AI编程助手应用 - 开发者依赖AI编程助手加速工作流程，包括自动补全函数、修复bug和生成模块或MVP [3] - AI输出质量高度依赖提示词质量，提示工程成为必备技能 [3] - 有效提示需要提供丰富上下文、明确目标和问题、分解复杂任务、提供输入输出示例以及利用角色扮演 [5] 提示工程技术 - 角色提示技术模拟专家级代码评审、调试或重构 [4] - 显式上下文设置清晰界定问题避免笼统回答 [4] - 输入输出示例通过具体案例传递意图引导AI [4] - 迭代链式处理将大型任务拆分为步骤避免提示过于庞杂 [4] - 模拟调试让AI模拟运行时行为暴露隐藏Bug [4] 调试代码策略 - 清晰描述问题和症状是调试的基础，需包含编程语言、预期行为、错误输出和代码上下文 [9] - 对复杂bug采用分步或逐行方法让AI逐步执行代码 [9] - 提供最小可复现示例帮助AI集中注意力并澄清问题 [14] - 提出有针对性的问题和后续跟进促使AI进行诊断并提出解决方案 [14] 重构与优化方法 - 明确重构目标如提高可读性、降低复杂度或优化性能 [17] - 提供必要代码上下文包括语言、框架和周边相关代码 [18] - 鼓励附带代码解释以验证重构正确性并学习改进方法 [18] - 利用角色扮演如要求AI扮演资深工程师设定高标准 [19] 功能实现技巧 - 从高阶指令开始逐步深入分解复杂功能为小任务 [35] - 提供相关上下文或参考代码确保生成代码符合项目需求 [36] - 使用注释和TODO作为内联提示指导AI生成特定代码块 [36] - 提供预期输入输出或用法示例约束AI生成符合要求的函数 [38] 常见提示反模式 - 模糊提示缺乏细节导致AI猜测和泛泛回答 [51] - 超载提示要求AI同时处理过多任务导致结果混乱 [51] - 缺失明确诉求使AI无法理解用户意图 [51] - 模糊成功标准未定义优化方向导致AI解决非目标问题 [51]

核心观点 - 上下文工程是比提示工程更准确描述LLM应用核心技能的术语 强调为LLM提供完成任务所需的所有上下文 [1] - 工业级LLM应用中 上下文工程是精心填充上下文窗口的艺术与科学 需包含任务描述 少样本 RAG 多模态数据 工具 状态历史等多维度信息 [1] - 上下文工程师需具备对LLM"心理"的引导性直觉 通过持续优化提示词和上下文内容来建立模型边界认知 [2] 行业动态 - Shopify CEO和Andrej Karpathy推动"上下文工程"术语替代"提示工程" 因其更准确反映岗位核心技能 [1] - Cognition和Anthropic在AI Agent构建中均强调上下文管理是关键 Anthropic指出数百轮对话需精细策略 [3] 重要性分析 - 不充分上下文共享导致子Agent工作不一致或冲突假设 过长上下文限制LLM回忆能力 GPT-4o多轮对话准确率仅50% [4] - 语音AI Agent中上下文膨胀增加延迟(目标中位延迟800ms) 函数调用准确性在多轮对话中显著下降 [4] 优化策略框架 - Lance Martin定义上下文工程为伞状学科 涵盖指令上下文(提示/记忆) 知识上下文(RAG) 操作上下文(工具流) [5] - 提出三大策略：压缩(保留高价值Token) 持久化(存储检索系统) 隔离(划分上下文边界) [5] 压缩技术实践 - Claude Code在上下文窗口使用超95%时自动压缩 Anthropic多Agent研究生成工作阶段摘要 [7] - Cognition的Devin使用专用微调模型进行上下文压缩 显示技术门槛较高 [7] 持久化系统构建 - 存储方式：Claude Code用CLAUDE.md文件 Cursor/Windsurf用规则文件 Letta/Mem0用嵌入式文档 Zep/Neo4J用知识图谱 [10] - 保存策略：Claude Code用户手动更新 Reflexion论文提出Agent轮次后反思生成 ChatGPT等产品实现自动记忆生成 [11][12] - 检索机制：小规模直接载入(如CLAUDE.md) 大规模需选择性检索(向量搜索/图检索) GPT-4o曾因检索错误注入非意图位置信息 [14][15] 隔离管理方案 - 上下文模式：用Pydantic模型替代臃肿消息列表 隔离高Token内容并按需获取 深度研究Agent将messages与sections分离 [18][20] - 多Agent架构：OpenAI Swarm库实现关注点分离 Anthropic研究显示隔离上下文多Agent性能比单Agent高90.2% 但Token消耗增15倍 [21] - 环境隔离：HuggingFace的CodeAgent在沙箱执行代码 隔离生成对象(如图片)但保留变量引用能力 [22] 行业实践经验 - 工具先行原则：建立Token追踪机制作为基础 Anthropic建议"像Agent一样思考"明确状态模式 [23] - 可并行化任务优先采用多Agent Anthropic案例显示子Agent无需严格协调时效率显著提升 [26] 发展趋势 - 上下文管理是AI Agent核心 需平衡性能(如GPT-4o 50%准确率) 成本(15倍Token消耗) 准确性(函数调用) [24] - LLM本质是无状态函数 最佳输出依赖最佳输入设计 清晰表达需求与语境构建决定响应质量 [25]

