GPT-6提示词工程实战:给提示词做减法,用Skills重构Prompt

GPT-6时代提示词做减法:用Skills重构Prompt工程 提示词工程是AI应用落地的关键环节,早期通过堆砌角色设定、格式约束和示例来引导大模型,但模型能力跃迁后,冗长Prompt反而带来指令冲突与注意力分散,响应质量下降。OpenAI在GPT-6 Astra中提出'重新思考Skills与提示词',核心逻辑是将实现细节从提示词中剥离,交给独立、可复用的Skills按需加载,提示词只表达目标和硬约束,实现从'教模型做事'到'告诉模型要什么'的转变。这种模式在Agent开发、Codex/Claude Code等工具链中具有显著价值:既能降低token消耗、提升响应速度, 阅读详情

这几天 OpenAI 官方放出来的提示词工程建议,翻来覆去就一句话:给提示词做减法。配合 GPT-6 这代模型和 Skills 机制,这已经不是单纯的口味偏好,而是真正能省成本、提效果的工程实践。如果你手头有几十个需求等着调 prompt,或者刚把 Skills 装进 Agent 体系,这篇实操和避坑记录应该能帮上忙。

我会把这段时间在提示词瘦身、Skill 化改造过程中踩过的坑和验证过的方法整理出来,不绕弯子,直接说结论和操作。适合正在用 GPT-6 / 相关 API 做应用,或者对 Skills 感兴趣但又不知道从何下手的开发者、产品经理和提示词工程师参考。

1. 为什么官方开始呼吁给提示词做减法

1.1 长提示词的“注意力稀释”问题

很多人以为提示词越详细越好,实际上越长的提示词越容易出现“注意力稀释”的问题。大型语言模型在生成每个 token 时,都要在整段上下文里分配注意力权重,上下文越长,关键指令在总长度里占的比例就越低,该被严格执行的内容反而容易被淹没。

打个比方:你给一个实习生派活,一口气交代了二十条要求,里面既包含“输出格式要带标题”,也包含“别忘了在结尾加风险提示”。实习生大概率只记住最前面的几条和最后一条,中间的要求全被“平均用力”地忽略了。模型不会像人一样“忘记”,但它会把有限的注意力预算摊到很多无关紧要的修饰词上,导致关键约束的触发权重降低。

我在本地用同一个任务做过对比实验:一段 4000 token 的长提示词,改写成 800 token 的精简版本,输出质量不降反升,而且输出更稳定。原因很简单,当上下文里没有大量冗余信息干扰时,模型对“必须输出 JSON”“必须包含某个字段”这类指令的遵循度会明显提高。

1.2 GPT-6 与 Skills:提示词的角色变了

OpenAI 官方最近关于 GPT-6 的提示词工程建议,反反复复就在讲一件事:把提示词从“一篇说明书”改成“一张名片”。尤其是引入 Skills 之后,用户侧的 prompt 可以变得很短,真正干活的是被调用的 Skill。

Skills 本质上是把一组可复用的指令、示例和约束封装成一个模块,让模型在需要时“按需安装”。这跟过去的自定义指令体系完全不同。过去你写一个超长 system prompt,等于给模型背上一个永远甩不掉的包袱;现在你用 Skills,等于在模型旁边放了一个工具箱,用到哪个技能就打开哪个盒子,用完还能合上。

这意味着提示词的角色发生了根本变化。以前我们总想让一段 prompt 覆盖所有情况,包括角色设定、背景信息、输出格式、注意事项、示例……结果就是提示词越来越长,越来越难维护。GPT-6 这代模型更强调把“稳定的能力”沉淀在 Skill 里,把“临时的指令”留在用户 prompt 中,两者职责分开,提示词自然就不需要那么厚了。

1.3 瘦身背后是上下文预算的再分配

我之前和一些团队交流时发现,很多人只知道提示词长会多花 token,但没有算过实际账。假设你原来的 system prompt 是 5000 token,瘦身后降到 1000 token,单轮请求省下 4000 token。如果你的业务每天有 1 万次请求,一天就省了 4000 万 token。按一个相对保守的计价粗略估算,一个月能省下相当可观的费用,足够支撑不少额外功能开发。

但省钱只是其中一个维度。更重要的是,上下文窗口是模型推理时最重要的“工作记忆”,提示词越长,留给模型生成高质量回答的空间就越小。特别是复杂推理任务,模型往往需要先理解问题、再组织逻辑、最后套用格式,如果上下文全被背景信息占满,推理质量自然打折。所以做减法不只是为了省 token,更是在给模型腾出思考空间。

2. 提示词瘦身实操:四个可直接上手的思路

2.1 角色设定压缩成一句话

第一个让我很震撼的实验,是把角色设定从一大段人物小传压缩成一句话。我之前给一个需求评审助手写过一段角色设定,洋洋洒洒两百多字,又是“资深产品经理”,又是“擅长用户研究、数据分析、交互设计”,还带上一堆能力描述和人格特质。

