全部 AI 动态 · AI 热点

6月29日

23:12

berryxia@berryxia

Margot Van Laar在Code with Claude大会上分享提示词工程实战，核心观点是生产提示词调试维护比从零写更重要。她展示客服机器人场景：团队发现旧模型遗留的'禁止列表'指令导致新模型过度拟合，以及'请仔细计算'无效需提供计算器工具。在零售排班Agent场景中，她将复杂提示词拆成三个简单提示词（生成、评估、修复）组成循环，比单一大提示词更稳定。她强调可用Opus等更强推理模型加自适应思考来简化提示词，并务必建立量化评估基准验证改动效果。

技巧 Anthropic Claude 提示词工程评估提示词维护

推荐理由：Anthropic工程师手把手教你维护生产提示词，从客服机器人到排班Agent，拆成小提示词更靠谱，还有评估妙招。

原文

23:10

berryxia@berryxia

精选

Anthropic工程师Margot Van Laar在Code with Claude分享提示词工程最佳实践，强调通过评估（Eval）而非直接修改提示词来优化。她用客服机器人和零售排班两个案例演示：使用XML标签结构化提示词、移除旧模型遗留的禁止列表（如Claude 3 Opus）、用工具替代指令处理计算任务。拆解复杂任务为生成-评估-修复循环，并建议用更强推理模型（如Opus）加自适应思考替代小模型复杂提示词。

技巧提示词工程 Claude 评估 Claude Opus 工作流

推荐理由：Anthropic工程师手把手教你怎么调客服提示词和搭Agent，用Opus加循环拆解比堆复杂指令更管用，核心就一句话：先搞评估

原文

14:55

宝玉@dotey

有用户发现，在 Codex 应用中将模型选为 GPT-5.5 并设置推理为 xhigh 后，运行 Juice 测试 Prompt 若返回 128 则实际使用的是 GPT 5.6 Sol，否则返回 768 就是 GPT 5.5。该 Prompt 要求模型输出 Juice 数除以2乘10再除以5的结果。目前测试仍返回 768，说明多数用户尚未灰度到 GPT 5.6 Sol。

技巧 GPT 5.6 Sol GPT 5.5 提示词工程推理模型

推荐理由：想提前知道自己的 GPT 5.5 是不是偷偷升级了？用这个 Juice 测试 Prompt 一试便知，很简单。

原文

13:48

Ethan Mollick@emollick

技巧 GLM-5.2 Opus 4.8 提示词工程推理模型

推荐理由：想看看AI怎么思考？让GLM-5.2或Opus 4.8帮你选诗，能看到它的推理过程，挺有意思的。

原文

13:48

岚叔@lufzzliz

在世界杯小组赛预测中，GLM-5.2在比分榜综合最强，GPT-5.5在胜负榜综合最强且命中率达70%。淘汰赛阶段取消24小时限制，可一次性预测16场比赛。作者分享了提示词示例："继续预测，可以提交淘汰赛16场的比赛，你需要仔细分析给出你的答案、并提交"。同时附带了opus-4.8和deepseekv4-pro的预测结果。

技巧 GLM-5.2 GPT-5.5 提示词工程智能体世界杯

推荐理由：作者用GLM-5.2和GPT-5.5预测世界杯，GPT-5.5命中率70%，还给了淘汰赛提示词，试试用自己的agent玩。

原文

6月28日

11:10

Yangyi@Yangyixxxx

宝玉分享 Codex/Claude Code 的实用工作流：fork 功能可从某节点创建分支，保留历史让上下文更纯粹。/btw 或 /side 命令可在当前会话中提问与主任务无关的问题，不污染上下文。上下文压缩配合 Prompt Caching 降低持续对话成本，一个 Session 内连续完成任务更可行。plan 模式中可用 /btw 请求详细解释选项含义。

