# 提示词的所有文章

在 HTX 新闻中心浏览与「提示词」相关的最新资讯与深度分析。潘盖市场趋势、项目动态、技术进展及监管政策，提供权威的加密行业洞察。

Opus 5游戏提示词爆火，24小时复刻3A巨作

最近，一个名为“挑战循环”的Opus 5游戏提示词在社交媒体上爆火。该提示词的核心是利用多智能体协作与严格的质量审核机制，驱动AI在极短时间内开发游戏原型。其运作逻辑是：一个主智能体将开发任务分解，分配给多个子智能体执行，同时引入一个独立的“评委”智能体进行质量监督。该评委会将AI生成的内容与真实的3A游戏（如《使命召唤》、《星空》）进行并排对比，若质量不达标，则要求返工迭代，直至满足要求。效果显著：网友Anshu运用此方法，仅用24小时就从零开发出了一款名为《The Long Silence》的太空探索游戏，其视觉效果向3A大作看齐。原作者Matt Shumer也用它快速生成了《使命召唤》风格的游戏原型，且所有贴图、动画、声音均由AI生成，未使用外部素材。具体流程通常分为几步：首先给出基础游戏目标；然后设定一个长时间（如24小时）的持续优化目标，由多智能体并行工作提升视觉质量；最后开发者进行手动微调、代码清理和部署。Opus 5在此过程中甚至自行创建了一套包含17项校验流程的自动化验收工具。此方法迅速引发社区模仿，网友们用它成功开发出了卡丁车游戏、“Claudepunk 2077”等多种类型的游戏原型。即使在GPT-5.6 Sol等其他大模型上尝试，效果也相当不错。这印证了Opus 5在长程、多步骤任务中自我检查与迭代的能力。“挑战循环”提示词本质上是为模型的这种能力套上了一个更严格的校正与驱动机制。

marsbit07/29 08:46

marsbit07/29 08:46

Claude Code狂删80%提示词，Opus 5反手加回去了

近日，Anthropic宣布大幅删减Claude Code模型中超过80%的系统提示词，旨在简化早期为防出错而设的大量繁琐规则，让模型更灵活。然而，网友实测发现，最新Opus 5模型的实际提示词长度比前代Opus 4.8增加了约72%。原因在于，此次删减主要针对旧版模型（如Opus 4.7到4.8阶段）的冗余规则。而Opus 5因能力更强、行为更主动，需补充新的约束内容，主要集中在控制任务范围、进度汇报和纠正习惯等方面，以确保其在复杂任务中高效可控。因此，尽管整体提示词体系已精简，但针对新模型特性的指导有所增加，两者并不矛盾。这反映出AI进化趋势：能力提升后，人类需从“手把手教学”转向“设定清晰边界”。

marsbit07/27 11:37

marsbit07/27 11:37

OpenAI官方教你8招玩透ChatGPT

OpenAI官方发布了最新的提示词指南，总结了八个让ChatGPT生成更准确内容的小技巧。首先，建议使用性能更强的GPT-5.6 Sol模型。其次，给出指令时要具体描述期望的内容、格式和风格，避免笼统。将核心要求放在提示词最前方，并用“###”或“"""”等分隔符清晰隔离指令与文本。通过举例和解释来明确想要的格式。任务执行可先从zero-shot开始，再逐步增加示例，最后考虑微调。避免使用空泛的形容词，尽量用精准的表述。不仅要告诉模型“不要做什么”，更要说明“应该怎么做”。代码生成时，使用“import”或“SELECT”等引导词来提示模型遵循特定代码模式。此外，OpenAI还推出了“Generate Anything”功能，用户只需描述需求，AI即可自动生成合适的提示词来完成任务。掌握这些技巧能更有效地与ChatGPT协作。

marsbit07/16 08:25

marsbit07/16 08:25

全网骂Claude变笨，Anthropic下场揭秘：坑你的不是模型

近日，Anthropic官方发文澄清了用户关于Claude“变笨”的普遍误解。问题的核心并非模型能力下降，而是用户混淆了“模型选择”与“努力度”两个关键设置。今年3月，许多开发者发现Claude Code性能骤降，任务完成不彻底。原因在于Anthropic为降低延迟，将“努力度”默认档位从“高”调至“中”，导致模型投入工作量减少，而非模型本身变弱。官方解释了两者的区别： - **模型**：代表AI的“脑子”，即固定的知识权重，决定其“会不会”某项任务。换模型是更换其底层能力。 - **努力度**：代表AI的“态度”，决定其单次任务中愿意投入多少工作量，如读取文件、运行测试、深入验证的彻底程度。高努力度能生成数倍于低努力度的思考与操作。因此，当Claude表现不佳时，应先检查提示词与上下文。若AI“不够努力”（如跳过必要步骤），应调高努力度；若属于“不会”（上下文充足仍犯错），才需更换更强模型。一个反直觉的结论是：较小模型（如Sonnet）配合高努力度，其表现可能优于强大模型（如Opus）在低努力度下的表现。关键在于根据任务复杂度合理“调度”模型与努力度，这已成为有效使用AI编程工具的核心技能。盲目升级模型而不调整努力度，可能既浪费成本又无法解决问题。