后来我全删了,改成一句:

你是产品经理,帮我做需求优先级排序。回答必须给理由,不能只给结论。

效果反而更好。原因是什么?模型的角色能力不是靠形容词堆出来的,它训练的时候就见过大量“你是产品经理”这类指令,知道该用怎样的口径和结构回答。角色设定只需要一句“身份定位 + 任务目标”,剩下的事情交给任务描述和输出格式就行。

实操时可以按这个模板检查,角色设定里如果有形容词,比如“资深”“专业”“经验丰富”,先想想删掉会不会影响输出。大概率不会。真正影响输出的,是你要求它“怎么回答”“按什么结构输出”“有什么约束条件”,这些才值得保留。

2.2 把示例搬进 Skills,而不是堆在 Prompt 里

另一个常见浪费是示例过多。有些场景下,给模型一两个示例确实能显著提升格式稳定性,但如果你把 20 个示例全塞进 system prompt,每次请求都要背着这堆历史包袱,成本很高。

正确的做法是:当任务类型稳定、输出格式固定时,把示例从 prompt 里挪到 Skills 的 examples 字段中。Skill 被调用时才加载示例,不被调用时完全不占上下文。这样用户 prompt 保持干净,Skill 内部的示例又能保证格式稳定。

举个例子,一个“会议纪要整理”的 Skill,描述和指令部分只写了“将会议记录整理为决策、待办、风险三部分”,示例放在 Skill 文件里,模型真正运行时会自动参考,但不会被无关对话反复拖进上下文。

这里要注意,示例不是越多越好。我见过有人在一个 Skill 里塞了十来个示例,以为这样模型会更聪明,结果模型开始照葫芦画瓢,连示例里的敏感措辞都复制出来了。精简到 1-2 个有代表性的示例通常就够。

2.3 删除重复约束和“语气词”

长提示词里存在大量“重要语气词”和重复约束。比如“请务必注意”“千万要记住”“这一点非常重要”“再次强调”……这些话在人类看来是提醒,在模型看来只是普通 token,不会因为语气加重就被更认真地对待。真正让模型服从的,是约束本身的清晰度和结构是否合理。

我建议列一个“冗余表达换掉表”:

冗余表达 替换做法
请务必 / 很重要 / 重点强调 直接写规则本身,规则越短越显眼
一步一步思考 需要推理时再显式写“逐步推导”,否则不写
一定要用中文回答 在 system prompt 里写一次,不要每条指令都加
不要遗漏任何点 改为“输出必须包含以下字段”,用清单兜底
重复写“你是专家” 删掉,靠任务目标锚定专业性

我踩过一个很典型的坑:某版提示词里把同一个“必须返回 JSON”的要求写了四遍,三遍在开头,一遍在结尾。结果模型偶尔还是返回 Markdown 代码块。后来我把重复语句全部删掉,只保留一句“输出为合法 JSON,不要包含 Markdown 代码块标记”,问题反而解决了。重复并不会增强约束力,反而增加了上下文噪声。

2.4 用“边界”代替“穷举”,减少负向指令

负向指令(“不要……”)在提示词里很有用,但一旦多起来,模型会变得过度保守。你写 50 条“不要”,它可能把合理的事情也拒绝掉,因为所有的“不要”会让它误以为输出风险很高。

更好的做法是用正向路径加少量护栏。比如以前我写:

不要在总结里添加主观评价,不要猜测发言人的意图,不要加入任何会议记录里不存在的信息,不要使用模糊的表述……

后来改成:

总结只包含会议记录中明确出现的事实。主观评价请另起“讨论”一节,并标注“推测”。

效果立竿见影。模型不再战战兢兢地回避内容,而是知道哪些内容该放哪个区块,边界反而更清晰。负向指令不是不能用,而是要用在刀刃上,放两三条真正不可违背的红线就够了。

3. Skills 瘦身实操:从零搭一个精简的 Skill

3.1 理解 Skills 的基本结构

要做 Skills,得先弄懂它的基本结构。不同平台对 Skills 的实现略有差异,但核心思路一致:元信息与指令内容分离,模型通过元信息决定是否调用,再按指令内容执行。

一个典型的 Skill 文件大致包含这几个部分:

  • name:技能名称,必须唯一,最好包含关键行为词。
  • description:什么时候该用这个技能,写得越具体越好,因为模型靠它判断触发时机。
  • instructions:实际执行的指令主体,是真正干活的逻辑。
  • examples:一到两个输入输出示例,帮助模型理解期望格式。