技巧 Codex Claude Code fork /btw 提示词工程

推荐理由：宝玉分享了两个超实用的技巧：fork分支对话和/btw侧边提问，让Codex和Claude Code用得更顺，强烈建议试试。

原文

04:19

elvis@omarsar0

该推文指出，循环工程（loop engineering）本质上是提示工程（prompt engineering）与良好系统设计的结合。这条观点来自社交媒体，获得了8条评论、1次转发和21个点赞。它强调在构建AI应用时，需要把提示工程与系统架构整合，而非单独优化提示词。

技巧 loop engineering 提示词工程系统设计

推荐理由：有人一句话点醒我：循环工程其实就是提示工程搭上系统设计，做AI应用的朋友可以想想你的架构对不对。

原文

03:19

Suhail@Suhail

用户Suhail分享了两个提示词版本："read-quick-dont-validate"用于快速阅读论文，要求AI一步步拆解并一次性输出章节式解释；"validate-my-understanding-and-teach-me"则需提供5-10个参考链接，要求AI逐步教学并验证理解。第二个版本可耗时数周但学习更深入。两条提示词分别适用于不同学习场景。

技巧提示词工程论文阅读学习技巧 ChatGPT 教学方法

推荐理由：想用AI读论文又怕浅尝辄止？试试这两个具体写法，一个快速扫读，一个深度教学，亲测有效。

原文

01:49

Jerry Liu@jerryjliu0

Jerry Liu（LlamaIndex创始人）在推文中指出，手动构建工作流（代码、拖拽或提示）的需求正在减少，更优方式是指定目标让模型智能规划步骤。对于重复性任务，可收集带真实标签的数据集进行爬山优化，以平衡成本与准确率。他认为行业正从提示工程迈向目标和评估工程。拥有642次浏览、5个点赞。

技巧 Jerry Liu LlamaIndex 工作流智能体提示词工程

推荐理由：Jerry Liu说的这个趋势很实在：别再手动搭工作流了，直接给目标让模型自己想办法。重复任务还能录数据集优化，省心省钱。

原文

00:56

berryxia@berryxia

精选

Anthropic应用AI负责人Lamis在2026年AI DevCon上分享了Agent记忆系统的四层架构。起点是CLAUDE.md文件，效果超过复杂Prompt工程。第二层是记忆工具，让Agent自主读写更新，判断力比人强。第三层Skills实现渐进式披露，类似从书架抽词典。第四层把记忆建模为文件系统，用bash/grep，无需向量数据库。还引入"做梦"（带外异步处理）分析跨会话模式，已在生产中提升任务效率并降低成本。

技巧 Claude Code 记忆管理智能体 Anthropic 提示词工程

推荐理由：Anthropic官方分享了他们怎么让Agent记住东西：从Markdown文件到做梦机制，很实用的四层方法论，看完可以少走弯路。

原文

00:01

MIT CSAIL@MIT_CSAIL

一份由Anatoli Kopadze整理的18步Claude使用教程发布。教程涵盖从基础提示到高级工作流的技巧，共18个步骤。每个步骤针对Claude交互中的具体场景提供指导。用户可系统提升与Claude的协作效率。

技巧 Claude Anthropic 提示词工程教程

推荐理由：想用好Claude？这有18个实用步骤，从提示词到工作流全涵盖，练完你就是高手。

原文

6月27日

13:14

OpenRouter@OpenRouterAI

推文展示了如何使用OpenRouter的MCP功能构建一个模型委员会（Model Council），并针对用户的代码库和用例进行调优。该工作流由用户Lennox Saint验证，确认效果出色。示例提供了可操作的步骤，帮助开发者利用多个模型协作解决问题。

