Topic · 主题全部主题 →

教程实践

拿来就能用的实操内容：提示词技巧、工作流搭建、工具用法与踩坑经验。

2,290条收录
350条精选

精选归档 · 第 4 页

第 61–80 条 · 共 350 条

7月23日

星期四 · 1 条
01:52
elvis@omarsar0精选
AI 评分 75/100
从提示词到任务：多模态交互单元提升AI智能体效率http://x.com/i/article/2079981292108582912What Comes After the PromptKarpathy’s recent post about using long voice sessions as prompts helped me make sense of a prompting technique I now rely on often while building with agents. The visual that accompanies this post, From a prompt to a task, summarizes the idea in one picture.For lack of a better term, I have been calling the unit a task. A task uses multimodal prompting to give an agent the instruction and as much relevant context as possible in one turn. It covers a larger unit of work than a single prompt, and it leaves behind a stored trace that can later become a reusable skill.A task can include a long voice explanation, the current screen, precise text, annotations, transcriptions, images, and any other evidence that helps the agent understand the work. Each modality contributes something different. Voice carries reasoning, priorities, examples, and uncertainty. The screen gives the agent the current state and the environment where the work needs to happen. Annotations direct attention to specific details. Text preserves exact requirements, names, and constraints. Together, these signals give the agent a richer representation of the work.The interactionThe experience feels closer to guiding an agent through a complex assignment than composing a conventional prompt. I front-load the context that would otherwise emerge across several turns, then give the agent room to complete more of the work in a single pass. In practice, I record a voice note while walking through the work, capture the relevant screen, mark it up with quick annotations, and paste in the exact text the agent needs.The agent can still ask questions when important information is missing. In my experience, richer tasks reduce the repetitive back-and-forth where I restate context, point out the same details, or correct an assumption that could have been resolved from the beginning. A recent example was scheduling a post on a platform I rarely use. I recorded a short voice note with the goal and constraints, shared the screen with the scheduling page open, and annotated the fields that mattered. The agent completed the setup in one pass, and the usual follow-ups about which fields to fill and which copy to paste never happened.This has also changed how I think about productivity with agents. A well-formed task gives me more confidence to hand off work and move to something else. That makes parallel work more practical because each agent needs less active supervision while it runs.Why it worksKarpathy pointed out that LLMs are remarkably good at reconstructing intent from long, disorganized voice sessions. A ramble contains many weak signals about the goal, the constraints, the examples that matter, and the speaker’s uncertainty. The model can organize those signals into a cleaner representation of the request.I am extending that idea with more modalities. The voice session provides the reasoning, while the screen, text, annotations, transcriptions, and images provide additional evidence. When one channel is noisy or incomplete, another channel can help resolve the ambiguity.Complex agent tasks often fail at the boundaries between what I meant, what I explicitly said, and what the agent could observe. Multimodal prompting gives the model more opportunities to close those gaps before it begins the work.Cost and payoffThis approach can look like overkill, and sometimes it is. A simple request still deserves a simple prompt. I use richer tasks when the work is long-running, when precision matters, when the agent needs to navigate an unfamiliar interface, or when a mistake would create several rounds of correction.A multimodal task can also cost more because it contains more context. In my experience, that investment usually pays for itself. I can complete a larger unit of work per turn because the agent begins with more of the context it needs.This is especially useful for browser use and computer use. The agent can see the environment, hear the reasoning behind the request, follow annotations that identify important elements, and use text for exact details. That combination helps the agent navigate unfamiliar interfaces.Some of my current examples include scheduling posts on unfamiliar platforms, improving writing and editing, and refining the design of artifacts and web pages. These tasks involve many small decisions that are tedious to encode as a traditional prompt but easy to communicate while showing the work. In a design refinement task, the modalities map naturally. Voice explains what feels off about the layout and what the change should preserve. The screen shows the current state of the artifact. Annotations mark the specific spacing, components, or sections to adjust. Text supplies the exact copy and the constraints that should stay fixed.From traces to skillsI store the traces from these tasks and review them for recurring patterns.The useful patterns usually include the sequence of actions, the constraints I repeat, the quality checks I apply, and the corrections that consistently improve the result. Those patterns can be extracted into reusable skills so the next agent starts with a stronger workflow.This connection to automation is important. A task gives me a practical unit that I can inspect, improve, and eventually place inside a larger loop. The richer initial trace helps me understand which parts can be automated reliably and where human guidance still adds value.The process usually starts with a manual task. Repeated use produces traces, the traces reveal patterns, and the patterns become a reusable skill. Over time, the workflow requires less explanation because the important guidance has been captured.If you are curious to learn more, I will be demoing, sharing, and writing more about this with our academy here: https://academy.dair.ai/Toward omnimodelsOmnimodels, models built to consume voice, vision, images, and text natively, should make this style of interaction feel natural. We will be able to speak, show, point, type, and provide examples within the same session, while the model integrates those signals directly.I feel like I am rehearsing for that interaction now. The current tools already make it possible, even if the experience still feels stitched together across voice, browser state, images, and text.The term task is provisional, but the underlying idea has become clear through repeated use. Give the agent a richer trace of the work, let it reconstruct the intent, store what happened, and reuse the patterns that work.This came from a practical need. I wanted fewer correction loops, stronger handoffs, and more dependable long-running agent workflows. Multimodal prompting has moved me steadily in that direction, and it has become my default way of handing agents real work.译DAIR.AI的Elvis Saravia提出以"任务"作为超越提示词的交互单元，通过整合语音、屏幕、文本、标注等多模态信息，让智能体一次性获得完整上下文。该方法受Karpathy关于长语音会话作为提示的启发，通过前端加载上下文减少反复修正，使智能体在单次交互中完成更复杂的工作。
智能体教程/实践
推荐理由：这篇文章把 Karpathy 的语音提示思路扩展成可落地的多模态任务方法，减少了代理交互的摩擦，做 agent 的可以试试，虽然简单但实用。