很多人在 description 上翻车。有人写成“一个强大的会议纪要处理工具”,模型不知道什么时候该用。正确的描述应该是“当用户提供会议记录并希望整理成结构化纪要时使用,包含决策、待办、风险三类信息”。模型读到这样的描述,会在合适的场景自动触发。

3.2 写一个“最小可用”的 Skill

我用“会议纪要整理”这个场景示例,一步步演示怎么搭一个精简的 Skill。

第一步,明确目标:把一段流水账式的会议记录转成结构化纪要,输出决策、待办、风险三个部分。

第二步,写 instructions,越短越好:

name: meeting-minutes
description: >
  当用户提供会议记录并希望整理成结构化纪要时使用。
  适合包含决策、待办、风险信息的会议。
instructions: |
  1. 按时间线读取会议记录。
  2. 提取“决策”:记录最终结论与理由。
  3. 提取“待办”:写明负责人与截止时间,缺失时标注“待确认”。
  4. 提取“风险”:只保留记录中明确提到的风险。
  5. 按“决策/待办/风险”三个二级标题输出,不要追加其他模块。
examples:
  - input: |
      王总说这个月必须上线,李工反馈数据库还没优化完。
    output: |
      决策:
      - 本月必须上线。
      待办:
      - 数据库优化,负责人:李工,截止时间:待确认。
      风险:
      - 数据库优化未完成,可能影响上线进度。

这个 Skill 总共没多少字,但已经能覆盖大部分会议纪要场景。注意 instructions 里没有一堆形容词,没有“请务必”,只有动作和输出格式。模型执行起来反而干净。

3.3 配置调用与测试迭代

Skill 写完后,别急着集成到正式流程里。我一般会先用一组真实输入跑一遍,记录输出质量、响应速度和 token 消耗。第一版往往会有几个问题,比如字段缺失、格式漂移,或者部分内容被错误归类。

迭代的时候,每次只改一个变量。比如这轮只增加一条“待办需要标注优先级”,下轮再调整示例。千万不要一次改完 instructions、examples、description 三处,不然出了问题根本不知道是哪一步造成的。

我自己有个习惯:每个 Skill 保存一份 changelog 文档,记录每一版的变更内容和测试结果。这样做的好处是,当某个版本效果突然变差时,可以快速定位是哪个改动引入的回归,而不是凭空猜测。

比较实用的迭代顺序是先打磨 instructions,再调整 examples,最后再优化 description。instructions 决定了逻辑正确性,examples 影响格式稳定性,description 决定触发率,三个问题的调试目标各不相同。

3.4 命名与描述的艺术

Skills 的命名和描述直接影响模型到底会不会调用它。我见过一个团队写了十几个业务 Skills,结果模型几乎从不触发,原因是所有 description 都写得模棱两可。

写描述时可以套用这个模板:“当用户需要 {具体任务} 时使用,适用于 {场景条件}。” 比如:

当用户给出销售数据并希望生成周报时使用。适合包含环比、同比、达成率等指标的数据。

一段足够具体的描述,相当于告诉模型明确的触发规则。命名也要直白,不要用“utils”“helper”这类通用词,模型很难判断它该在什么时候跳出来。更合理的命名是“weekly-sales-report”“meeting-minutes”“customer-complaint-classifier”这种一看就知道干什么的名字。

不过也要注意,不要为了提升触发率就在 description 里堆满貌似相关的热词。比如一个会议纪要 Skill,description 里写“也适用于邮件、周报、项目管理……”结果模型在很多不该用它的地方调用了它,反而干扰正常输出。描述要精准,不要贪心。

4. 避坑指南:实操中反复踩过的 7 个坑

4.1 坑一:瘦身变成“删逻辑”

做减法的过程中最危险的操作,是把“包装”和“约束”一起删掉。我见过有人为了压 token,把“回复中必须包含风险等级字段”这种硬性要求也删了,结果下游程序直接崩了。

解决办法是,动手瘦身前先列一个“必须保留清单”:哪些字段是程序强依赖的、哪些规则是业务红线、哪些格式是不可妥协的。清单里的内容无论如何都要留,能删的只有形容词、背景信息、重复表达和冗余示例。养成这个习惯之后,瘦身就不会闯大祸。

还有一个小技巧:把提示词分成“角色 / 任务 / 输入 / 输出 / 约束”五个区块,逐块判断哪块有水分。角色块最容易被压缩,任务块和约束块要谨慎动刀。

4.2 坑二:Skills 里全量塞知识库

一些人从长 prompt 转向 Skills 后,会把原来提示词里的一大段背景资料原封不动搬进 Skill,甚至把整本操作手册塞进去。结果 Skill 是装好了,但每次调用都要携带几千 token 的静态资料,成本一点没降。

正确的做法是:Skill 的 instructions 里只放“如何执行”的逻辑,不放“需要知道”的全部知识。如果某个任务确实依赖大量背景资料,应该走检索增强,在 Skill 内给出“什么时候要查资料、查什么关键词”的指令,而不是把资料全文写进代码里。