技巧 OpenRouter MCP 模型委员会智能体提示词工程

推荐理由：OpenRouter官方示范，手把手教你用MCP搭模型委员会，实测好用。

原文

12:26

AI Engineer@aiDotEngineer

精选

Paul Bakaus 将在 AI Engineer World's Fair 发表两场演讲，涵盖智能体技能工程与设计工具控制。他基于构建 24+ 技能、跨越 9 种 harness/模型组合的实战经验，揭示平行子智能体、混合专家路由、技能记忆、自动钩子与环境变量等技巧。此外还介绍开源设计工具 Impeccable AI 的 24 个形容词级命令（如 /bolder、/quieter、/distill）。两场演讲分别聚焦如何突破模型默认安全输出，以及从形容词层面控制设计风格。

技巧 Paul Bakaus ai-engineer 智能体提示词工程 impeccable_ai

推荐理由：想突破 agent 平庸输出？Paul Bakaus 分享 24+ 技能实战干货，还有形容词级设计控制，很实用。

原文

11:57

Simon Willison@simonw

Simon Willison在推文中指出，当前LLM（如GPT-4、Claude等）在构建前端时默认选择React的倾向较去年明显降低。他过去几乎每次前端提示都要加入“不要用React”，但近几个月来多数模型已不再需要这一约束。这一变化减少了提示词的必要修改，反映出LLM默认行为的演进。

技巧 Simon Willison LLM React 前端开发提示词工程

推荐理由：Simon Willison分享了一个省事小发现：现在LLM写前端默认React少了，你少写一句提示词。

原文

6月26日

23:01

AWS Machine Learning Blog@Christopher Phillippi

精选

Stripe采用ReAct代理框架构建金融合规系统，通过任务分解将复杂流程拆解为92个原子步骤。系统使用提示缓存技术将推理成本降低40%，同时保持人工监督机制确保审计可追溯性。该设计在Stripe的支付处理场景中覆盖了98%的合规审核任务，漏报率低于0.5%。

技巧 Stripe ReAct 金融合规智能体提示词工程

推荐理由：Stripe分享了他们怎么用AI代理处理金融合规的真实案例，包括ReAct框架和提示缓存省钱技巧，适合做合规系统的人参考。

原文

11:30

11:30IT之家（博客/媒体）

精选74°

微软邀请Windows 10/11及macOS平台Microsoft 365 Insider测试新版Excel中的AI金融工具。Copilot新增Skills功能，企业可通过OneDrive中的SKILL.md文件自定义可复用指令，员工无需每月重复编写提示词。微软提供预置金融技能库，合作伙伴包括LSEG、Ramp、Rogo等。此外还新增规划模式和“显示更改”窗格，便于审查Copilot对工作簿的修改。

AI产品 Copilot Excel Microsoft 365 智能体提示词工程

推荐理由：微软Excel现在能让你把财务流程存成技能，不用每月写提示词了。Copilot支持自定义Skills文件和预置金融库，还能查看改动。职场人省事儿了。

原文

05:57

Guillermo Rauch@rauchg

Next.js 在错误提示界面中加入了“Ways to fix this”功能，并配套“Copy prompt”按钮。用户点击后可直接将错误上下文和修复建议复制为结构化的提示词，方便粘贴到 Claude、ChatGPT 等 AI 编程助手中。该功能已在 Next.js 的开发者工具中上线，支持常见的编译和运行时错误。此举将调试流程从手动描述问题缩短为一次复制粘贴，提升了修复效率。

技巧 Next.js 提示词工程编程助手开发者体验

推荐理由：Next.js 这个新 UI 太实用了，点一下就能把错误和修复提示复制成 prompt，直接丢给 AI 就能修，省去打字时间。

原文

6月25日

22:57

Viking@vikingmute

推文介绍了ponytail项目和一个Vibe Coding提示词技巧，建议在提示词末尾加入“如果GitHub/npm上有成熟开源方案，直接复用”。该技巧基于DRY理念，能有效减少GPT等模型生成冗余代码的现象。该技巧特别适合新手避免over-engineering。