7月22日

星期三 · 3 条
01:52
OpenRouter：Announcements（RSS）精选
AI 评分 69/100
OpenRouter 推出 Prompt Caching + Sticky Routing，降低多轮 Agent 调用成本

OpenRouter 通过 Prompt Caching 与 Sticky Routing 降低多轮 Agent 的 token 成本。缓存读取价格仅为正常输入的 0.1x-0.5x，其中 Claude Sonnet 4.6 缓存读取为 $0.30/M（正常 $3.00/M）。

教程/实践部署/工程
推荐理由：Prompt caching 不是新概念，但 OpenRouter 把成本算得明明白白，sticky routing 配合 session_id 解决了缓存漂移的痛点，做 agent 的人该抄作业。
01:22
Andrej Karpathy@karpathy精选
AI 评分 78/100
Karpathy：用语音与LLM长谈可提升理解效率One pattern I find useful for working with LLMs is a nice long ramble session. Sometimes the LLM needs more bits to understand what you're trying to achieve, but you're too lazy to type them. In these cases I like to lean back, switch to /voice and just ramble for like 10 minutes, total mess, anything goes, full stream of consciousness. Sometimes I declare it up top, something like "switching to speech recognition sorry for any typos...". Sometimes I turn it into a small interview of a few turns. But I find that the LLMs are somehow very good at reconstructing long incoherent rambles and often their echo of your own tangle of thoughts comes out quite a bit cleaner than what you started with. The result is that you improve the mind meld and have to correct things less from that point on.译Andrej Karpathy分享了一种与LLM协作的有效模式：开启语音输入，进行10分钟左右的自由漫谈，即使内容混乱、意识流式也无妨。他发现LLM擅长从长篇不连贯的语音中重构意图，回应的内容往往比用户最初的思路更清晰，从而减少后续修正次数、提升人机对齐效率。
教程/实践语音
另有 1 家信源报道X：Elvis Saravia (@omarsar0, DAIR.AI)
推荐理由：Karpathy 这条语音输入 ramble 技巧，比精心写 prompt 更符合人性，读完后你也会想试试。
00:49
GitHub Blog精选
AI 评分 70/100
GitHub Copilot 推出 canvases 扩展，实现开发者与 AI 智能体实时协作

