Prompting

§ 01综述

近期关于 Prompting（提示工程）的讨论集中在结构化提示、高频词汇使用和课程化教学上。

图像生成领域，Ideogram 4.0 开源后，社区利用 JSON 和边界框提示实现精确控制，展示了结构化提示在创意任务中的潜力 (Ideogram 4.0 开源一周：社区用 JSON 和边界框提示玩出新花样](https://x.com/ideogram_ai/status/2065120071274701060)。

文本生成方面，Anthropic 推出官方 Prompting 101 课程，系统化讲解如何构建落地提示，强调清晰指令优于复杂措辞 (Anthropic 官方 Prompting 101 课程：25 分钟从零搭建落地 Prompt](https://x.com/berryxia/status/2060751765050732987)。同时，FaceMind 实验表明，使用高频常见表达比高级词汇更有效，颠覆了“提示越复杂越好”的直觉 (别给AI拽高级词汇！FaceMind实验证明高频表达更有效](https://x.com/berryxia/status/2060212428584202428)。

内容生成策略上，Andrew Ng 建议先写大纲再让 AI 生成，以避免生成内容过于通用化 (Andrew Ng：先写大纲再让AI生成，避免AI写作的通用化问题](https://x.com/DeepLearningAI/status/2056948100728565905)。

此外，DeepLearning.AI 推出了面向大众的 Prompting 课程，并举办 AI 图像识别投票活动，推动提示工程的教育普及 (DeepLearning.AI 推出 AI Prompting for Everyone 课程](https://x.com/DeepLearningAI/status/2054969717039747148)；DeepLearningAI 发起 AI 图像识别健身器材投票。

研究方面，一篇 arXiv 论文提出了 Locale-Conditioned Few-Shot Prompting，解决小模型在 PII 替换中的演示复读问题，探索了提示工程的适用边界 (Locale-Conditioned Few-Shot Prompting 解决 SLM 在 PII 替换中的演示复读问题](https://arxiv.org/abs/2605.13538v1)。

当前焦点：提示工程正在从经验主义走向方法论和科学化，强调简洁、结构化和教育推广。未来值得观察：提示工程是否会被更智能的 AI 界面取代，以及在特定领域（如隐私保护）中如何平衡提示灵活性与安全性。

§ 02相关报道07 条在档

§ 03邻近话题