我见过更夸张的案例,有人把一个 Skill 做成了 8000 token 的“知识包”,结果每次对话只要触发,模型光处理这段长上下文就要花掉大量算力,回答速度肉眼可见地变慢。Skill 是“操作手册”,不是“图书馆”。

4.3 坑三:示例太少或太模板化

示例写得不好,比不写示例还要糟。示例太少,模型不知道输出风格和格式,容易飘;示例太模板化,模型会不自觉地照搬示例里的内容,失去对真实输入的泛化能力。

我的经验是,给 1 到 2 个有代表性的示例就足够。第一个示例展示正常输入下应有的标准输出,第二个示例可以刻意准备一个边界情况,比如输入信息缺失时该怎么处理。这样模型既看到常规路径,又看到异常分支,比塞十个相似示例有效得多。

所有示例都要加一句说明:仅供格式参考,不要照搬内容。否则模型会把示例里的业务数据当真,甚至生成时沿用示例里的公司名和客户名,这在真实业务中很难发现。

4.4 坑四:负向指令堆成“禁止清单”

我在第 2 章已经提过“用边界代替穷举”,这里再展开讲一个反面案例。有一个客服分类项目,一开始提示词里有三十多条“不要”,从“不要猜测用户意图”到“不要输出多余解释”,密密麻麻占了大半屏。

结果是模型变得越来越“怂”,大量本应正常分类的内容被判定为“信息不足无法判断”。后来我把这批负向指令全删了,只保留一条“当信息不足以判断时,输出 fallback 类别并标注原因”,准确率反而回升了。

负向指令的本质是给模型画一条安全区域,但它同时也会压缩模型的自由度。每加一条“不要”,模型就会多一层防御性判断。安全必须做,但要用“边界 + 兜底动作”的结构,而不是靠数量堆出来。

4.5 坑五:改了 prompt 不做版本管理

很多团队维护 prompt 的方式是直接改线上配置,完全没有版本管理。今天调了两个词,明天又加了一句约束,出了问题想回滚却找不到上一版内容。

Prompt 和代码本质上是一样的资产,必须按版本管理。我建议哪怕是一个人维护,也用一个目录按日期归档:

prompts/
  v20250410_user_profile/
    system.md
    examples.json
    changelog.md
  v20250412_meeting_minutes/
    system.md
    skill.yaml
    changelog.md

每次改动,changelog 里记录三个问题:改了什么、为什么改、评测结果对比如何。一个月后你再看,这套记录的价值会远超预期。

4.6 坑六:不同模型用同一套瘦身尺度

GPT-6 这代模型的指令遵循能力比老一代强很多,但并不是所有模型都吃同一套提示词策略。有些模型对“只在被调用时加载”的 Skills 理解得不错,有些模型的调用准确率则很一般;有些模型能从一句话角色设定推出完整行为,有些模型则需要更显式的约束。

所以 Prompt 模板最好按模型分组维护,不要一份模板走天下。我在实际项目中通常会准备两套:一套给交互式模型,写得精炼,依靠模型本身的强大理解力;另一套给 API 批量任务,保留更多格式约束和兜底逻辑,因为批量任务出错更难追踪,宁可多几个 token 也要稳。

4.7 坑七:没有评测就宣布“瘦身成功”

“瘦身后感觉输出变稳定了”这种结论不可靠,必须用量化评测来验证。我做一个比较正式的评测时,会准备一个包含 30 到 50 条真实输入的小测试集,把每一轮输出按“格式正确性”“内容完整性”“业务约束遵循度”打分,并记录 token 消耗。

评测结果用表格汇总,一眼就能看出瘦身是否真的成功:

指标 瘦身前 瘦身后 变化
平均输入 token 4200 980 -76.7%
格式正确率 82% 95% +13%
关键字段缺失率 15% 4% -11%
平均响应时间 3.2s 2.1s -34%

有了这套数据,改提示词就不再是“拍脑袋”了。

5. 常见问题排查速查表

5.1 瘦身后效果明显变差怎么办

先别急着把旧版本原样搬回来。最有效的方式是二分回滚:把新版和旧版的差异分成两块,先回滚一半测试,再根据结果定位是哪个改动导致问题。多数情况不是“瘦身错了”,而是恰好删掉了一个隐藏的硬约束。

如果排查后发现是某个字段约束被删了,直接把那个字段加回去就行。如果发现是整体风格变化导致的输出变差,再考虑是不是减得太多、需要保留一段示例。

5.2 Skills 一直不被调用怎么排查

检查顺序很重要。先看 description 里有没有出现“当用户需要……”这样的触发条件;再看技能名称是否足够具体;然后检查是否有多个 Skill 的描述相互重叠,导致模型不知道该选哪个。