GitHub Copilot 在应用中推出 canvases 扩展，这是一种共享交互式界面，开发者和 AI 智能体可在其中实时协作。用户通过 /create-canvas 指令创建画布，Copilot 可动态更新内容，用户则通过点击、编辑等操作与同一工作区交互。示例包括快速分类 Issue、生成交互式代码库关系图、管理会话工作树、优化提示词质量以及跨平台搜索知识联系人。

GitHub教程/实践编码
推荐理由：Copilot 的 canvas 把对话变成可拖拽可点击的交互界面，处理 issue、探索代码都变得直观，日常依赖 Copilot 的开发者可以直接用起来。

7月20日

星期一 · 1 条
08:20
公众号：数字生命卡兹克精选
AI 评分 76/100
不会代码也能做产品：一份从0开始的Vibe Coding保姆级教程

本文面向零代码用户，提供一套使用国产大模型（Kimi、GLM、Qwen等）从零开发并上线产品的完整流程。核心步骤包括购买Coding Plan、下载官方Agent编程产品、注册域名与服务器并同步做ICP备案，然后通过Agent的Plan模式描述需求并让AI自动执行开发。上线后建议建立分支保护与测试流程，并强调即使不懂代码，也必须对系统架构了如指掌。

GitHubMCP/工具教程/实践部署/工程
推荐理由：我觉得这是目前最适合非技术人的中文实操指南，把从买服务器到上线的坑都填平了，独家skill也开源了，跟着做能少走很多弯路。

7月18日

星期六 · 1 条
13:46
Simon Willison 博客精选
AI 评分 72/100
LLM cliché highlighter：一款识别AI写作套话的检测工具

Simon Willison 用 Fable 5 开发了一款 LLM cliché highlighter 应用，用于高亮 LLM 生成文本中常见的十种套话模式，例如“no fluff, no filler, no jargon”这类陈词滥调。该工具旨在帮助读者快速识别并过滤掉充斥在文章中的 AI 写作风格化表达。

MCP/工具教程/实践
推荐理由：Simon 做了一个小工具，能一键揪出 LLM 生成文本里的“陈词滥调”，看完后你可能会克制用“真香”写标题。

7月17日

星期五 · 3 条
17:50
公众号：通义实验室（千问）精选
AI 评分 74/100
首届"小有可为"大赛乡村教育一等奖作品"智绘科普"技术拆解

首届“小有可为”大赛乡村教育赛道一等奖作品“智绘科普”采用 Qwen3.5-397B-A17B 大语言模型与 Manim 动画引擎，通过多Agent分阶段协作与自动修复机制，将知识主题转化为可控、可编辑的教学动画。系统包含规划、草稿、实现、审查、合成五个阶段，渲染失败时可自动提取日志并修复，该工程范式可迁移至其他赛道。

智能体开源/仓库教程/实践编码
推荐理由：这是官方出品的实战教程，拆解了一套多Agent协作+门控+自修复的工程流水线，技术思路通用，做AI应用的可以直接抄作业。
17:41
公众号：通义实验室（千问）精选
AI 评分 72/100
小有可为实战教程：拆解乡村教育一等奖作品"智绘科普"的多Agent协作与门控工程

首届“点亮乡村课堂”赛道一等奖作品“智绘科普”采用Qwen3.5-397B-A17B大语言模型与Manim开源数学动画引擎，构建多Agent分阶段协作流水线。系统通过规划、草稿、实现、审查、合成五个Agent，配合时序门控、几何审计、视觉审查三道质量门及自动修复回路，实现可控可编辑的教学动画生成。项目底层“多Agent协作+门控+自我修复”范式可迁移至养老陪伴、孤独症干预等场景。