技巧 ponytail GPT 提示词工程 Vibe Coding 编程助手

推荐理由：给用GPT写代码的人：提示词末尾加‘复用开源方案’能防止AI重复造轮子，亲测有效。

原文

22:39

向阳乔木@vista8

腾讯推出了一款专为Agent设计的邮箱服务，允许用户抢注邮箱名。注册后，用户会获得一段提示词，可将其发给Codex或其他Agent来完成命令行界面设置。该邮箱旨在简化Agent的通信与配置流程，无需手动编写脚本。目前该功能已开放注册，用户可通过评论区链接体验。

技巧腾讯 Agent 邮箱 Codex 提示词工程

推荐理由：腾讯出了个给Agent用的邮箱，注册后拿到提示词就能让Codex自动配好CLI，省得自己写命令，挺方便的。

原文

22:00

LangChain@LangChainAI

精选

LangChain 推文指出通用聊天适合一次性问答，答案出现即结束。专门智能体适合重复性、有固定形状的工作，使用相同工具和格式。智能体能记住线程可能遗忘的上下文，适合多次运行相同流程。

技巧 LangChain 智能体提示词工程

推荐理由：LangChain用一句话说清楚了选择原则：如果下次解释方式一样，就该用智能体，别放聊天里。

原文

10:25

shao__meng@shao__meng

精选

Matt Pocock 在开源 Skills 系列中增加了新技能「loop-me」，目前处于 in-progress 阶段。该技能在多轮会话中利用当前目录作为有状态工作区，通过「拷问」方式将想法转化为可落地的 workflows/*.md 规格文件。loop-me 与已有的 grill-me 共享拷问纪律，但产出不同：grill-me 对齐任意计划，loop-me 只产出 workflows/*.md。其核心是识别用户生活中可预测的重复模式（职业节奏、早晨例行等），并主动发现用户未意识到的任务，从而委托给 AI agent。项目在 GitHub 上已有 165K star。

技巧 loop-me Skills 智能体工作流提示词工程

推荐理由：如果你总在做重复的杂事，这个新技能 loop-me 能帮你把流程写成规格，然后让 AI 接手，省下大把时间。

原文

07:54

宝玉@dotey

作者分享处理播客访谈整理时细节遗漏的技巧：同时让AI生成2-3份稿子，挑选一份质量最好的作为底稿，再把其他稿子内容合并进来。这样既能避免遗漏，也能防止单次生成糟糕时追问无法补救。另外，对于长达3小时的播客，连续追问3次左右“还有什么细节需要补充”也能改善质量，但不如多稿合并方法高效。

技巧提示词工程工作流 AI写作整理技巧

推荐理由：教你怎么用多稿合并法搞定AI整理长访谈，比单一追问更省心，写稿不漏细节。

原文

03:01

Nous Research@NousResearch

NousResearch推出名为“creative-ideation”的技能，能分析用户提示词并通过22种来自艺术家和思想家的创意方法论进行路由。该技能旨在平衡可行性与创造力，为AI agent提供新鲜灵感。它解决了现有agent难以理解创意情境的问题，灵感来源涵盖毕加索、达芬奇等大师。

AI产品 NousResearch creative-ideation 提示词工程智能体

推荐理由：你的AI agent总get不到创意？试试NousResearch这个新技能，用22种艺术家方法论帮你调提示词，让输出更有灵感。

原文

01:25

elvis@omarsar0

精选

作者完全改用语音而非文字输入与AI代理交互，发现音频描述越详细、越长，代理结果越好。他还开发了屏幕录制、截图、追踪鼠标动作和语音注释功能，帮助代理处理设计和精确开发任务。多模态提示（语音+屏幕+动作）显著提升了代理的可靠性，尽管消耗更多token。作者将这些经验制作为可复用的命令集，插入循环后效果显著改善。