marsbit07/12 05:56

marsbit07/12 05:56

老黄：Prompt已死，整个AI圈都在疯狂追Loop

近期，硅谷AI圈掀起“Loop Engineering”（循环工程）热潮，业界普遍认为传统手动编写提示词（Prompt）的模式即将被淘汰。英伟达CEO黄仁勋、吴恩达、Anthropic及OpenAI等多位专家和机构均指出，未来核心不再是设计单次指令，而是构建能够自主运行、迭代的AI循环系统。循环工程的核心在于将人类从实时干预中解放出来，转变为系统架构师。人类只需一次性定义目标、停止条件、验证机制、记忆存储及调度规则，随后AI系统便可自动执行“发现任务→执行→验证→持久化→再发现”的闭环流程，实现24/7不间断工作。其中，独立的验证环节尤为关键，需设立专门的评估智能体对输出进行客观审查，避免自我美化。这一转变意味着代码生成成本大幅降低，而人类的判断力成为关键稀缺资源。然而，全自动循环也可能带来验证债务、代码理解脱节、认知依赖及token消耗失控等风险。因此，成功的循环设计需融入严谨的判断与监督，否则可能放大错误或导致技术债务。目前，相关实践指南和白皮书已在网络广泛传播，标志着AI开发正从“提示工程”迈向“循环工程”的新范式。尽管自动化能力增强，但工程师的核心角色并未消失，而是升级为循环系统的设计者与决策者，确保AI在正确方向上高效运行。

marsbit06/29 08:37

marsbit06/29 08:37

黄仁勋：Prompt正在过时，Loop才是新范式

黄仁勋等AI领域领军人物提出，传统的“Prompt Engineering”（提示词工程）正在被“Loop Engineering”（循环工程）取代。新范式的核心是从手动编写具体指令，转变为设计和管理能够自动运行、自我验证并持续优化的循环系统。 **Loop是什么？** Loop（循环）指一种系统设计：用户设定一个目标，AI Agent（智能体）会自动执行任务，完成后由独立的验证机制（如另一个模型）进行验收；若未通过，则带着反馈重新执行，直至成功或达到预设限制。人的角色从“逐句指挥”转变为“规则设计者”。这与单纯使用Agent的关键区别在于，Loop为其提供了自主持续工作的管理框架。 **当前落地情况** 目前，Claude Code和OpenAI Codex是Loop理念的主要实践者。两者都实现了将复杂任务拆分，由多个Agent并行处理并汇总结果。其核心设计原则是“执行与验证分离”，以避免自我评分时的宽松问题。例如，“Claude Code之父”Boris Cherny描述其工作流：数百个Agent在隔离环境中自动处理问题，仅疑难事项才需人工干预。 **如何构建有效的Loop？** 1. **前提测试**：任务需具备重复性、可自动化验收、成本可控且Agent拥有必要工具。 2. **从最小可行Loop开始**：包含触发器、技能定义、状态记录文件和自动化验证门禁。务必先手动跑通流程再自动化。 3. **执行与验收分离**：必须由独立的Agent或模型进行验收，确保评估客观。 4. **避开常见陷阱**：设置硬性停止条件（如token上限）、持久化状态、不让Loop处理需要主观判断的任务、坚持阅读代码变更以维持理解。 5. **核心衡量指标**：关注“每个被采纳改动的平均成本”，接受率低于50%意味着Loop可能效率低下。 **范式演进路径** Loop的兴起是AI应用控制粒度不断上移的结果：从**Prompt Engineering**（优化单次指令）到**Context Engineering**（组织背景信息），再到**Harness Engineering**（构建执行环境），最终演进至**Loop Engineering**（设计自主循环系统）。这一过程逐步将人类从具体操作中解放出来。 **渊源与反思** Loop的理念在学术界早有雏形，例如姚顺雨等人提出的ReAct框架，将“推理-行动-观察”构建为循环。业界火爆的背后也需冷思考，专家提醒需警惕token成本，并指出“AI可以外包思考，但无法外包人的理解”，强调在自动化中保持对问题的根本认知至关重要。