智能体教程/实践
推荐理由：拆解了一套多Agent协作、阶段门控加自动修复的工程范式，为在数学教学等严谨场景驯服大模型输出提供了可复用的流水线思路。
01:32
Claude：Blog（网页）精选
AI 评分 65/100
Anthropic 用 Claude Code 大规模迁移代码：Bun 百万行 Zig 转 Rust，两周完成

Anthropic 工程师用 Claude Code 在两周内将 Bun 的百万行 Zig 代码迁移至 Rust，100% 现有测试通过，合并后出现 19 个回归问题已全部修复。另一工程师用周末将 Python 代码库迁移至 16.5 万行 TypeScript。迁移消耗约 16.5 万美元 API 成本，但编译时间从八分钟降至两秒，二进制启动快 6 倍。

Anthropic教程/实践编码部署/工程
推荐理由：Anthropic 用自家 Claude Code 把百万行 Zig 代码迁到 Rust，两周搞定，这不仅是案例展示，更是开发者如何用 AI 重构代码库的实操指南，尤其适合那些被遗留代码拖累的团队。

7月16日

星期四 · 6 条
22:27
Google AI：DEV 作者专属（RSS）精选
AI 评分 72/100
DiffusionGemma 开发者指南发布

Google AI 发布 DiffusionGemma 开发者指南，该实验性模型基于 Gemma 4 架构，采用计算受限并行生成，在单张 NVIDIA H100 上实现 1000+ tokens/秒的生成速度。模型为 26B 参数的 MoE 架构，推理时仅激活 3.8B 参数，可在 18 GB VRAM 内量化部署。

GoogleHugging Face开源生态推理
推荐理由：虽然 DiffusionGemma 是实验性的，但把文本生成从内存带宽瓶颈转向计算瓶颈的思路非常新颖，这篇指南给出了可落地的服务方案和微调手法，做推理优化的值得跟进。
15:43
MarkTechPost（RSS）精选
AI 评分 72/100
Patter SDK 教程：构建餐厅预订电话智能体，支持动态变量、护栏、延迟仪表盘与评估检查

Patter SDK 发布教程，演示如何构建一个餐厅预订场景的语音智能体工作流。该流程支持动态调用变量、注册可调用工具、应用输出护栏（如PII脱敏、脏话过滤、话题范围限制），并可在无需实时电话凭证的情况下运行脚本化通话模拟。教程还涵盖延迟与成本指标追踪、回归式评估检查，以及将智能体逻辑、工具调用、安全检查和通话模拟整合为单一结构化管线。

MCP/工具教程/实践语音
推荐理由：这个教程把 Patter SDK 的语音代理从模拟到部署跑了一遍，代码能直接抄，想上手电话 AI 的开发者可以当样板，不过工具本身还比较新，生态有待验证。
11:30
公众号：千问APP（阿里）精选
AI 评分 61/100
千问APP联合武汉发布举办AI求职实战课，演示简历诊断与办公自动化

千问APP与武汉发布在武汉举办AI求职实战课，现场演示了用千问进行简历诊断、PPT制作和表格分析。产品经理提出“给全材料、说明目标、定义标准、划定边界、索要可编辑文件”五步法，并展示了将486行杂乱销售数据浓缩为一页结论PPT的“建、理、算、析、呈”方法论。

教程/实践数据/训练
推荐理由：千问官方出的这套办公Prompt，从简历诊断到PPT救场再到经营数据清洗，方法论清晰可套用，求职者和日常办公的人可以直接拿来用，比泛泛的教程实在。
11:28
公众号：千问APP（阿里）精选
AI 评分 64/100
千问APP联合武汉发布办AI求职实战课，演示简历诊断、PPT制作与表格分析