技巧智能体多模态提示词工程语音交互

推荐理由：有人分享用语音+屏幕录制和多模态提示跟AI代理唠嗑，提示越啰嗦结果越靠谱，还教你怎么录屏加注释，值得试试

原文

00:47

berryxia@berryxia

精选

Matt Pocock发布/loop-me技能，要求用户先彻底审视日常工作，找出值得委托给AI的重复循环。它采用“grilling”面试法，一次只问一个问题并附带推荐答案，直到模糊点消除。最终产出清晰的workflows/.md规范文件，使实施者无需额外提问即可执行。目的是降低认知负荷，聚焦高价值决策。

技巧 Matt Pocock /loop-me 工作流自动化开发者工具提示词工程

推荐理由：Matt Pocock做了个/loop-me，不是直接替干活，而是帮你把流程理得清清楚楚，AI照着做就行，省心省力。

原文

6月24日

18:32

AI Will@FinanceYF5

传统AI使用方式是一问一答、改完再问，效率低下。顶尖AI工程师设计自动化循环，让循环去提示AI。这种方法将用户从引擎角色解放出来，让AI自主迭代。通过循环设计，可以减少人工干预，大幅提升生产力。

技巧提示词工程工作流自动化 AI效率

推荐理由：别再做人工提示苦力了，学学工程师怎么用循环驱动AI，效率翻倍。

原文

12:54

宝玉@dotey

精选

@dotey 分享了一种极客风格的 Skills 管理方式：只在项目内安装所需 Skills，不装全局，以节约 Agent 的上下文窗口空间。核心方法是使用软链接（symlink）将 Skills 原件统一存放在 ~/GitHub 仓库中，项目内通过 .agents/skills 软链指向原件，再创建 .claude/skills → .agents/skills 的链接供 Claude Code 使用。更新时只需拉取仓库代码，所有项目自动同步；修 bug 可直接修改原件并反哺开源社区。用户不必记住软链接命令，用自然语言告诉 Agent 即可完成操作。

技巧 Skills Claude Code 软链接编程助手提示词工程

推荐理由：@dotey 分享了用软链接管理 Skills 的方法，只装项目内省上下文，更新一次全局同步，还能顺手给开源社区修 bug，极客必备。

原文

6月23日

02:28

02:28OpenAI Blog（博客/媒体）

Jason Liu分享了如何利用Codex的上下文机制管理长期运行的工作。他将任务分解为多个互相关联的子任务，让Codex保持对项目整体的理解。这种方法使得工作能在单个提示之外持续进行，有效提升复杂项目效率。

技巧 Codex OpenAI 提示词工程上下文管理工作流

推荐理由：想用Codex做复杂项目？看看Jason Liu的实操技巧，手把手教你保持上下文、拆分任务，让AI帮你干大活。

原文

6月22日

14:15

@zarazhangrui@zarazhangrui

推文作者Zarazhangrui提出了一条防止AI生成劣质内容（slop）的经验法则：在写作、设计等任务中，用户输入（上下文）的长度应为输出的3-5倍。如果输入远短于输出，AI几乎必然产生质量低下的内容。这条法则基于实际使用经验，可帮助用户获得更优质的AI输出。

技巧提示词工程 AI写作 AI设计经验法则

推荐理由：写提示词时总出一堆废话？试试这个简单法则：你的输入要比输出长3-5倍。作者亲测有效，能明显改善AI输出质量。

原文

08:45

shao__meng@shao__meng

精选73°

前Meta/Microsoft/Atlassian主任工程师Kun Chen分享了一套完整的Agentic工程工作流，每天可ship 40-50个经测试的生产级PR。核心框架分为四层：造船（终端中心主义，使用WezTerm+tmux+Neovim）、训练船员（Memory+Skills，全局memory仅27行以避免token浪费）、与单个船员协作（语音输入OpenSuperWhisper，自创AXI标准比MCP节省3倍token和2倍延迟）、并行指挥（treehouse管理worktree，First Mate大副编排器）。验证环节采用no-mistakes流水线，在隔离worktree中执行对抗式review和E2E测试，大幅减少人工review耗时。该工作流强调将时间花在任务开头和结尾，中间全交给AI，瓶颈从agent执行力转移到战略思考。

