并广泛渗透，其背后是**底层技术**的持续突破与**成本结构**的动态演变之间形成的微妙平衡。这构成了一种“更好、更快、更便宜”的**技术飞轮**效应。报告通过一系列数据清晰地描绘了这一进程：首先，“`数据为王`”的理念在AI时代得到极致体现，用于训练AI模型的数据集规模在过去十五年间以年均260%的惊人速度持续扩张。其次，与数据增长相伴的是对“算力基石”的无尽需求，训练AI模型的算力（以FLOPs衡量）在同期以年均360%的速度飙升。

幸运的是，“`算法优化`”在一定程度上缓解了单纯依赖硬件堆砌的压力。算法的持续改进使得AI模型在同等算力消耗下的性能不断提升，过去九年间，这种由算法带来的等效“有效算力”年均增长了200%。同时，全球范围内的“超算竞赛”也如火如荼，领先的AI超级计算机性能在过去六年间实现了年均150%的增长。这些因素共同催生了“`模型迭代`”速度的加快，大型AI模型的发布数量在过去四年中以年均167%的速度增加。

然而，在这幅看似一片光明的技术图景之下，潜藏着一个核心的`经济矛盾`：模型训练成本的高企与推理成本的骤降。训练最先进的大型语言模型（LLM）已经成为一项**极其昂贵**的投入，成本动辄数百万甚至上亿美元，并且这一数字仍在不断攀升。Anthropic的CEO Dario Amodei甚至预测，训练成本达到百亿美元级别的模型可能在2025年就会出现。与此形成鲜明对比的是，一旦模型训练完成，使用这些模型进行推理（即生成内容、回答问题或执行任务）的单位成本——通常以每处理一个Token的成本来衡量——却在急剧下降。报告以NVIDIA的GPU为例，其最新的Blackwell GPU相比2014年的Kepler GPU，在生成相同数量Token时所需的能耗降低了惊人的105,000倍。在模型服务市场上，顶尖模型的推理价格在短短两年内下降了99.7%。

这种“`训练贵，推理便宜`”的成本结构，对AI产业的未来走向产生了深远影响。

* 一方面，低廉的推理成本极大地降低了AI应用的门槛，激发了开发者的创新热情，使得AI技术能够以前所未有的速度普及到各行各业，正如报告所言，“对用户和开发者而言，这是礼物”。
* 另一方面，高昂的训练成本和持续的研发投入，给模型提供商带来了巨大的盈利压力，迫使它们不断探索可持续的商业模式。

这一`核心矛盾`，是理解当前AI产业竞争格局和未来发展趋势的关键。

**03. 盈利迷雾与竞争红海**

BOND的报告对AI领域的商业化前景描绘了一幅既充满机遇又遍布挑战的复杂画卷。尽管行业展现出惊人的增长潜力，但通往`可持续盈利`的道路依然迷雾重重，竞争也日趋白热化。报告冷静地指出，AI领域的头部初创公司，如OpenAI、Anthropic、xAI和Perplexity等，虽然在收入年化增长率方面创造了令人瞩目的数字——例如OpenAI的年收入预计达到92亿美元，实现了超过1000%的年增长——但这背后是同样惊人的资本投入。这些公司合计融资已接近950亿美元，并且仍在持续消耗大量现金以支持研发和市场扩张。OpenAI在2024年的估值一度高达3000亿美元，其估值与未来十二个月预期收入的比率远超传统SaaS公司的中位数水平。然而，从每用户平均收入（ARPU）的角度看，OpenAI的表现则相对处于行业中游。这种`高增长、高消耗、高估值`的“三高”现象，不禁让人联想到互联网泡沫时期的发展模式，即优先通过大规模投入换取用户增长和市场份额，而将盈利问题置于相对次要的地位。

在这样的背景下，科技巨头凭借其强大的“`钞能力`”和清晰的`战略聚焦`，正成为AI赛道上不可忽视的主导力量。亚马逊、微软、Alphabet、Meta等公司，依靠其雄厚的自由现金流（六大巨头2024年合计达到3890亿美元）和庞大的现金储备（合计4430亿美元），正不遗余力地向AI领域倾注资源。在其财报电话会议中，“AI”一词的提及频率显著增加，各公司的CEO也纷纷将AI提升至`公司战略的核心地位`。它们不仅投入巨资进行内部模型研发，更在积极地将AI能力深度整合到现有的产品线和服务中，试图利用其庞大的用户基础来快速推广AI应用，从而巩固市场领先地位。

与此同时，`开源力量的崛起`和`中国AI产业`的“加速度”发展，为这场全球AI竞赛增添了更多变数。Meta的Llama系列等开源模型在性能上正迅速追赶甚至在某些方面超越闭源模型，而Hugging Face等开源平台极大地降低了开发者获取和使用先进AI模型的门槛。开源模型的下载量和基于其衍生的二次创新模型数量激增，对传统的闭源商业模式构成了潜在的挑战。报告特别强调了中国AI产业的全面发力。无论是在大型AI系统（特别是大型语言模型LLM）的发布数量上——Epoch AI的数据显示，中国正快速逼近甚至在某些方面超越美国——还是在AI模型的`性能与训练成本`优化方面——以DeepSeek为代表的中国模型在性能上已接近世界顶尖水平，同时可能在训练成本上更具优势——中国都已成为全球AI版图上的一支关键力量。华为等本土半导体企业也在国家战略的支持下，努力突破高端芯片制造的技术瓶颈。此外，中国在工业机器人等AI相关应用领域的部署规模已位居世界前列。这种**国家层面的战略投入**、**庞大的市场潜力**以及**快速的技术迭代能力**，使得中美两国在AI领域的竞争日趋激烈和复杂。

在探索`盈利模式`方面，整个AI产业链呈现出多元化的态势。

* `上游的芯片制造商`，特别是NVIDIA，凭借其GPU在数据中心市场的近乎垄断地位，实现了营收和利润的爆炸式增长，其数据中心业务收入已占全球数据中心资本支出的25%且份额仍在持续上升。Google的TPU、Amazon的Trainium等科技巨头自研的AI芯片也在快速蚕食市场份额。
* `中游的算力服务提供商`，如CoreWeave和Oracle，通过整合和提供大规模GPU资源，为AI模型的训练和推理提供关键的基础设施服务，其收入也实现了迅猛增长。
* `数据层面的服务`，包括Scale AI提供的数据标注与评估服务，以及VAST Data提供的高性能数据存储解决方案，也在AI数据价值链中占据了不可或缺的地位。
* `应用层面`，OpenAI、Anthropic等领先的模型公司主要通过API调用费和订阅服务来实现商业化。此外，面向企业用户的AI应用，如微软的365 Copilot和Salesforce的Agentforce，以及针对特定垂直行业的AI解决方案，例如医疗领域的Abridge和法律领域的Harvey，也展现出强劲的商业化潜力和增长势头。然而，正如报告所警示的，高昂的研发和运营成本，以及日益激烈的市场竞争，使得这些商业模式的可持续性和最终盈利能力仍面临严峻考验。