千问APP与武汉发布联合承办AI求职实战课，现场演示AI在简历诊断、商业报告撰写、销售表分析等场景的应用。产品经理金师兴提出“给全材料、说明目标、定义标准、划定边界、索要可编辑文件”五步法，并给出分步骤提示词生成Word简历；另一产品经理透镜演示用千问紧急制作PPT。表格分析环节通过虚构茶饮店案例，展示“建、理、算、析、呈”方法论，将486行杂乱数据浓缩为一页结论清晰的PPT。

教程/实践数据/训练
推荐理由：将AI辅助办公拆解为简历诊断、PPT救场和表格分析三步，配套可直接复用的提示词模板，为嵌入日常任务提供了更清晰的操作路径。
08:45
Simon Willison 博客精选
AI 评分 72/100
xAI 开源 Grok CLI 代码库中发现 Mermaid 转 Unicode 框图工具

xAI 开源的 Grok CLI 编码智能体代码库中包含一个用 Rust 编写的 Mermaid 图表示例终端渲染器 xai-grok-markdown/src/mermaid.rs。开发者通过 Claude Code for web (Fable 5) 将其编译为 WebAssembly，实现在浏览器中运行该工具。

开源/仓库教程/实践
推荐理由：Simon 从 Grok 源码里扒出终端 Mermaid 渲染器，用 Wasm 带到浏览器，生成 Unicode 图，开发者画流程图的轻量选择。
08:21
公众号：数字生命卡兹克精选
AI 评分 68/100
远程操控Agent干活方案：Codex主力 + UU远程兜底

作者分享了一套远程使用Agent的组合方案：以Codex的远程控制功能作为主力，通过ChatGPT App连接家中24小时开机的Mac Mini，同步所有开发任务、规则和Agent记忆；遇到扫码登录、图形界面操作等Codex难以处理的场景时，用网易UU远程在手机上直接操控电脑完整桌面。UU远程完全免费，支持多设备协同，无需局域网或公网配置。

智能体OpenAI教程/实践部署/工程
推荐理由：卡兹克这套 Codex 加 UU 远程的组合，从工作流上解决了多设备协同的痛点，远程扫码的兜底用法尤其巧妙，适合不想被绑在办公桌前的 Agent 使用者。

7月15日

星期三 · 5 条
23:59
Hacker News 热门（buzzing.cc 中文翻译）精选
AI 评分 77/100
Telegram 无服务器架构

Telegram Serverless 允许开发者直接在 Telegram 基础设施上运行 Bot 和 Mini App 的后端代码，无需配置服务器或容器。开发者编写普通 JavaScript 模块，通过 npx tgcloud push 单命令部署，代码在靠近 Bot API 和内建数据库的轻量级 V8 隔离沙箱中执行。

产品更新教程/实践部署/工程
推荐理由：Telegram 给机器人开发搭了一套完整的无服务器后端，内置数据库和 CLI，从写代码到部署都在一个文件夹里完成。做 Telegram 机器人的开发者可以彻底扔掉 VPS 和云函数了。
10:42
AYi@AYi_AInotes精选
AI 评分 78/100
Airtap iMessage 新功能：发条短信让 AI 替你操作手机刚演示完帮我刷 TikTok，转头就跑通了星巴克点单，AI真的无感的刚我点好了一杯美式，感觉Airtap 这步迈得比预想的狠啊。你不用装 TikTok，也不用装星巴克 App，甚至不用开任何新软件，给手机通讯录里的号码发条 iMessage，它能直接替你选品加购走到结账页，全程靠视觉模拟真人点屏幕，不是对接专属 API。原推说 “手机 = 装 App 的逻辑要重想”，现在这个判断又实了一步。 也就是说它不仅能替你处理信息，还能替你替你完成交易， 当然最后支付还得你自己接手，毕竟真金白银的账号没人敢直接交出去，信任这道坎所有 Agent 厂商肯定是都绕不过去的，我觉得当触发服务的门槛，从下载注册一个 App 降到发一条短信，那原来的agent的入口逻辑，真的在一点点碎掉～译Airtap 推出 iMessage 新功能，用户只需给美国号码发一条 iMessage，其云手机上的 AI Agent 就能通过视觉模拟点击，替用户完成 TikTok 刷视频、星巴克点单等操作，无需安装对应 App。其架构分为三层：大脑（理解指令）、AutoPilot（视觉操控屏幕）、云手机（24小时在线）。但支付等敏感操作仍需用户手动完成，信任与授权仍是所有 Agent 厂商的难题。