企业级低代码开发平台Superblocks - Superblocks完成2300万美元A轮扩展融资 使A轮总融资额达到6000万美元 [1] - 公司主打产品vibe coding工具面向企业非开发人员 [1] - 已赢得Instacart和Paypaya Global等知名企业客户 [5] - 内部实践"吃自己的狗粮"策略 业务人员自主搭建智能代理处理CRM数据识别 支持指标跟踪等任务 [5] AI系统提示词的价值 - AI独角兽企业使用的系统提示词(5000-6000字)被视为提示工程"大师课" [1] - 系统提示词占核心技术的20% 剩余80%为"提示增强"基础设施 [2] - Superblocks公开分享19个来自Windsurf Manus Cursor等热门AI编程产品的系统提示词文件 [2] 系统提示词研究框架 - 包含三部分：角色提示(如Devin的提示赋予目标与个性) 上下文提示(设立防护机制) 工具使用(指导模型超越文本生成) [3][4] - 自然语言编写的系统提示词需极度特异 需像对待人类同事般精确 [3] - 不同工具侧重点各异：Loveable V0 Bolt专注快速迭代 Manus Devin等输出原始代码 [4] 商业机会洞察 - 研究系统提示词可发现价值十亿美元的创业点子 [1] - 通过处理安全性 访问Salesforce等企业数据源 赋能非程序员编写应用程序 [5] - CEO推文浏览量近200万 引发硅谷大咖广泛关注 [2]

Vibe Coding实践与验证 - Vibe Coding指完全依赖AI生成代码的编程方式 代表产品包括Windsurf Cursor Cline Devin等 [7] - 资深工程师通过3个月实践验证 完全依赖AI生成5万行代码 成功开发3个功能产品 包括增强型Cline Twitter订阅系统和浏览器自动化工具 [7][8] - 开发效率达到每天生成1万行代码 其中约5000行可直接采纳 远超人工编程速度 [9] - 开发成本控制在100-200美元/项目 耗时主要集中于假期和周末 [8] Coding Agent关键技术架构 - 核心三要素为模型(Model) 上下文(Context) 工具(Tools) 类比企业人力资源管理体系 [15] - 顶尖模型代表包括Cursor调教的Claude 3.7 Max和Gemini 2.5 Pro Max 在复杂任务中表现优异 [15][43] - 上下文管理系统需包含1000+行system prompt 动态用户输入及反馈闭环机制 [16] - 关键工具链包含代码语义搜索(codebase_search) MCP协议支持 浏览器自动化(browser use)等特色功能 [17][32] 语义搜索技术突破 - Cursor通过codebase_search实现工程级语义搜索 支持10万行以上代码库的精准定位 [18][26] - 技术实现包含AST语义分块 向量嵌入存储 余弦相似度搜索三阶段 类似百度搜索引擎架构 [29] - Cline因缺失语义搜索功能 处理1万行以上代码库时效率显著下降 需通过第三方方案补足 [31] MCP协议生态发展 - MCP(Model Context Protocol)实现工具链标准化 使同一工具可跨平台(Cline Cursor Copilot)通用 [33] - 协议优势包括开发流程简化(仅需修改JSON配置) 端到端SOP自动化 避免重复开发排队 [38] - 2025年5月技术格局：Cline对MCP支持最佳 Cursor次之 Copilot仍在追赶 但差距可能快速变化 [36] 主流Coding Agent产品对比 - Cursor当前领先 凭借Claude 3.7 Max模型和语义搜索能力 可驾驭10万行级工程 [43][44] - Cline优势在于开源可定制 对MCP支持最完善 但需补足语义搜索和上下文管理短板 [44][45] - GitHub Copilot在上下文管理和MCP支持方面暂处劣势 但微软生态整合能力可能带来变数 [46] Agent开发核心原则 - 实践验证"苦涩教训"(The Bitter Lesson)：过度植入人类经验会限制AI潜力 应侧重搜索和学习元方法 [47][49] - 质量Agent案例显示 减少人为干预后测试覆盖率从70%提升至99% 证明通用方法的扩展性价值 [48] - 行业需建立能自主发现复杂性的系统 而非简单封装现有知识 [49]