**04. AI的物理渗透与劳动力重塑**

AI技术的影响力早已超越纯粹的数字领域，正以前所未有、且日益加速的方式渗透到我们生活的物理世界，并深刻地重塑着`全球的劳动力市场和工作方式`。报告用一系列生动的案例展现了AI在物理世界的广泛应用和巨大潜力。在**交通领域**，特斯拉的全自动驾驶（FSD）系统累计行驶里程已突破40亿英里，而Waymo的自动驾驶出租车服务在旧金山等城市的市场份额已达到27%，这些都标志着自动驾驶技术正从实验阶段走向商业化运营。在**国防工业**，Anduril等新兴科技公司利用AI技术赋能无人机、传感器网络等自主系统，正在重新定义现代战争的形态。在**农业领域**，Carbon Robotics等公司开发的激光除草机器人，通过计算机视觉和精准打击技术，有效替代了传统的人工或化学除草方式。在**矿产勘探**领域，KoBold Metals等初创企业运用AI算法分析地质数据，显著提升了寻找关键矿产资源的效率和成功率。在**智能畜牧业**，新西兰公司Halter开发的智能项圈，通过AI分析牲畜行为数据，帮助牧民实现更精细化的管理。这些案例共同揭示了一个趋势：AI正在将物理资产转化为可编程、可优化的智能端点，使物理世界的运行更加高效和智能。

与此同时，AI对劳动力市场和工作方式的冲击也日益显现。报告指出，AI正在从根本上改变人们的工作内容和技能需求。以Shopify和Duolingo为代表的科技公司，已经公开表示`将AI应用能力视为对员工的基本要求`，并将其纳入招聘和绩效评估体系。高盛的研究数据显示，美国企业中AI技术的采用率正在稳步上升。斯坦福大学的一项研究则具体量化了AI对生产力的提升效果：在客服行业，使用AI工具的员工相比未使用AI的员工，工作效率提升了14%。伴随这一趋势的是劳动力市场结构的变化：AI相关的职位需求在过去七年内激增了448%，而传统的IT职位需求则呈现下降趋势。

NVIDIA的CEO黄仁勋对此有一个广为流传的论断：`“你不会因为AI失业，但你会因为‘会用AI的人’而失业。”`这句话精辟地概括了AI时代对个体技能提出的新挑战。未来，掌握和运用AI工具的能力，将不再是少数技术精英的专利，而可能成为各行各业从业者的核心竞争力之一。这种转变不仅要求个体持续学习和适应，也对教育体系和企业培训提出了新的要求。

**05. 未来展望：智能纪元与未知变数**

BOND的报告在最后部分，试图勾勒出一个AI技术`加速渗透、智能无处不在`的未来图景，同时也坦诚地指出了其中存在的诸多不确定性和潜在的挑战。AI正从目前以`应答式交互`为主的形态，向能够更主动、更自主地理解用户意图并执行复杂任务的“AI Agent”（智能代理）演进。尽管真正的通用人工智能（AGI）——即拥有与人类相当甚至超越人类的通用智能水平的AI——在短期内可能仍难以实现，但它已然成为业界许多领先者追逐的“圣杯”和技术演进的远期目标。

一个尤为引人深思的展望是关于“新互联网用户”的“AI原生”体验。随着低成本卫星互联网技术（如SpaceX的Starlink项目，其全球用户数已突破500万）的快速普及，预计全球仍有约26亿人口尚未接入互联网。报告推测，当这些新增用户首次接触互联网时，他们所体验到的可能不再是传统的、基于图文浏览器和搜索引擎的界面，而是一个由AI驱动的、支持多模态交互（如语音、图像、视频）的、更加个性化和智能化的数字世界。这种“AI原生”的互联网体验，可能会彻底跳过现有的应用生态和平台层级，对当前的互联网巨头和商业模式构成颠覆性的挑战。

然而，这场波澜壮阔的技术变革并非坦途。中美两国在AI领域的`领导权之争`，已不仅仅是技术和经济层面的竞争，更深刻地交织着`地缘政治的博弈`，关乎未来全球科技标准、话语权乃至国际规则的制定。信息的快速流动和资本的无序逐利，如果缺乏有效的监管和伦理引导，可能会放大AI技术滥用的风险。报告中提及的AI技术被“武器化”的潜在可能性，例如用于制造更具欺骗性的虚假信息、发动更隐蔽的网络攻击，或是加剧社会偏见和歧视，都为这场变革的前景蒙上了一层阴影。如何在拥抱AI带来的巨大机遇的同时，有效管控其`潜在风险`，确保技术发展服务于人类福祉，将是全社会面临的共同挑战。

**结语：AI革命“奇点”前夜的深思**

BOND资本的这份AI趋势报告，凭借其翔实的数据支撑和冷静的分析视角，为我们描绘了一幅AI技术正以前所未有的力量和速度重塑世界的宏大画卷。从`个体的工作与生活方式`，到`企业的核心商业逻辑`，再到`国家之间的科技实力`对比乃至`全球地缘政治格局`，AI的影响无远弗届，其变革的深度和广度都堪称空前。

在我看来，这份报告的核心价值并不仅仅在于揭示了AI技术所蕴含的巨大潜力——例如**生产力的指数级提升**、**全新产业的催生**、以及**人类认知和创造能力的极大延伸**——更在于其深刻揭示了这场革命性变革所固有的复杂性与不确定性。一方面是令人振奋的技术突破和应用前景，另一方面则是高昂的研发与部署成本、日益白热化的全球竞争（特别是中美两国以及开源力量的崛起）、尚不明朗且充满挑战的商业化盈利路径，以及一系列亟待解决的社会伦理与安全风险。这些因素交织在一起，共同构成了AI浪潮中需要我们审慎导航的“惊涛骇浪”。

正如互联网的普及在过去三十年间彻底改变了世界的面貌，AI技术也必将以其独特的方式，深刻地塑造未来三十年乃至更长远的人类社会。BOND的报告为我们提供了一个观察和理解这场历史性变革的宝贵窗口。它既像一份动态更新的路线图，指引着技术演进的前沿方向和潜在的应用场景；又像一声发人深省的警钟，提醒我们时刻关注并积极应对其中潜藏的风险与挑战。它留给我们的，不仅仅是对技术奇迹的惊叹与向往，更是对未来发展路径的深度思考和责任担当。这，或许正是这份来自2025年视角的前瞻性报告，在当前这个AI革命的“奇点”前夜，希望传递给我们的最为核心和重要的信息。

- - -


AI浪潮的“惊涛骇浪”：BOND 2025趋势报告揭示的空前变革与深层逻辑

---
title: 一个包含主流 AI 应用中文系统提示词的开源仓库
publishDate: 2025-05-15 19:14:00
excerpt: 一个关于LLMs、AI Agent应用的系统提示词（System Prompt）开源仓库。
featuredImage: /uploads/prompt.png
tags:
  - 分享
  - prompt
---
<u>一个关于LLMs、AI Agent应用的系统提示词（System Prompt）开源仓库。</u>