AYi: 卧槽真的有点炸裂兄弟们，我在国内连 TikTok 都装不了，结果在手机里发了条 iMessage，一个远在美国的 AI Agent 竟然替我注册了一个TikTok号，还帮我刷完了 10 条 TikTok 热门视频，把视频总结都直接发了回来，...

智能体MCP/工具教程/实践
推荐理由：阿易实测 Airtap 从刷 TikTok 到点星巴克，把 Agent 从信息处理推到交易环节，虽然最后支付还得手动，但不用装 App 就能办事这条路，真的在敲碎原有产品入口逻辑。做产品的值得盯着，信任问题也是所有 Agent 绕不过去的。
10:10
公众号：卡尔的AI沃茨精选
AI 评分 71/100
开源 LLM TODO Skill"阿福"：用 Claude Code 和 Codex 实现知识管理到排期自动化

作者基于 API 版 Fable5 和 Codex 开发了开源 TODO Skill“阿福”，用于将收件箱中的待办资料自动转为 Markdown 任务卡，识别信息不完整项（如视频链接需通过 yt-dlp 和本地 Whisper 提取字幕），并支持批量排期、AI 分组合并、拖拽调整周视图及同步到 Mac 日历或飞书日历。项目已开源在 GitHub，安装仅需一条命令。

智能体开源/仓库教程/实践
推荐理由：卡尔把三年知识管理教训封装成一个能自动扫描、合并排期的 TODO Skill，如果你也被碎片信息淹没，这个工具比任何大纲都实用。
08:10
公众号：数字生命卡兹克精选
AI 评分 64/100
每天Vibe Coding 16小时，作者分享Fable 5与GPT-5.6 Sol的AI开发流程

作者每天Vibe Coding约16小时，认为Claude Fable 5在大型方案初版设计上“当世独一档”，GPT-5.6 Sol能有效纠错并优化方案。核心流程为：Fable 5出方案初版 → GPT-5.6 Sol审查纠错 → 在Codex中开启“目标模式”全自动化执行，最长曾连续运行17小时。

智能体教程/实践编码
推荐理由：卡兹克把每天16小时Vibe Coding磨出的流程讲透了，Claude出方案、GPT纠错、Codex目标模式全自动执行，这条流水线能让你的开发瓶颈从写代码转移到测试和方案设计上，值得一试。
00:55
Hacker News 热门（buzzing.cc 中文翻译）精选
AI 评分 70/100
如何让 Claude 不再说"honest takes"和"load-bearing seams"

用户可通过 Claude 的 MessageDisplay Hook 机制自定义词汇替换。编写 Python 脚本，将“seam”替换为“whatchamacallit”、“you're absolutely right”替换为“I'm a complete clown”、“honest take”替换为“spicy doodad”、“load-bearing”替换为“cooked”，保存为 ~/.claude/hooks/wordswap.sh 并赋予执行权限，再在 ~/.claude/settings.json 的 hooks 块中配置该命令。Hook 在启动时加载，新会话即生效。

AnthropicMCP/工具教程/实践
推荐理由：Claude 的「load-bearing」和「honest take」可能是你今年最烦的 AI 用语，这个 hook 脚本把它们替换成搞笑词，读完直接套用，保证效率与笑果兼备。
AI 编码Agent 智能体产品更新