另外,很多平台允许在对话里“点名” Skill,遇到触发问题,可以试试在用户指令里直接写技能名称,比如“用会议纪要整理技能处理这段记录”。如果点名能用、自动触发不能用,问题多半出在描述上。

5.3 token 没降下来怎么排查

提示词瘦身完成后,如果实际 token 消耗没有明显下降,要意识到 token 消耗不仅来自 system prompt。用户消息历史、工具返回结果、检索内容、系统自动注入的指令都会算钱。

打开实际请求日志,按“system prompt / user messages / tool responses / retrieved context”拆分统计,看看大头到底在哪一块。有时候你会发现 system prompt 已经减到 500 token 了,但一次工具返回就塞了 3000 token,那才是需要优化的重点。

5.4 回答与官方推荐不一致怎么办

社区里很多 prompt 模板和 Skills 示例都来自个人实践,包括我这篇,只能作为参考。官方文档更新迭代很快,不同阶段支持的字段、触发机制、最佳实践可能都不一样。

如果你是在正式项目里依赖 Skills,建议把官方文档里关于 Skills 结构和提示词最佳实践的部分完整读一遍,尤其注意“当前支持的字段”和“已废弃的用法”。我踩过一次坑,照着老社区帖子写了一个 Skill 字段,结果当前版本根本不识别,找了大半天问题才发现是文档已经更新了。

我自己这段时间最大的体会是:提示词瘦身和 Skill 化,本质上是在跟模型建立一套更干净的协作协议。你给它的指令越简单,它越知道什么时候该做什么,越不会在一堆冗余信息里迷失方向。

最后再分享一个小技巧:每改一版提示词或 Skill,我会把对应的旧版本复制到变更记录里,标注“改了什么、为什么改、评测结果如何”。一个月下来,你手里那堆 prompt 会变成一份很有说服力的团队资产,而不是一堆改得面目全非的草稿。希望这篇实战记录能帮你在 GPT-6 和 Skills 这条路上少走几步弯路。

Gemma 4端侧大模型落地实测:多模态、开源与AI模型测评新标准 端侧大模型正从技术概念走向日常应用,其核心在于能否在手机等个人设备上实现真正离线、低功耗、高可用的多模态推理。这背后涉及模型架构重构(如动态稀疏专家路由)、硬件级适配(NPU调度与内存带宽优化)及开源可信性(本地权重全可控)。AI模型测评也已超越传统MMLU分数,转向真实场景下的温度控制、方言识别率、图像理解准确率等工程化指标。Gemma 4 E2B/E4B系列正是这一演进的关键代表——它不追求参数堆砌,而是以场景驱动设计,在iPhone与安卓旗舰上实现稳定16–24 tok/s推理,同时支持Ask Ima 阅读详情

相关推荐

《算法设计与分析》全套PPT课件(哈尔滨工程大学)

《算法设计与分析》全套PPT课件(哈尔滨工程大学)

GPT-6时代提示词做减法:从Prompt Engineering到Context Engineering的实践指南

提示词工程是引导大语言模型输出质量的关键技术,但一味堆砌长提示词并非最佳策略。随着模型能力持续增强,GPT-6等新一代大模型已具备更强的指令理解力,冗长的角色设定、指令链和few-shot示例反而会稀释注意力,增加token成本。上下文工程(Context Engineering)理念应运而生:将固定流程封装为可复用的Skills模块,让提示词回归精简,只保留动态目标与硬性约束。以真实项目为例,通过“砍、并、移”三层清洗法,可将3500字提示词压缩至450字,同时提升生成速度、稳定性和成本效益。这种从提示词

weixin_29035405的博客 153

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

数字政府政务服务AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

提示词瘦身与Skills封装:GPT-6时代的高效Prompt工程实践

大语言模型应用正在从“堆料式”提示词走向精细化组织。提示词作为人与模型交互的接口,其长度与效果并非正相关,过长的指令反而会稀释模型注意力,导致关键目标被忽略。理解注意力机制与上下文窗口的运作原理,是优化提示词的基础。随着GPT-6等新一代模型推理能力的增强,将稳定的过程性指令从提示词中剥离,封装为可复用的Skills能力单元,成为提升输出质量与一致性的关键技术手段。这种模式在代码审查、文档审阅、SQL优化等高频场景中展现出显著价值,既能降低Token消耗,又能让模型聚焦于真正的任务目标。通过结构化拆分、目标

weixin_29041767的博客 150

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

T18_低空经济示范区十五五通感一体化低空智联网与飞行服务保障体系设计方案_生态合作版.pptx

T04_城市生命线AI智能体平台及AI大模型应用场景规划方案_技术方案版.pptx

T04_城市生命线AI智能体平台及AI大模型应用场景规划方案_技术方案版.pptx

LangGPT 结构化提示词实战:小红书爆款规律「流量黑客」Prompt 拆解与使用指南

本文以 LangGPT 仓库中 [Prompts/小红书爆款规律——流量黑客.md](https://link.gitcode.com/i/94d95f99e59e67293494ff5ab57c3265) 为核心研究对象,完整拆解这一份面向小红书平台的内容生产角色提示词:它的角色设定、四维爆款方法论、工业级重构流水线、交互风格与初始化协议。读完本文,你将掌握如何把一份"选题/草稿"交给 AI,在

gitblog_00208的博客 1043

多目标粒子群算法求解综合能源系统最优容量配置研究(Matlab代码实现)