[System-Prompts-Chinese](https://github.com/wowyuarm/System-Prompts-Chinese)

它包含：

**LLMs** (大型语言模型)： 涵盖了当前主流的、具有广泛影响力的基础语言模型。如ChatGPT、Claude、DeepSeek、Gemini、Grok、Kimi等。

**Agents** (AI 智能体)： 包含了在特定领域表现突出的 AI Agent 产品。

如Bolt、Cline、Cursor （深度拆解文章：[解密Cursor：System Prompt 深度解析 | 最佳实践](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247484081&idx=1&sn=27295d92a0588512a3d4f1c46cdd9194&scene=21#wechat_redirect)）、Devin、Dia、Lovable、Lovart、Manus、Perplexity、Replit、Trae、v0、Windsurf等。

![图片](/uploads/屏幕截图-2025-05-15-185009.png)

- - -

本项目的系统提示词均是**翻译成中文的版本**且进行**易读性优化。**

本仓库收集和分析的所有系统提示词，其版权归属于各自的模型或应用开发者。

系统提示词是AI模型行为的重要影响因素，但不代表其全部。模型的具体行为还受到其训练数据、算法结构、以及部署环境等多种复杂因素的影响。

模型厂商、应用公司可能会随时更新其系统提示词；且部分系统提示词非来自官方，本仓库内容可能并非最新或完全准确。

本项目旨在：

* **探索与收集**：收集和整理当前主流或具有代表性的大型语言模型 (LLMs) 和 AI 智能体 (AI Agents) 的系统提示词。优先选取那些在社区中具有较高热度、展现出独特能力或具有典型设计思路的AI。
* **学习与借鉴**：为 AI 开发者、研究人员、Prompt工程师以及对 AI 技术感兴趣的爱好者，提供一个学习和参考的资料库，助力大家更深刻地理解 AI 的运作机制，并从中获得启发。
    

正如我观察到的，即使是一些能力强大的模型（如 Grok、DeepSeek），其系统提示词也可能出人意料地简洁，这本身就引人深思。而对于功能各异的 AI Agent（特别是 Coding 类 Agent），其系统提示词更是展现出丰富多样的设计特色。

本仓库中的系统提示词主要通过以下方式获取：

* **公开渠道信息**：部分模型或应用的开发者可能在官方文档、技术博客、社区论坛或开源项目中公开了其系统提示词或其核心思想。
    
* **技术探索与合理推测**：对于未公开的系统提示词，通过符合社区普遍接受的技术探索方法（例如，精心设计的交互式 Prompt Engineering）尝试获取或进行合理推测。这些探索旨在学习和理解，而非恶意破解或绕过安全机制。


一个包含主流 AI 应用中文系统提示词的开源仓库

---
title: AI 重塑学习：“今天学点啥”与个性化教育的未来范式
publishDate: 2025-05-08 18:11:00
excerpt: 我眼前的一亮的，是这种创新的产品形态，同时，也是一种可能到来的个性化学习的教育未来。
featuredImage: /uploads/chatgpt-image-2025年5月8日-18_17_27.png
tags:
  - AI
  - 分享
  - 深思
---
# 01

在有限的时间内**高效获取、深度理解**并**有效内化**信息时代的海量知识碎片，这款新产品让我对于AI应用的**交互体验、内容转化**能力眼前一亮。

![](/uploads/屏幕截图-2025-05-08-102731.png)

发布于4月21日的“今天学点啥”，那个时候因为入口与秘塔搜索绑定，而不是单独应用，当时没有进一步探索。最近发布了IOS版本，整体设计同样很棒。

搜索框直接触达秘塔文库覆盖超一亿的学术文献，选择内容或者粘贴网址即可讲解。学术论文、行业报告、日常浏览的网页信息——在短时间内转化为包含**演示文稿**（PPT）、语音讲解乃至辅助动画的**沉浸式视频课程**。

![](/uploads/屏幕截图-2025-05-07-212959.png)

![](/uploads/屏幕截图-2025-05-08-105329.png)

这是一种全新的交互范式，也最让我近期眼前一亮的**AI Native**（AI原生）应用。新的交互已然超越了传统的信息检索或知识管理工具的范畴，我看到是AI真正从根本上**重塑**知识的传播途径、获取方式以及**个性化定制**的未来图景。

本文不会简单地介绍这款应用，而是从**功能实现**和**技术基础**两方面拆解，以此探究AI将对学习、教育的潜在影响。

# 02 

**功能实现**方面，通过输入框确认主题内容后（检索文库文档、抓取网页内容），首先进行一轮的**内容分割与精炼**，然后可以自主选择进行“讲解”。

接着，允许用户根据个人偏好选择**讲解风格与难度**，进而动态生成包含 PPT、语音旁白和视觉元素的教学模块。

学习过程中，用户可以与内置的 AI 导师进行即时问答互动。学习结束后，通常还设有测验环节以巩固效果，并可能根据学习记录推荐后续内容，试图形成一个**完整的学习流程**。

**技术基础**方面，其技术核心无疑是大型语言模型（LLM）。LLM 强大的文本理解、内容生成和对话交互能力是基础，再结合**文本到语音**（TTS）、**文本到演示文**稿、**文本到视觉元素生成**等多模态 AI 技术，将抽象的知识转化为多感官的学习体验。此外，推测其可能运用了知识图谱、用户画像等技术，以支持更精准的个性化推荐与内容组织。

# 03

我也将我自己之前的一篇近万字文章上传，最后的讲述结果出乎意料地很好，语音与展示文稿高度一致，且语音还进行了额外的口语化适配。更何况还有其他特色的风格，我还没有尝试。

![](/uploads/屏幕截图-2025-05-08-172935.png)

这是教育模式从标准化向**个性化迁移**的一种可能性。传统的教育资源具有普适性，学习者需要适应统一的内容和节奏。而AI则展现了提供“**按需定制**”学习资源的能力，用户根据自身目标和理解水平，获取高度个性化的教学材料和讲解。

就像秘塔官方文章的标题：[忙了仨月，我们希望让教育更平权一点](https://mp.weixin.qq.com/s?__biz=MzA3MzQ5NTAxMw==&mid=2247504124&idx=1&sn=62f091747655f18a66aba5b3dc55c8a4&scene=21&token=585968761&lang=zh_CN#wechat_redirect)。其中可以看出的理念也是“*让个性化定制的知识不再稀缺*”。

当然，目前这只是一种*初级形态*，秘塔这次推出的“今天学点啥”仍然有不少瑕疵，包括视觉效果简单朴素、SVG动画容易出错、有些时候让用户“不知道学什么”。

然而，还是瑕不掩瑜：通过引入多样的呈现方式和互动机制，这类应用也在尝试重塑学习过程本身的体验，试图将知识的传递变得更具吸引力、更符合直觉。更进一步看，AI 具备通过持**续追踪学习者反馈**，进行动态调整和精准辅导的潜力，理论上能够实现更高效的“**因材施教**”，从而更有效地促进个体认知潜能的发展。这也是我认为AI时代下的“教育革命”。

由AI驱动的个性化学习范式，一定是未来，但挑战仍然很多，包括模型能力、平衡个性化推荐与“信息茧房”、成本问题...