技巧 Kun Chen Agentic工程工作流编程助手提示词工程

推荐理由：想每天轻松发几十个PR？前Meta主任工程师把整套工作流拆开了讲，从终端配置到agent训练到并行管理，全是实战细节，比泛泛而谈的教程强多了。

原文

07:24

elvis@omarsar0

开发者 Omar 分享经验：他几乎不再手动提示或与代理对话，而是通过循环（loops）让代理自主执行。他花更多时间编写验证器（verifiers），提供文本、音频、图片等丰富指令来填补代理的不足。Guinness Chen 建议用户按住听写键随意讲10分钟，将碎片、例外、示例、氛围都喂给模型，利用语言模型擅长从语言中重构潜在意图的能力。这些方法改变了人与代理的交互方式，减少了手工编辑提示的负担。

技巧 agents loops verifiers 智能体工作流提示词工程

推荐理由：别手写提示词了，试试按住录音键讲十分钟，让代理自己干活。Omar 分享了用循环和验证器省力的实战技巧。

原文

6月21日

23:57

宝玉@dotey

推文作者认为 Gemini 3.1 Pro 的翻译质量最佳，Opus-4.8 因写作能力不足导致翻译生硬。回复中分享了使用 Claude Code 并设置 /effort 为 ultracode 后的多智能体翻译流程：先让 3 位风格各异的译者各出一稿，再由双语编辑对照原文评审，综合定稿后逐句校对。作者强调这个过程实际触发了 Claude Code 的 dynamic workflow 并自动写提示词执行。用户提供的经验来自对翻译工作流的长期探索。

技巧 Gemini 3.1 Pro Opus-4.8 Claude Code 翻译工作流提示词工程

推荐理由：别再用 Opus-4.8 硬翻了，试试 Claude Code 的 ultracode 模式+多智能体流水线，实测翻译质量能提升不少。

原文

15:00

Geek@geekbb

Cowart 在 Codex 中集成了本地 tldraw 画布，用户放置 AI 占位框即可指定生成图片。还支持截图标注重绘：在画布上画标注后，Codex 能移除痕迹并生成干净新图。所有操作在本地运行，无需联网。

技巧 Codex Cowart tldraw 多模态提示词工程

推荐理由：想边画草图边让 AI 生图？这个本地画布工具让 Codex 直接改，标注去除功能特别好用。

原文

00:01

MIT CSAIL@MIT_CSAIL

该指南由@rubenhassid整理，提供了100条针对Claude的提示词技巧，涵盖从基础指令到高级推理的多个维度。每条技巧都配有具体示例，帮助用户更精准地控制Claude的输出格式和风格。例如，第23条展示了如何通过分步提示引导Claude完成复杂逻辑推导，第47条则演示了角色扮演提示词在角色一致性上的效果。指南还包含针对Claude Sonnet和Claude Opus等不同版本的特化建议，提升实际应用效率。

技巧 Claude 提示词工程 @rubenhassid 指南

推荐理由：100条实实在在的Claude提示词技巧，每个都有例子，从新手到进阶都适用，比看说明书管用多了。

原文

6月20日

19:53

Geek@geekbb

Claude Code 可以通过提示词控制飞书白板的构图、层次与留白，而非仅调整配色。GitHub 项目 LcpMarvel/feis… 提供了具体方法，帮助用户生成更专业的设计输出。该方法强调结构布局而非色彩堆砌，适合追求高质量白板设计的用户。

技巧 Claude Code 飞书白板设计提示词工程

推荐理由：有人教 Claude Code 做飞书白板时讲究构图和留白，不是光调颜色，挺实用。

原文

16:51

歸藏(guizang.ai)@op7418

精选

GPT-Image-2.0 生成的图片常有毛躁感和破碎纹理。使用 Nano Banana 进行超分辨率放大，可以去除杂乱细节，增加清晰度。帖子对比了放大前后的效果，左侧为 GPT 原图，右侧为 Nano Banana 处理图。推荐提示词为“帮我将这张图片重绘和清晰化，让他细节更丰富，同时去掉原图中杂乱不必要的细节”。该方法适用于非写实图片的观感提升。