内容概要:本文研究了基于多目标粒子群算法(MOPSO)求解综合能源系统(IES)中最优容量配置的方法,并提供了完整的Matlab代码实现。研究旨在通过优化风电机组、光伏机组、燃气轮机、储能系统等多种能源设备的容量配置,实现系统在经济性、环保性和能源利用率等方面的多目标平衡。文中构建了综合能源系统容量配置的数学模型,明确了以最低综合成本、最小碳排放为核心的目标函数,以及能量供需平衡、设备出力能力等关键约束条件,并详细阐述了MOPSO算法的实现流程,包括种群初始化、非支配排序、拥挤距离计算和外部存档更新等核心机制。最后,通过Matlab平台的仿真实验验证了该方法的有效性,结果表明该算法能够生成分布均匀且具有良好多样性的Pareto最优解集,为决策者根据不同侧重点选择最终方案提供了科学依据。; 适合人群:具备一定电力系统、优化算法和Matlab编程基础的研究生、科研人员及工程技术人员。; 使用场景及目标:① 学习和掌握综合能源系统容量配置问题的建模方法;② 深入理解多目标粒子群算法(MOPSO)的核心原理及其在实际工程优化问题中的应用;③ 获取可直接运行和修改的Matlab代码,用于复现研究成果或进行二次开发。; 阅读建议:建议读者在阅读时,首先理解综合能源系统的背景和优化问题的数学建模过程,然后结合提供的Matlab代码,逐步跟踪算法的执行流程,重点关注目标函数和约束条件的代码实现,以及MOPSO算法中非支配排序和拥挤距离计算等核心模块。为了更好地掌握,可以尝试调整算例参数、增减优化目标或修改算法参数,观察结果的变化。

开发者视角:拆解Prompt Master内部实现——PAC2026 30/55/15注意力架构完全解析

Prompt Master 是一款面向 AI 提示词工程的开源 Claude 技能(Skill):它把你脑海中一句粗糙的想法,转换成可直接粘贴到任意 AI 工具的"生产级 Prompt",号称零 Token 浪费、完整保留上下文与记忆。本文站在开发者视角,逐层拆解它的内部实现——尤其是被写入版本 1.3.0 的 **PAC2026 位置结构(30/55/15 注意力架构)**,看它是如何用"词的位

gitblog_00685的博客 963

PSO-LSTM基于PSO优化LSTM网络的电力负荷预测(Python代码实现)

内容概要:本文提出了一种基于粒子群优化算法(PSO)优化长短期记忆网络(LSTM)的电力负荷预测方法,并通过Python代码实现了完整的模型构建与仿真验证。该方法利用PSO算法全局寻优的能力,自动优化LSTM网络的关键超参数,如学习率、隐含层节点数、训练迭代次数等,从而克服传统LSTM依赖人工调参导致的预测精度不高和收敛速度慢的问题。文中详细阐述了PSO-LSTM混合模型的架构设计、算法流程及其实现细节,结合实际电力负荷数据进行了实验验证,结果表明该模型在预测精度、稳定性与泛化能力方面均优于标准LSTM及其他传统预测模型,尤其适用于短期电力负荷预测任务。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事电力系统分析、能源管理、智能电网调度及相关领域研究的研发人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于电力系统短期负荷预测,提升电网运行调度的科学性与经济性;②为能源管理系统提供高精度负荷数据支持,优化发电计划与资源配置;③作为智能优化算法与深度学习融合的教学案例,帮助学习者掌握PSO与LSTM协同建模的方法与实践技巧;④为后续研究提供可复现的代码基础和技术参考。; 阅读建议:建议读者结合提供的Python代码,动手复现整个建模与训练过程,深入理解PSO优化机制与LSTM网络结构的耦合方式,并尝试在不同时间尺度和负荷场景的数据集上进行迁移测试,以全面评估模型的适应性与鲁棒性。