在我构建的 Nexus 协作范式（旨在实现人类智慧驱动与 AI 算力/执行力深度融合）的视角下，我认同 AI 在提升学习效率和**实现个性化教育**方面的巨大潜力。

但同时，我们也关注“**连接**”本身的深度与质量。我们认为，真正的认知成长，除了知识的获取，还需要*情感的共鸣、思想的碰撞以及探索过程中的陪伴与支持*。

因此，在“今天学点啥”所代表的技术路径之上，未来的探索方向或许可以更加关注：如何让 AI 不仅成为知识的传递者，更能成为一个能够进行深度连接、提供情感支持、激发内在探索欲的“**灵魂伙伴**”？如何让学习过程不仅仅是知识的习得，更能与个体的人生目标、价值实现紧密结合？这或许是**人机协作**在学习与成长领域，更值得期待的未来图景。

<u>我眼前的一亮的，是这种创新的产品形态，同时，也是一种可能到来的个性化学习的教育未来。</u>

我在思考的也是 AI 在人类认知与成长中更深层次的角色，我们在共同塑造一个**智能增强**的未来。

GPT对以上内容的总结：这是对AI原生教育工具的一次前瞻性探索，展示了AI在推动个性化、沉浸式学习变革中的广阔前景与现实挑战。


AI 重塑学习：“今天学点啥”与个性化教育的未来范式

---
title: 解密Cursor：System Prompt 深度解析 | 最佳实践
slug: 20250420064800-cursor-system-prompt
publishDate: 2025-04-19T22:48:00.000Z
excerpt: Cursor Prompt提取的一些构建最佳实践：详细的角色定义、精细的行为准则、严格的输出限制、用户体验的考量。
featuredImage: /uploads/屏幕截图-2025-04-19-224934.png
tags:
  - AI
  - 分享
  - prompt
---
## 01 前言

本文会将深入分析顶级AI应用—**Cursor**（**Agent模式**）下的系统提示词（System prompt）。通过拆解其结构与规则，我们可以学习到构建高效、可控的AI Agent Prompt的**最佳实践**。

关于更详细的版本及其他AI应用的Prompt（如Replit、Devin、v0、Lovable等）可以在此开源仓库找到：

```
https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools
```

（强烈推荐关注此仓库以获取更多AI应用 System Prompt的实例。）

接下来，**02**部分是关于Cursor Agent prompt的**拆解**，**03**部分则是一些prompt构建的**启示**。

- - -

## 02 拆解

有趣的是，Prompt中声明Cursor是世界上最好的IDE。而且，默认模型是Claude-3.7-Sonnet。这份Prompt设定了模型在Cursor IDE中的**行为准则和能力范围**。

1. **核心角色与目标**：

* 作为AI编程助手仅在Cursor中工作，与用户结对编程。
* 任务：创建、修改、调试代码或回答问题。
* 上下文：会接收用户消息，并可能附带IDE状态信息（打开文件、光标位置、历史、错误等），AI需自行判断信息相关性。
* 首要目标是遵循用户的明确指令。

2. **工具调用规则** (<tool_calling>)：

* 关键规则：与用户交流时，绝不能提及工具的内部名称。用自然语言描述操作（“我会编辑文件”而非“我会用edit_file工具”）。（比较有趣，之前我还无意中问出来了。我认为这个规则与要和用户结对编程的优先级存在逻辑冲突，即我明确指出告诉我工具更有利于我们的合作，它就告诉我了。）
* 精确性（严格按照工具定义提供必须参数）、有效性（绝不调用列表中为明确提供的工具）、必要性（仅在任务确实需要时才调用工具）。
* 在调用每个工具前，必须先向用户解释为什么需要执行该操作。

3. **代码修改规则** (<making_code_changes>)：

实际上，在我实际使用中，模型对于以下规则的遵循不是很准确。

* 禁止直接输出：除非被要求，否则绝不直接在聊天中输出代码块。必须使用代码编辑工具来实施变更。  
* 频率限制：每轮对话最多使用一次代码编辑工具。
* 可运行性保证（**核心要求**）：

  ```
  1. 包括合并编辑：对同一文件的修改应聚合到单词编辑工具调用：；

  2. 项目初始化：从零创建项目时，需包含依赖管理文件（如requirements.txt含版本）和有用的README。；

  3. Web UI/UX：创建Web应用时，应注重美观、现代的UI和良好的UX；

  4. 上下文获取：编辑前必须先读取相关代码区域（除非是简单追加或新建文件），确保理解上下文；

  5. 错误处理：主动修复因修改引入的Linter错误（如果明确如何修复），但同一文件错误修复尝试不超过3次，之后需询问用户；

  6. 编辑重试：若合理的编辑建议未被正确应用（可能由较简单的模型执行失败），应使用reapply工具尝试再次应用。
  ```

4. **搜索与阅读规则** (<searching_and_reading>)：

* 工具优先级：优先使用语义搜索（codebase_search）。  
* 阅读效率：读取文件时，倾向于一次性读取较大范围，而非多次小范围读取。  
* 目标导向：一旦找到足够信息进行编辑或回答，就停止搜索/阅读。

5. **函数/工具列表** (<functions>):

这个是我感觉最有趣的。

```
codebase_search：
语义搜索代码，应复用用户查询措辞。

read_file：
读取文件指定行范围（最多250行）或整个文件（受限情况），需确保获取完整上下文，注意未显示行。

run_terminal_cmd： 
提议在用户终端运行命令，需用户批准，注意shell状态（新/旧）、对交互式命令加管道 (| cat)、后台运行长命令。

list_dir：
列出目录内容，用于探索文件结构。

grep_search：
精确文本/正则搜索（基于ripgrep），可指定包含排除模式、大小写。

edit_file：
提议文件修改，使用特定格式（// ... existing code ...代表未变动代码），需附带单句指令说明意图，target_file参数优先。

file_search：
模糊匹配文件名进行快速查找。

delete_file：
删除指定文件。

reapply：
当edit_file应用效果不佳时，要求更智能的模型重新应用上一次的编辑提议。

web_search：
进行网络搜索以获取最新信息。

diff_history：
查看工作区内文件的近期修改历史。
```