技巧 Nano Banana GPT-Image-2.0 超分图像增强提示词工程

推荐理由：用 Nano Banana 给 GPT 图片去毛躁，效果很明显，推荐词都给你写好了，直接复制就能用。

原文

12:51

shao__meng@shao__meng

精选72°

Claude Code的7种指令方式包括CLAUDE.md、Rules、Skills、Subagents、Hooks、Output Styles和Appending the System Prompt。CLAUDE.md文件建议控制在200行以内，根目录CLAUDE.md在会话开始时全程驻留上下文，子目录CLAUDE.md仅按需加载。Skills在主线程逐步执行适合需要干预的任务，Subagents在独立上下文运行可嵌套最多五层并支持并行。Hooks通过PreToolUse和PostToolUse实现确定性硬约束，完全绕过上下文压缩且成本极低。官方建议将30行以上的部署流程封装为Skills而非写入CLAUDE.md，以节省token。

技巧 Claude Code Claude 智能体编程助手提示词工程

推荐理由：这篇博客把Claude Code七种配置方式讲透了，从CLAUDE.md到Hooks怎么选，适合想自定义工作流的开发者。

原文

6月19日

11:30

Yangyi@Yangyixxxx

培养AI-first思维的两个核心习惯：想找人问时先问AI，要求AI干活前先请教它怎么干。这样做能依靠AI解决大部分日常问题。同时还能在过程中熟悉解决问题的方法路径。是一条来自@yangyi的实用经验分享。

技巧 AI-first 工作效率提示词工程实用技巧

推荐理由：教你两个最简单的小习惯，立刻就能把AI用得更顺手，少走弯路。

原文

6月18日

16:25

Viking@vikingmute

精选73°

mattpocock/skills v1 正式发布，拥有 134k 星标和 410 万次安装。本次更新将 skill 描述的 token 成本降低 63%。新增 /codebase-design、/domain-modeling 和 /grilling 三个技能，并重写了 /writing-great-skills。/diagnose 升级为 /diagnosing-bugs，现在可由模型调用以修复复杂 Bug。还新增 /ask-matt 路由技能，整合所有工程技能的使用方法。

AI产品 mattpocock/skills Matt Pocock 编程助手提示词工程

推荐理由：Matt Pocock 的 skill 包 v1 版上线，token 成本砍掉 63%，新增多个实用技能，帮你写出更高效的工程提示。

原文

14:16

AI Will@FinanceYF5

斯坦福STORM方法引导用户将复杂问题拆解为多个子角度，而不是一次性提问。Claude通过多轮对话从不同视角逐步深入，例如技术、经济、政策维度。这种方法能提升回答的全面性，避免单点答案。

技巧 Claude STORM 斯坦福提示词工程多角度分析

推荐理由：斯坦福的这个STORM提示技巧，让你把Claude用出研究员深度，拆解问题比直接问强多了。

原文

6月16日

20:46

AITOP6月16日 20:46

600亿美元买下Cursor，xAI终于拿到了编程工具，但真正值得跟踪的或许不是AI

6月12日

12:57

AITOP6月12日 12:57

Claude代码里藏了个20260612，18个月后的AI记忆革命已经开始倒计时

6月11日

15:28

AITOP6月11日 15:28

1107 vs 303：谷歌悄悄开源了一个“拆打字机”的模型，把大模型速度翻了4倍

15:23

AITOP6月11日 15:23

DiffusionGemma颠覆文本生成？自回归模型的“统治”要结束了

15:07

AITOP6月11日 15:07

每秒1107个token，Google开源的扩散模型为什么能改变本地推理格局？