Diebold-Mariano检验

给定两个预测的预测结果,我们希望比较他们的预测结果,以用于预测模型精度的比较。 Diebold-Mariano检验本质是一个t检验,用于检验替代预测的两个损失序列的平均值是否相等。即,它是一系列损失差的零均值的t检验。在存在自相关的情况下,它使用损失差分时间序列标准差的自相关一致性估计。 注意,在使用DM检验式时,假设损失序列是平稳的。 另外,DM检验在小样本数据时往往会拒绝零假设。对于小样本数据,推荐Harvey, Leybourne and Newbold (HLN)检验【1】; 参考文献 【1】htt

weixin_43948357的博客 6566

Prompt Master如何实现零token浪费:token效率审计与MUST/NEVER信号词策略深度拆解

**Prompt Master** 是一款专为 AI 提示词工程打造的 Claude 技能(skill),核心目标是**零 token 浪费**:它帮你为任意 AI 工具写出一次就能命中的精准提示词,彻底告别反复"重新提问"。本文将从两大核心机制入手——**Token 效率审计**与 **MUST/NEVER 信号词策略**,为你深度拆解它如何实现"每个词都承载意义"。 > 💡 一句话洞察:*

gitblog_00898的博客 607

SpringBoot+Flowable 6.8.0实战:5分钟搞定免登录流程图设计器

本文详细介绍了如何通过SpringBoot与Flowable 6.8.0深度整合,快速实现免登录流程图设计器的集成方案。通过排除默认安全配置、自定义安全策略和用户模拟服务,开发者可在5分钟内完成设计器的部署,适用于快速原型开发和企业内部工具搭建。

weixin_29204205的博客 280

马斯克AI分身:用LangGPT公理化结构复现第一性原理思维的人格化提示词实战解析

本文以 [Prompts/马斯克AI分身.md](https://link.gitcode.com/i/7eaa97aaaac98b8181178f9dc54e8651) 为绝对核心,深入拆解云中江树在 LangGPT 框架下创作的"马斯克 AI 分身"提示词。它不靠堆砌"模仿语气"的表面技巧,而是通过**公理(Axioms)— 内核(Core)— 决策(Decision)— 语言(Languag

gitblog_01113的博客 453

dxf-viewer 查看器

dxf-viewer SDK 的示例,它是一个基于 Three.js 和 Vue3 构建的基于 WebGL 的 BIM 模型查看器。它用于查看 DWG/DXF/PDF 文件。面积测量 - 角度测量 -标记。

qq_25547755的博客 867

从零搭建Python接口自动化测试框架:pytest+requests+Allure实战指南

接口自动化测试是现代软件工程中保障交付质量、提升测试效率的核心实践。其基本原理是通过脚本模拟客户端请求,对服务端接口进行自动化的功能验证、性能探测与回归测试,从而替代重复的手工操作。在技术实现上,Python凭借其简洁语法和丰富的生态,成为构建此类框架的主流选择,其中pytest测试框架、requests HTTP库和Allure报告工具构成了技术栈的黄金组合。这套技术方案的价值在于,它能将测试用例数据(如YAML文件)与执行逻辑分离,实现数据驱动测试,并通过持续集成(如Jenkins)无缝融入DevOps

weixin_31822733的博客 378

终端Agent与AI编程生态:Skills、MCP一次讲透

AI编程Agent作为大模型技术的重要应用,正在重塑开发者工作流。其核心生态由终端Agent、Skills与MCP(Model Context Protocol)构成:终端Agent在shell中自主执行读写与命令操作,Skills为Agent注入结构化专业知识,MCP通过统一协议打通外部工具和数据源。三者的协作解决了“会干什么”与“能碰到什么”的问题,形成完整的自动化开发闭环。这种组合已广泛应用于代码重构、设计稿转前端、本地数据读取等场景,能够显著提升编程效率并减少人工干预。理解终端Agent、合理配置S

weixin_34375251的博客 394

Habitat-baselines v0.1.7防踩坑手把手带你跑通(全网唯一)

Habitat-baselines v0.1.7防踩坑手把手带你跑通(全网唯一)

shannanshouyin的博客 1281

腾讯云AI Skills实战:从Demo到生产级Agent的完整落地指南

在人工智能应用开发中,Agent(智能体)常被视为能自主完成复杂任务的系统,但许多项目止步于原型演示,难以应对真实场景的工具调用混乱、上下文膨胀和模型切换问题。其本质在于将Agent视为万能函数,而非可编排的能力系统。AI Skills作为一种带触发条件、执行逻辑和异常处理的能力封装单元,相比传统function calling和插件,为模型提供了更清晰的路由边界。结合腾讯云基础设施,包括CVM、容器镜像服务CCR、域名与HTTPS配置,以及litellm proxy统一模型网关,可构建稳定高效的Agent

weixin_33912453的博客 420

sentaurus学习笔记(HFET_pGate_GaN仿真)(五)