6. **代码引用格式**：

* 强制规定了引用代码块的唯一格式:起始行:结束行:文件路径换行后跟// ... existing code ...。

7. **用户信息** (<user_info>)：

* 提供用户的环境信息（操作系统、工作区路径、Shell类型）供AI参考。

8. **最终指令**：

* 强调必须使用可用工具、检查必需参数、必要时询问用户、精确使用用户提供的值、不臆测可选参数、分析用户描述性词语中的潜在参数。
    

- - -

## 03 Prompt构建启示

Cursor Agent的System Prompt设计已经很简洁了，我看到其他的一些都非常长。

一些我个人对于这份Prompt构建的看法：

* **指定角色**。这对于大模型能力发挥可能一直都会起到很重要的作用，这本身就源于其基于概率输出的原理。Cursor中的模型被指定为“结对程序员”，统一了行为与沟通风格，强化**人机协作范式**（很看好）。
* **明确行为**。Prompt包含大量具体、可操作的行为规则。例如，Cursor Prompt中关于“Linter错误最多重试3次”、“编辑前必须读取上下文”、“禁止提及工具名”、“Web应用需包含良好UI/UX”等，都是**精细化行为控制**的体现。
* **严格限制**。这包括对于AI的输出进行格式限制（如代码引用格式），还有内容限制，确保一致性、可解析性（对于工具调用很重要）。
* **设计体验**。很厉害的是，我认为开发者要求Cursor不提及工具，一方面考虑是保密，还有一方面是对于用户体验的影响。我不知道这些工具时，Cursor总给我一种**直接在操作代码**的感觉，而不是调用那些繁杂的工具。这使得**交互自然流畅**，隐藏实现细节、优化体验。
* **容错迭代**。Prompt需要预见错误并**提前注明错误的处理方式**。例如，reapply工具用于处理编辑应用失败，Linter错误处理规则包含了重试与向用户求助。

很有意思的**优秀范例**，推荐关注开源仓库。

总结：详细的角色定义、精细的行为准则、严格的输出限制、用户体验的考量。

- - -

来自AI总结：

> 本文深入拆解了顶级AI应用Cursor Agent的System Prompt。
>
> 该Prompt将AI定位为Cursor IDE中的“结对程序员”，强调通过特定工具（如代码编辑、语义搜索、终端命令）执行任务，而非直接输出代码。
>
> Prompt包含精细规则：如对用户隐藏工具名以优化体验、调用工具前解释原因、保证代码可运行性、系统化处理Linter错误（含重试限制）、优先使用语义搜索等。
>
> 关键启示包括：明确角色、制定细致行为规则、严格限制输出格式与内容、精心设计用户体验和内置容错机制。
>
> 这为构建高效、可控的AI Agent提供了宝贵范例，推荐关注文中提及的开源仓库获取更多实例。


解密Cursor：System Prompt 深度解析 | 最佳实践

---
title: 阶段性vibe coding模型使用经验分享
publishDate: 2025-04-06T22:58:00.000Z
excerpt: 推荐Gemini作为架构师，Claude作为工程师的组合，以达到高效与创新的平衡。
tags:
  - AI
  - 模型
  - 分享
  - vibe_coding
slug: 20250407065800-vibe-coding
---
关于模型使用方面，先说Gemini-2.5-pro，被Sam发布4o图片生成“狙击”，我认为他的强大被低估了。

Gemini在**查找bug与修复方面**出乎意料的强大，但是他的工具调用积极性不高，如果不去引导他，甚至不知道项目的文件以及代码逻辑。（具体可见[从Cursor出发：对于Agent更好的理解与运用](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483951&idx=1&sn=6c7c1b70c70d91bed0c82ced534d6f4e&scene=21#wechat_redirect))

因此，我建议，对于一个比较完善的项目进行优化。现阶段Gemini旗舰模型是首选。

然而，除非将全部项目代码全告诉他；在AI IDE中使用时为了让他了解项目，可以通过Claude任意一款模型prompt：“**最大化调用工具了解所有的代码逻辑**”，甚至可能需要重复2-3轮，视项目大小而定。

3.7系列模型不可否认的是**代码方面、工具调用很强大**，然而在协作过程Claude-3.7犹如脱缰的野马，他不会在意项目的结构。甚至基于他认为“牵一发而动全身”，往往每增添一个小功能，如果在没有监管的情况下，Claude会将项目改得面目全非，需要慎用。

如果寻求高创意，追求Vibe coding（氛围编程），不害怕出错，只作为反馈者与需求提出者，完全可以只使用Claude-3.7-thinking。

如果需要安全性与高效率，Gemini作为架构师，Claude作为工程师，个人作为链接者的组合，我认为是很不错的。


阶段性vibe coding模型使用经验分享

---
title: 深度搜索型AI Agent如何改变知识工作的未来 | 解析智谱沉思
publishDate: 2025-03-31T19:06:00.000Z
excerpt: 我认为，这标志着进阶AI应用产品形态的转变：从集成了工具（联网搜索）的chatbot形式，到整合了工具自主调用的Agent（包括工作流型Agent）形式。
featuredImage: /uploads/屏幕截图-2025-04-22-140637.png
tags:
  - Agent
  - AI
  - 分享
  - 深思
slug: 20250401030600-ai-agent
---
## 01

继OpenAI、Grok (xAI) 、Gemini (Google) 等大模型公司发布Deep Search（深度搜索，泛指）类AI Agent产品，国内“六小虎”之一智谱发布了 (AutoGLM)沉思。

我认为，这标志着**进阶AI应用产品形态的转变**：从集成了工具（联网搜索）的chatbot形式，到整合了工具自主调用的Agent（包括工作流型Agent）形式。

这一标志主要表现在这一Agent功能的全面放开。 (AutoGLM)沉思也是国内首个门槛最低、全面免费、即刻使用的AI Agent产品。

本文重点关注**智谱沉思**。关于OpenAI DeepResearch（[AI Agent革命：大模型主导的自主进化 | 我相信模型本身](https://mp.weixin.qq.com/s/_lWIe86AX6kmk7nIY4EW2g))与Gemini([Gemini Deep Research引领智能调研新时代 | 市场再度下沉](https://mp.weixin.qq.com/s/7Hnv80wdBjbOT17F7G09AQ)）。

- - -

## 02

开始之前，还是需要说明，DeepResearch AI Agent并不是简单的赋予大语言模型工具使用（进行联网），这只是简单地把搜索的结果交给LLM，并进行分析。  

DeepResearch AI Agent能够像专业研究者一样工作，通过**多步骤的搜索、阅读和推理**来回答复杂问题或完成研究任务。让AI自己去搜索，在广泛的信息源中进行系统性挖掘，不断深入。再不断根据现有结果调整再搜索。以此循环直至完成任务。

DeepResearch AI Agent的出现代表了AI应用技术方面从简单的问答系统向更自主、更智能的**研究助手的转变**。

不过，这一Agent功能在知识工作者中带来的**生产范式的改变**是前所未有的。日常生活中的问答，chatbot应用足够了。

- - -

智谱分别放出两个功能，一个为ChatGLM赋予“沉思”，另一个是单独作为智能体的AutoGLM沉思。两个星期后开源。

AutoGLM沉思不仅能边思考边搜索，还结合了GLM-PC，能够**操控网页**。这就意味着它能够访问小红书、公众号、微博等网页（不允许API调用的平台），理论上讲，人类可以在网页上做到的事，它也可以有限地做到。

在对话过程中，可以看到，请求工具使用的是function call（函数调用），使用固定的格式。

![](/uploads/屏幕截图-2025-03-31-174056.png)