marsbit06/25 14:26

marsbit06/25 14:26

Codex goal模式使用指南：如何让AI持续推进一个具体目标

OpenAI推出的Codex目标模式（/goal）允许AI围绕一个具体目标持续工作数小时甚至数天，直至任务完成。其核心在于设定清晰、可验证的退出标准（如“部署时间降低30%”），而非冗长的需求描述。用户需提供足够的方向、工具和真实环境，让Codex能衡量进展并验证结果。文章强调，应避免让AI陷入视觉细节等模糊任务，建议将目标拆解为可评估的功能清单或指标。对于长期任务，需通过提交代码、更新文档或发送进度通知等方式跟踪进展。任务完成后，建议让AI审查并清理尝试过程中遗留的无效改动。总之，目标模式标志着AI从响应指令的助手，转变为需要被定义目标、配置环境并管理进度的工程执行者。

marsbit06/06 08:11

marsbit06/06 08:11

如何用30天成为Claude高阶用户？

本文提供了一个为期30天的Claude进阶使用教程，旨在帮助用户将Claude从一个临时的问答工具，转变为能够理解用户、持续产出高效成果的智能工作助手。教程按周划分，逐步构建个人专属的工作系统。 **第一周：掌握基础能力** 核心是学习撰写结构清晰的Prompt，包含角色、背景、任务、格式和限制条件五个部分。理解上下文窗口的概念，将关键信息前置。最后，设置至少三个专项Projects（如主要工作、研究分析、写作沟通）并开启Memory功能，让Claude记住用户的背景与偏好，奠定个性化基础。 **第二周：搭建核心工作流** 创建可复用的流程模板，覆盖研究、写作和决策三大常见场景。例如，研究流程可快速分析资料并生成报告；写作采用先提纲后全文的两步法，确保方向正确；决策流程则能系统化地分析选项与利弊。这些工作流能将重复性工作自动化，显著提升效率。 **第三周：实现自主与自动化** 通过Claude Cowork功能，让Claude能在指定文件夹内自主读取、处理文件和执行多步骤任务。连接Google Drive、Slack等外部工具，扩展其能力。设置定时自动化任务（如每日计划生成、周报整理），使Claude从被动工具转变为能主动工作的系统。 **第四周：系统优化与积累** 回顾并优化所有工作流，根据输出反馈迭代Prompt，追求稳定高质量。建立个人知识库，保存历史优质产出供后续项目调用，实现知识复利。通过教会他人来巩固自身理解。最终，规划完整的个人Claude操作系统蓝图，明确所需工作流、工具连接和使用节奏，并定期迭代。遵循此路径，用户能在30天内构建一个深度理解自身需求、能自主运行并持续优化的工作系统，从而将时间专注于更具创造性和战略性的任务上，真正成为Claude的高阶用户。

marsbit05/20 08:06

marsbit05/20 08:06

普通人实现AI能力跃迁的三个框架：告别「每天重复输入」的使用窘境

普通人使用AI存在两种模式：一种每天重复输入相同指令，效率停滞不前；另一种通过构建技能库实现能力跃迁。核心在于三个认知框架：第一是三层进化论：Prompt层（临时指令，每天归零）、Project层（项目级上下文，但知识被隔离）、Skill层（结构化技能，一次编写永久生效）。Skill层让AI成为真正的工作系统。第二是交易与复利思维：Prompt是1:1的线性交易，Skill则是复利资产。首次投入时间创建技能后，后续每次交互都能自动调用，形成累积效应。第三是"薄工具链，厚技能"原则：90%精力应投入Skills构建（流程、标准、领域知识），而非优化工具链。Skills是永久资产，模型升级时自动增强。实操建议：定位当前层级→筛选重复三次以上的操作创建Skill→用Claude内置工具快速生成技能文件。例如竞品分析Skill可包含流程："锁定3-5竞品，按功能/定价/市场定位三维度对比，输出SWOT格式并附数据来源"。一个下午构建技能体系（写作风格、会议纪要等），两小时投入带来持续复利回报。关键在于将AI从需要反复指导的实习生，转变为掌握方法论的成熟员工。

marsbit04/22 06:43

marsbit04/22 06:43

比Nano Banana还夯的生图模型泄露，截图不再是证据了 | 附提示词

近日，LM Arena评测平台短暂出现了三个匿名图像模型，据推测为OpenAI尚未正式发布的GPT Image 2。该模型在文字渲染、指令跟随、真实感和世界知识等方面表现突出，尤其在多语言文字（包括中文）的生成上准确率大幅提升，能生成高度逼真的证件、界面和产品标签图像。这一进步使得截图作为证据的可信度受到挑战，但也为设计、产品原型制作及内容配图等场景带来便利。与此同时，GPT Image 2在多项测试中表现优于Google的Nano Banana Pro及Midjourney等模型。目前该模型仍处于A/B测试阶段，预计将在5月随DALL-E系列服务退役后正式发布。用户可尝试在LM Arena平台体验，并参考社区推荐提示词生成高质量图像。

marsbit04/19 01:11