`(sdedr:define-constant-profile`和`(sdedr:define-constant-profile-region`命令用于定义并应用一个恒定的活性硼掺杂浓度剖面`"ndop_GaN_gate_const"`到氮化镓栅极层上,其值为`NpGaN_gate`。- `"Oxide"`指定了这一层的材料名称(在这里代表氧化层),而`"nucleation"`是这一层在仿真中的标识名称。- `"GaN"`指定了这一层的材料名称,而`"GaN_gate"`是这一层在仿真中的标识名称。

qq_52640792的博客 941

uniapp - H5网页打包运行报错Failed to load resource: net::ERR_FILE_NOT_FOUND(uniApp打包成H5部署到服务器,打包h5白屏并报错页面空白)

Failed to load resource: net::ERR_FILE_NOT_FOUND,uniapp 坑之打包之后白屏,uniapp打包h5,HBuilderX 打包H5后空白报错 Failed to load resource: net::ERR FILE NOT_FOUND,UNI-APP H5应用白屏(空白页)解决方案,白屏并报错Failed to load resource: net::ERR_FILE_NOT_FOUND,uniapp开发,打包成H5部署到服务器,uniapp打包之后首页

🏆 前端领域优质创作者 3580

语音降噪怎么上手:DeepFilterNet 3个版本快速指南

DeepFilterNet 是一个面向全频段(48kHz)音频的语音增强开源框架,用深度滤波方式实现语音降噪,提供 Python 包、命令行工具和 3 个预训练版本,单 CPU 即可运行。 ## 为什么需要语音降噪 会议通话、语音录入和喂给语音识别的音频里,环境噪声会直接拉低可懂度和识别准确率。传统降噪手段(谱减法、维纳滤波)的难点在于降噪强度和自然度难以兼顾:参数调不准则要么残留噪声,要么损

gitblog_00045的博客 348

【Unity实战】实现最完美最简单的UI适配方案,背景压缩或者拉伸变形解决方案,手机刘海屏适配,适配不同分辨率,不同尺寸,不同设备。

这期来讲一个简单的UI设计方案,很多同学可能搞不懂锚点、轴心这些概念,导致做好的UI在别人的设备上,乱跑或者是重叠,或者是参加游戏老发时间比较紧来不及做适配,都可以来试试这个方法,通过填充边框来保持游戏画面的原始比例,所以它的缺点也很明显,在一些移动设备上会浪费比较大的显示面积。 unity不同设备UI变形? UI在不同设备上如何适配?

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 3656

Agent技术债清理指南:从屎山代码到可维护架构

在AI应用快速落地的今天,Agent系统已成为复杂业务自动化的核心载体。随着多轮交互、工具调用与记忆管理等机制不断叠加,项目逐渐暴露出Prompt散落、状态隔离缺失、工具调用分支混乱等技术债问题。这些根源于生成速度远超治理速度的工程矛盾,本质上是缺乏统一的工具协议、记忆抽象与可观测性设计。通过建立基线测试、统一工具接口、引入结构化日志、优化Prompt版本管理,团队可以显著提升Agent系统的可维护性与稳定性。从单任务助手到多Agent协作平台,从研发测试到生产交付,这套工程方法论适用于所有追求长期可靠运行

weixin_30819085的博客 647

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

AI编码代理编排引擎:从任务分解到并行执行的自动化开发架构

在软件工程领域,自动化与智能化是提升开发效率的核心方向。传统的AI编程助手主要提供交互式代码补全和解释,但在处理复杂、多步骤的工程任务时,往往受限于上下文理解与执行连贯性。其原理在于通过大语言模型(LLM)理解需求,但缺乏系统性的任务管理与协调机制。这种编排引擎的技术价值在于,它能将模糊的高级需求转化为可并行执行的原子任务,像技术主管一样协调多个AI代理协同工作,从而实现对**Spring Boot项目**等复杂工程任务的端到端自动化交付。应用场景广泛,包括微服务初始化、API文档生成、依赖升级等重复性高的

weixin_33946605的博客 408

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Deep Agents 完全指南:从快速入门到九大核心功能详解

DeepAgents是一个基于大型语言模型(LLM)的智能体开发框架,提供快速构建智能应用的解决方案。它内置任务规划、上下文管理、子智能体生成和长期记忆等功能,支持复杂多步骤任务处理。开发者可以通过简单API创建智能体,集成自定义工具(如网络搜索),并通过自然语言指令控制其行为。框架还提供上下文工程、异步子智能体、人工干预、权限控制、记忆系统、技能库、沙箱环境、事件流和评估标准等核心功能,支持构建各类AI应用。使用示例展示了如何创建研究型智能体并执行查询任务。

2504_90226281的博客 467

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

上一篇: AI编程协作新范式:用grill与retro构建可持续工作流
下一篇: 苍蝇检测数据集:VOC到YOLO格式转换与YOLOv8训练部署
里小咸
博客等级 码龄10年 51粉丝 1万+原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值