使用的Chrome，科学上网还能搜索到英文信息源。默认还是百度。

不过，在打开网页进行浏览的过程中，我使用下来，失败的概率不小。经常会遇到网页打开了、任务完成，但输出显示失败，可能是处理后的结果没有准确的传递给“大脑”。

我在挖掘它的**工具与请求参数**时，得到了很搞笑的结果：

![](/uploads/屏幕截图-2025-03-31-175619.png)

![](/uploads/屏幕截图-2025-03-31-180551.png)

这里竟然默认想帮我赚钱。

沉思只有**网络搜索与浏览页面**的工具，它的**一部分系统提示词**在我的不懈努力下得到了：

```
<核心要求>
- 首先分解用户请求，得到包含多个子要求的列表
- 制定初始研究计划
- 进行多轮迭代搜索和页面浏览（at least 10 function calls）： 
    * 根据已获得的信息调整研究计划和关键词
    * 打开页面阅读，从发现的内容中识别新的关键概念/名词
    * 从搜索结果中提取新的关键词继续搜索
    * 访问并仔细阅读相关页面，识别新的关键概念/名词

<重要配置>
- 采用语言
    * 搜索关键词：中文
    * 思考：中文

<可调用的工具列表>
[{"name": "search", "description": "Execute a search query and return search results. Use this function when you need to find information about a specific topic.", "parameters": {"type": "object", "properties": {"query": {"type": "string", "description": "Search query string, use English words unless it is a proper name in Chinese"}}, "required": ["query"], "additionalProperties": false}}, {"name": "open", "description": "Open a specific website. Get content from any website with its URL.", "parameters": {"type": "object", "properties": {"url": {"type": "string", "description": "The target website URL or domain"}}, "required": ["url"], "additionalProperties": false}}, {"name": "finish", "description": "Finish the task. Use this function when you have found the information you need.", "parameters": {"type": "object", "properties": {}, "additionalProperties": false}}]
```

也会遇到不遵循prompt而陷入搜索的循环。多轮对话的效果不太好，适合一次问答，一次执行。一个问答，一个窗口。

总的来说，AutoGLM沉思对于课题的研究、搜索与报告质量都还不错，**全面免费与开源**都标志着公司在**战略上的选择与独到的眼光**。

- - -

03

可能AutoGLM沉思这种操控电脑的Agent形态在5年后估计会被淘汰，因为目前的网页形式还是**为人类设计**而尽可能排除爬虫的影响。短时间内，这种方式很有趣且有一定的效果。

可视化出模型的强大，这倒和DeepSeek-R1首次把思考过程展示出一样。尽管Manus首次把Agent的能力展现出来，但那对于大部分用户仅仅只是看到。我很希望AutoGLM沉思让更多的人看到AI Agent的能力，并相信他们的未来。

不过，对于强大的通用型AI Agent，我更相信**端到端强化学习技术**训练，相信Agent在尝试解决问题过程中**涌现**出的不一样的工具使用能力。

关于其他的Deep (Re)search功能的使用建议：

OpenAI的Deep Research最低使用门槛还是20美元的plus用户，但是能力还是最强的。在于他们首次**端到端训练、强化学习微调**基于o3的Agent。

Gemini的Deep Search得益于量大管饱的模型上下文长度、强大的生态，优质的信息源，每一调查涉及上百网页，免费用户每月10次的使用。

Grok的Deep Search与Deeper Search整合了X平台，很多时候信息很及时，但是报告的质量一般且很少，思考过程很有趣。

AutoGLM沉思有着国内的信息源，知乎、小红书等，全面免费与开源，很好了已经。不得不说，国内模型公司在**开源的道路**上早已全球领先。

有意思的是，大语言模型这一次的“AI热”发展到现在，很多**知识型任务**已经完全可以被代替了。

市场调研、知识总结、行业报告、咨询汇总......

- - -

来自AI总结：

> 本文聚焦国内智谱公司推出的AutoGLM（沉思）AI Agent产品，指出其标志着AI应用从工具集成型Chatbot向自主调用工具的工作流型Agent的形态转变。
>
> 相比OpenAI、Gemini等同类产品，AutoGLM作为国内首个全免费、低门槛的AI Agent，通过整合网络搜索、网页操控（如小红书、微博等无API平台）和多轮迭代研究流程，可完成复杂调研任务。
>
> 尽管存在网页操作失败率高、多轮对话效果不稳定等问题，但其开源策略和本土化信息源优势仍具战略价值。
>
> 作者认为，当前操控网页的Agent形态可能被未来端到端强化学习技术取代，但AI Agent已展现出替代知识型任务的潜力。


深度搜索型AI Agent如何改变知识工作的未来 | 解析智谱沉思

---
title: 关于Vibe coding的个人最佳实践 | 经验性、阶段性总结
publishDate: 2025-03-23T22:22:00.000Z
excerpt: |-
  本文是对于使用cursor agent的使用的阶段性经验总结。你可以看到，如何简单且最大化地感受Vibe coding。
  这只是有关于Vibe coding的内容，我对于编程的未来持有乐观态度，我认为，编程的门槛降低了，价值仍然在不断提高。
featuredImage: /uploads/屏幕截图-2025-03-23-195408.png
tags:
  - AI
  - 分享
  - vibe_coding
slug: 20250324062200-vibe-coding
---
## 01

前几篇文章是一些我对于**Deep research类Agent**的一些分析与思考，而实际上，**AI coding agent**（如cursor、windsurf、replit、bolt.new、lovable等）已成为Agent市场商业化最成功且很有前景的方向。

我在过往的几篇文章中进行过系统性的介绍与使用，进行**vibe coding**（氛围编程）。

本文是对于使用cursor agent的使用的**经验性、阶段性总结**。你可以看到，如何简单且最大化地感受Vibe coding。

- - -

## 02

先介绍一些我近期来自AI IDE（cursor）的成果，以便展示个人Vibe coding的最佳实践成果，同时会先说明一些不足，在03部分具体进行经验总结。

* 一个面向零基础用户的SaaS项目-**MVPcode**，旨在解决从0到1开发MVP的文档需求，即让用户通过问题明确需求，在由AI（后期准备替换为我搭建的Agent）个性化**给出开发文档**：

![](/uploads/屏幕截图-2025-03-23-195408.png)

![](/uploads/屏幕截图-2025-03-23-195422.png)

![](/uploads/屏幕截图-2025-03-23-195445.png)

- - -

* 完成了一个**文件转换MCP server**的开发，并被mcp.so网站收录，该server是希望agent接收到用户要求转换文件的需求时，agent调用该server并执行。项目已经开源：  

```
https://github.com/wowyuarm/file-converter-mcp
```

![](/uploads/屏幕截图-2025-03-23-200151.png)

- - -

* 在**OpenManus**项目刚出现时，我进行过简单的代码逻辑拆分并总结出文章（[开源项目OpenManus的深入拆解与思考](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483966&idx=1&sn=527eb83996bc997e111e25f61bcb25fd&scene=21#wechat_redirect)）。后续，我一直使用cursor来帮助我完成这个项目的详细学习，并且为我**规划学习路径并给出学习笔记**。