AI生成代码的特性分析 - AI生成的代码缺乏上下文记忆和维护连续性，一诞生就处于"他人旧作"的状态 [1] - AI生成的代码具有"无状态"特性，无法真正理解作者意图或拥有时间点记忆 [3] - 每次AI生成的代码都像是"由别人写的"，跳过了"新代码"阶段直接进入"旧代码"模式 [5] 代码生命周期与维护行为 - 代码演进速度取决于编写时间远近和维护者是否为原作者 [1] - 人类维护者对不同时期代码的四种典型态度：近期自写代码最易改进，他人旧代码最不愿改动 [4] - 遗留代码的本质是支撑代码的"理论"随原作者离开而失传，仅保留低保真表达的代码和文档 [8] 行业解决方案与发展趋势 - 开发者尝试通过精心构造提示、设计上下文窗口和详细注释来弥补AI缺陷 [5] - Chain of Thought技术可能解决AI无状态问题，通过重新激活上下文理解代码 [10] - 未来代码可能更依赖模型推理和提示生成，而非长期维护的静态结构 [5] LLM时代的理论构建探讨 - LLM可能隐含某种尚未被理解的"程序理论"，或能从代码中逐步构建理论 [12] - 技术债管理新思路：保存Prompt可帮助理解代码存在原因，优于人类记忆 [10] - 理论掌握权可能转移至写prompt的人而非写代码的人 [12] 行业观点与讨论 - 软件开发本质是开发者集体心智构建的"理论"，代码只是其低保真表达 [8] - 人类开发者常通过"时代写法"解释代码，部分确实反映历史约束条件 [9] - 代码提示生成可能成为短期/中期的过渡桥梁，而非长期维护对象 [6]

文章核心观点 - AI输出质量与提问方式直接相关，精准提问能显著提升AI潜能 [1][4] - 提示词优化是数字化时代的元能力，掌握技巧可大幅提升生产力 [1][29] - 提示词质量决定AI输出水准，需具备明确、上下文化、目的性强三大特质 [5][6][11] 提示词优化原则 - 提示词分指令型和对话型，前者适合目标明确任务，后者适合创意探索 [7] - 高阶技巧包括零样本提示、少样本提示、思维链提示，组合运用效果更佳 [5][7] - 黄金法则：具体明确指令=更优质输出，避免含糊或冗长指令 [5][6][8] 实用技巧 - 提供背景信息可提升输出相关性，如说明受众、任务目标或角色设定 [11][24] - 增加约束条件（篇幅、基调、格式）能有效引导AI输出方向 [17][20] - 复杂任务需拆解为单步指令，AI在清晰小任务中表现最佳 [22] 迭代与角色设定 - 提示词需多次迭代调整，首次输出不理想属正常现象 [23] - 角色代入法（如设定AI为特定专家）可使输出自带专业滤镜 [24] - 建立个人提示库可积累已验证有效的指令，提升长期效率 [27] 行业应用观察 - AI可作为高效头脑风暴搭档，批量生成备选方案加速创意流程 [30] - GPT综合性能领先，Claude细腻度突出，工具选择需结合场景 [30] - 提示词编写虽耗时但能压缩构思阶段时间成本，适合重复性工作 [30][31] 方法论总结 - 提示词准则应视为乐高积木，根据场景自由组合而非机械套用 [32] - 负面排除法（明确避免内容）与正面引导同等重要 [28] - 需测试边缘案例（如向不同受众解释概念）以优化提示适应性 [27][31]

在完成前两期的分享后，我们与马骁腾老师进行了一次线下会面。正值Manus热度高涨之际，我们借此机会就AI产品的未来方向展开了交流，并探讨了未 来活动的形式。我们计划邀请更多来自AI领域的不同方面的人士参与分享，包括在读博士（人工智能领域）、AI产品创始人以及计算机行业大咖（如： 微软MVP）等。我们诚挚欢迎各位粉丝朋友们加入我们的分享活动，表达自己的观点。让我们共同交流关于当下AI的热点话题，或是探讨工作与生活中 的其他观点和现象。 主讲人马骁腾，利物浦大学硕士，大厂资深产品运营专家（快手，Opera，天工AI），近两年转向人工智能，是国内前5的C端AI产品初始团队成员。 主讲人寄语 作为互联网产品与知识传播从业者，我所做的分享会尽可能以行业趋势为基础。我会学习论坛专家的发言，借鉴学界对 AI 行业发展的深度思考来为观点 提供佐证。 这些分享定位为科普性质，我会对专家观点展开多维度解析、延伸与重构，将其转化为公众易于理解的科普素材，确保每一个复杂概念都能清晰呈现。当 前，AI 领域信息过载，各类媒体发布的资讯质量良莠不齐。我期望通过这一系列分享，助力大家穿透表象、洞察本质，树立正确的 AI 认知，培养基本的 ...