[和业6对局]要分出胜负啊！

阿里巴巴辟谣采购寒武纪，释放出什么信号？

算法工程师聊RAG细节点

-

从北京到洛杉矶只需要半小时，马斯克准备颠覆跨国旅行

【AI动画】我用AI做了布影忍者，手把手教学，带你掌握一门副业！！

制作不易，大家喜欢视频记得点点关注，一键三连呀【点赞、投币、收藏】感谢支持！

最强AI数字人，InfiniteTalk v0828整合包更新，修复分辨率输入、视频动态、视频时长！图片数字人+视频数字人，支持完整歌曲视频，人物说话+唱歌！

整合包和视频教程制作不易，如果您觉得内容有帮助，欢迎订阅频道🤎，我会持续分享好用、好玩的AI项目🤗🤗！感谢您的支持🙏！

开源鸿蒙开发者Π队

开源鸿蒙开发者Π队，一起来揭秘开源鸿蒙AI领域的开发者们背后的故事吧~

关于深入实施“人工智能+”行动的意见

【Godot 脚本生成】大模型测试 k2 VS qwen3-coder VS claude 4

Song: Ritualis Music by: CreatorMix.com

DeepSeek适配下一代国产芯片，国产算力苦苦煎熬的困局终于有了希望！梁文峰要做的从来就不是跟奥特曼马斯克比模型，而是直接动算力世界根基，釜底抽薪，降维打击！

-

Anthropic：Prompting for Agents|演讲时间：2025.5.22

https://www.youtube.com/watch?v=XSZP9GhhuAc Anthropic 团队 “Prompting for Agents” 演讲视频 由 Anthropic 应用 AI 团队的 Hannah Moran 和 Jeremy Hadfield 主讲，深入探讨了如何为 AI Agent 设计和优化提示词。 第一部分：什么是 Agent 以及何时使用它们？ (主讲人：Hannah Moran) 1. 回顾 Prompt 工程基础 - Prompt 工程被定义为 “用自然语言编程”，是一种 “概念工程” (Conceptual Engineering)，核心在于定义模型的预期行为和任务成功的标准。 - 传统的 Prompt 通常结构严谨，包含角色定义、任务指令、示例等部分。但对于 Agent，这种固定的结构可能不再适用。 2. 定义 Agent Anthropic 将 Agent 定义为 “在循环中使用工具的模型 (models using tools in a loop)”。 这意味着 Agent 在一个循环中持续工作： - 环境: Agent 工作和交互的空间。 - 工具: Agent 可以调用的函数或 API，如数据库查询、API 调用、发送邮件等。 - 系统提示: 给出 Agent 的总体目标、约束和行动指南。 - 循环过程: Agent 根据系统提示和当前环境状态，决定执行一个动作（通常是调用工具），然后从环境中获得反馈，更新状态，并决定下一步行动，直到完成任务。 核心建议: 保持系统提示词的简洁，让模型有足够的自主性去完成工作。 3. 何时应该构建 Agent？ Agent 并非万能钥匙，它最适合复杂且有价值的任务。 复杂度: 任务是否足够复杂，以至于你无法预先定义一个固定的步骤流程？ 价值: 任务的价值是否足够高？ 可行性: 任务的所有子步骤是否都有对应的工具可以完成？ 错误成本: 任务出错的成本有多高？ 4. Agent 的优秀用例 - 编码: 从设计文档直接生成代码并提交 Pull Request (PR)。 - 搜索: 执行多步骤、模糊的搜索任务，节省大量研究时间。 - 计算机使用 : 自动导航图形界面，完成点击、输入等操作。 - 数据分析: 分析内容未知的复杂数据集，生成洞察和可视化。 第二部分：为 Agent 设计 Prompt 的关键原则和评估方法 (主讲人：Jeremy Hadfield) 1. 为 Agent 设计 Prompt 的关键原则 1.1. 像你的 Agent 一样思考: 这是最重要的原则。设身处地地想，如果自己是 Agent，仅凭现有的工具和信息，能否理解并完成任务？ 1.2. 给予 Agent 合理的启发式原则: 不要过度约束，而是提供高级指导。 1.3. 工具选择是关键: 确保工具名称和描述清晰、准确、无歧义，避免相似的工具让模型混淆。 1.4. 引导思考过程: 模型本身知道如何进行“思考”（如思维链），但你需要引导它思考什么。 1.5. 注意意外的副作用: Agent 的行为更难预测，对 Prompt 的微小改动可能会产生意想不到的连锁反应，要做好准备。 1.6. 帮助 Agent 管理上下文窗口: 对于长任务，Agent 可能会耗尽上下文。 1.7. 让 Claude 做自己: 不要过度限制。从简单的 Prompt 开始，观察其表现，只在发现特定失败模式时才增加约束和指导。 2. Agent 系统的评估 - 评估对于迭代至关重要，但对 Agent 来说更具挑战性。 - 起步时样本量要小: 如果 Prompt 的改动效果显著，只需少量测试用例就能验证。 - 使用真实任务: 用用户可能遇到的真实场景来测试。 - LLM 作为裁判 (LLM-as-judge) 非常强大: 给另一个 LLM 一个清晰的评分标准，让它来判断 Agent 的输出质量。这比简单的字符串匹配更可靠。 - 人类评估无可替代: 最终，仍需要真人测试来发现系统中的“毛刺”和不符合直觉的问题。 3. Agent 评估的示例类型 - 答案准确性: LLM 判断最终答案的正确性。 - 工具使用准确性: 评估 Agent 是否选择了正确的工具和参数。 - τ-bench: 评估 Agent 是否达到了正确的最终状态（例如，数据库中的航班信息是否真的被成功修改了）。 总结： 为 Agent 设计 Prompt 是一项迭代性、系统性的工作，它更侧重于概念定义、过程引导和环境设计，而不是编写僵化的指令。通过像 Agent 一样思考、提供高级原则、并建立有效的评估体系，可以构建出强大而可靠的 Agent 系统。