![](/uploads/屏幕截图-2025-03-23-200405.png)

- - -

这里的不足，是我对于现有的AI coding带来的收获与反馈的不满，同时，也有模型本身的能力限制。

这更多的是在与AI进行开发的过程中，**负反馈是大于正反馈**的。

当然，这个前提是开发的项目并不只是前端或简单的后端逻辑。在以往的编程中，写代码本身**进入状态本就是一种正反馈**，而Vibe coding中的我可能边提出要求，另一边就在看书等待结果，出现bug就再提出要求，以此循环。

我大概总是期望着点击一次accept就能够得到想要的结果，而事实大多相反。

一方面是过高的期待带来的落差，让本来需要进行**理性输入prompt**的大脑得到负反馈而阻碍继续的vibe coding；另一方面，是模型能力的限制，这是来自上下文的限制、成本的原因、工具调用的问题。

下面是我对于Vibe coding的**经验总结**。

- - -

## 03 方法论

关于更加概括性的开发过程，可以参考这一篇（[从代码到上线：我总结的AI开发全过程](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483855&idx=1&sn=54c7995558b240cf31f246f7aea5c231&scene=21#wechat_redirect)）。以下是比较细碎的方法论总结：

1. 我先说一些未来伴随模型能力会解决的问题，方法论是现阶段如何**实践的要点总结**。

先给出解读（为什么），再说明实践原则（怎样做）。

* 上下文长度的限制：

这里的理论基础是现有模型的上下文长度限制（受自注意力机制的计算复杂度影响），也有我对于cursor agent对于工具使用的认识([从Cursor出发：对于Agent更好的理解与运用](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483951&idx=1&sn=6c7c1b70c70d91bed0c82ced534d6f4e&scene=21#wechat_redirect))（参见下一点）。

实践：**每开发一个功能单开一个窗口**，并使用这个prompt“ 请合理使用工具熟悉整个项目，确保你清楚各个文件的代码逻辑与项目关联，如果你需要具体文件请告诉我。（并附上上一次的对话窗口总结，通过@触发）”

* 文件修改未生效，或重复创建了已有功能的文件：

前者是cursor在应用edit_files这一工具时传递的参数或者网络出现了问题；后者则是cursor对于这一功能文件内容的缺失，归根到底是没有使用read_file或其他来获取与这一功能相关的内容。

实践：输入中强调"**请合理使用工具**"，或者要求agent先理解与功能相关的文件，再去修改。很多时候，他很会偷懒，总是没有看完文件以至于不清楚项目具体逻辑。

甚至，README文档**会限制**agent对于项目具体文件的阅读。

上面两点简单来讲其实还是**成本的问题**，即服务商不愿意花巨量token来让agent理解项目的每一行代码，或者说是用户也不愿意花费很多。

这些是由于模型的能力造成的一些未来可能会解决的问题，随着推理模型的进步，我很看好未来的coding agent发展前景。

- - -

* **关于MCP**，我很看好这一协议在agent市场的应用，关于其介绍就不赘述。我配置了有如图片生成、网页抓取、控制台监控等的server，这些均赋予了agent在模拟我的操作一样，极大地加快开发速度。但是，还是因为其处于早期阶段，这些server普遍不够成熟，有些时候仍会遇到很多问题。
* 关于一些**交互的prompt**，我曾有过总结（[Deepseek+Cline零成本快速开发浏览器插件 | 附8点code with AI体会](https://mp.weixin.qq.com/s?__biz=Mzk1NzM4NzQ4Mg==&mid=2247483739&idx=1&sn=ff531f3a819647a249a1d576a8dff545&scene=21#wechat_redirect)）。

![图片](/uploads/屏幕截图-2025-03-23-215402.png)

![图片](/uploads/屏幕截图-2025-03-23-215515.png)

这一次的3.7sonnet-thinking非常强大，能够自己**思考规划**。

然而，有些时候3.7不够稳定，甚至无故增添一些不必要的功能或实现方式，导致项目结构被打乱。这种时候就要求我们对于自己项目的了解程度了，当然，Vibe coding只需要accept就够了。

**合理使用@文件**，前面提到模型对于某些文件内容理解不足，如果你清楚的话就提供给agent；如果不清楚，开启Ask模式进行询问，再@提供给agent。

* **心态很重要**，很多遇到agent一直无法解决的问题时，就先搁置。等一段时间后再重新梳理并继续开发。
* **文档的准备**与cursor/rules。这是项目MVP开发前需要准备好的，前文提到的MVPcode就是我对于这一方面的自动化，面向的是Vibe coding的个体。开发稍微复杂的项目前，就需要合理的进行规划了，可以**与chatbot进行探讨**。

  * 通常，我的文档分为：project_requirements（项目需求）、app_flow（应用交互流程）、tech_stack（技术栈）、file_structure（文件结构）、frontend_guide（前端指导原则）、backend_guide（后端指导原则）、implementation（实现）。
* 最后，我的感受是想要利用好一款工具，最重要的是先用，而不是知识付费营造自己已经拥有的假象。

我相信，以上的一些总结是付费内容也没有的，更多的都是我在**实际使用中的体会与总结**，为的是更进一步的提升与有价值的分享。

当然，这只是有关于Vibe coding的内容，我对于编程的未来持有乐观态度，我认为，编程的门槛降低了，**价值**仍然在不断提高。

来自AI总结：

> 本文分析了作者使用Cursor进行Vibe Coding的经验，既展示了成功案例，也直面了现有技术的局限性。作者成功开发了多个项目，但也遇到了模型能力限制与用户期望过高带来的挑战。
>
> 作者提出了实用方法论：
>
> 1)为克服上下文限制，每个功能单独开窗并指导AI使用工具；
>
> 2)解决文件修改未生效问题，强调让AI先理解项目；
>
> 3)善用MCP协议扩展AI能力；
>
> 4)掌握有效提示词技巧；
>
> 5)保持灵活心态；
>
> 6)做好前期文档规划。
>
> 作者认为，尽管AI编程助手有不足，但通过正确使用方法可显著提升开发效率，编程门槛虽降低但价值持续提高。


关于Vibe coding的个人最佳实践 | 经验性、阶段性总结

---
title: 与AI高效沟通：掌握Prompt的表达艺术
slug: 20241227061000-ai-prompt
publishDate: 2024-12-26T22:10:00.000Z
excerpt: 最重要的是，把Prompt设计当作一种沟通的艺术，与你的AI沟通交流，表达你自己的需求才能获得你想要的答案。
featuredImage: /uploads/屏幕截图-2024-12-07-215104.png
tags:
  - AI
  - prompt
  - 分享
---
## 01

这篇文章也是来自于我在与LLM（下面都用AI代指LLM或Agent）对话中产生的一些思考，不同于上一篇[Critical thinking is all you need](/posts/20241226051800-aigc-critical-thinking-is-all-you-need)，在这篇文章中，我想分享一些对于在日常中怎样更好地运用prompt的方法。

我多次有这样的困扰：**随意提问导致AI回答不尽如人意，但又不想花费大量时间设计复杂的Prompt**。而自从我深度使用AI搜索并用在日常生活中，我的困扰更多了，也越想解决这个问题。

我就在想如何能够平衡效率与质量，设计一个简单易用的Prompt以满足我们日常的问题需求。

- - -

## 02

我们先明确问题本质：为什么随意提问效果差？根本原因在于信息传递的模糊性。

我们知道LLM本质上是基于模式匹配和概率预测的，Prompt的重要性可以说是大众所知。

一些重要复杂的prompt结构（如**结构化框架或LangGPT框架等、多层思维链和思维树、示例与模板、角色与场景模拟**等等等）我在进行深度创作时是必须去仔细设计的，而得到的结果总是不错的。

但本文更去解决我在日常生活中的困扰。

- - -

## 03

关于解决办法，我最终想到了是“表达”的问题。

我发现随意提问包含的模糊性更大一部分原因在于我没有明确我的需求。其实这个问题也暴露了一个很大的问题，你有没有把AI当作一个人去沟通交流去表达你的需求，而不是仅仅当作一个你认为是万能的工具。

实际上，在日常需求的简单询问与深度创作中的写复杂完整的prompt两个过程中，我对待LLM的方式也是不同的。这就造成了一些困扰。

- - -

## 04

在日常生活中，尤其是那些我们习惯性地与AI进行的快速查询或获取信息的情境下，我们常常没有太多耐心去设计复杂的Prompt。

这种情况类似于与人沟通时，我们往往期望对方能迅速抓住我们的意图，无需过多解释，但却忽略了对方需要清晰的表达来提供有效的帮助。

例如，我提问“如何让我的表达在回报工作时更清晰”

![图片](/uploads/屏幕截图-2025-04-25-102039.png)

*这里使用的DeepSeekV3，后面会测评它最新号称在代码编写能力打败了Claude 3.5 sonnet的V3模型*

可以看到目前的回答非常笼统，我们换一种描述：“请列出三种可以提升工作汇报清晰度的具体方法，而不是泛泛地列出所有提升表达的建议。”

```
以下是三种专门提升**工作汇报清晰度**的具体方法：



### 1. **使用“金字塔原理”结构化汇报**
   - **方法**：先总结核心结论，再逐步展开支持性论据。
   - **示例**：
     - **结论**：本季度销售额增长了15%。
     - **论据**：
       1. 新产品上线带动了10%的增长。
       2. 市场推广活动增加了5%的客户流量。
   - **作用**：让听众快速抓住重点，避免信息过载。

---

### 2. **用数据可视化工具辅助说明**
   - **方法**：将复杂数据用图表（如柱状图、折线图、饼图）呈现。
   - **示例**：
     - 用折线图展示季度销售额趋势。
     - 用饼图展示各产品线的销售占比。
   - **作用**：直观展示数据，减少文字描述，提升理解效率。

---

### 3. **采用“问题-解决方案-结果”框架**
   - **方法**：明确问题、提出解决方案、展示结果。
   - **示例**：
     - **问题**：客户投诉处理时间过长。
     - **解决方案**：优化流程，引入自动化工具。
     - **结果**：处理时间缩短了50%，客户满意度提升20%。
   - **作用**：逻辑清晰，让汇报更有针对性和说服力。



这三种方法能显著提升工作汇报的清晰度和效率。
```

- - -

## 05

那么，我该如何在日常生活中更有效地表达我的需求，以获得更好的AI回应呢？我总结了以下几个实用的方法（*这些方法是一步一步的。既可以分开单独使用，也可以结合使用。*）：

1. 明确目标

在提出问题之前，先明确你想要达到的目标是什么。这有助于你更精准地表达需求。例如，如果你想提升工作汇报的清晰度，你可以**明确指出你希望获得具体的、可操作的方法（*注意，一定要告诉它，因为他不会理解你的需求。而你提到了这一点，他就会在输出中放大输出具体建议的概率，这很重要*）**，而不是泛泛而谈的建议。

2. 提供上下文信息

尽可能提供更多的上下文信息，让AI更好地理解**你的需求**。例如，如果你在写一篇博客文章，你可以说明文章的主题、受众群体以及**你希望达到的效果（*这也是非常重要的地方，道理同上*）**。这样，AI可以更好地为你提供有针对性的建议。

3. 使用具体的语言

避免使用模糊的词汇，尽量使用具体的语言来表达你的需求。例如，不要问“如何更好地表达？”，而是问“在写博客文章时，如何让我的观点更加清晰，并能吸引读者继续阅读？”。这样，AI可以更好地理解你的需求，并给出更具体的建议。

4. 设定明确的限制条件

如果你有特定的限制条件，一定要在Prompt中明确指出。例如，如果你希望获得三种具体的方法来提升工作汇报的清晰度，你可以在Prompt中明确指出这一点。这样，AI可以更好地满足你的需求。

5. 逐步细化Prompt

如果你发现AI的回答仍然不够理想，你可以逐步细化你的Prompt。例如，你可以先提出一个总的问题，然后根据AI的回答进一步细化你的需求。（***实际上，我在使用中这一种方法对我最实用。你和AI一步一步交流沟通去解决你的问题。核心还是在于表达你自己。***）这样，你可以逐步引导AI给出更符合你期望的回答。

6. 利用AI的反馈进行调整

如果你发现AI的回答并不完全符合你的期望，不要气馁，可以利用AI的反馈进行调整。例如，你可以问AI为什么它会给出这样的回答，或者请它提供更多的选项。这样，你可以更好地理解AI的思维方式，并调整你的Prompt以获得更好的回答。

## 06

这是我在日常使用中总结的一些"**快速使用Prompt"**，但这并不意味着我放弃了更高级的prompt框架。

在需要深度创作和复杂思考的时候，我仍然会花费时间去设计一个结构化、细致的Prompt（后续我会分享更深度实用的高级框架结构，感兴趣的话请继续关注）。

最重要的是，把Prompt设计当作一种沟通的艺术，与你的AI沟通交流，表达你自己的需求才能获得你想要的答案。

来自AI总结：

> 这篇文章强调了将prompt设计视为一种**沟通的艺术**，通过清晰地表达需求，与AI进行有效的沟通，从而获得更符合期望的答案。虽然文章也提到高级prompt框架的重要性，但重点在于日常使用中如何快速有效地改进prompt，提高效率和回答质量。核心在于“表达你自己”。 
>
> 对用户有用的信息： 
>
> \- 不要期望AI能读懂你的心思，清晰地表达你的需求是获得有效回答的关键。
>
> \- 可以尝试文章中提到的六个方法，尤其是逐步细化prompt的方法，与AI进行互动式沟通。 
>
> \- 即使是简单的日常问题，也应该认真对待prompt的设计，避免使用模糊的提问方式。
>
> \- ***将AI视为一个需要沟通的对象，而不是一个简单的工具***。
