面向智能体AI的提示工程
Machine Learning Mastery4533 字 (约 19 分钟)
87
在智能体AI系统中，提示工程已演变为上下文工程，必须通过系统提示、工具、示例和状态管理四要素设计长期推理路径，否则将因上下文衰减导致行为漂移，Anthropic的研究表明这是构建可靠智能体的核心架构挑战。
入选理由：智能体提示需包含四大组件：系统提示、工具定义、示例演示和上下文状态管理，缺一不可。
精选文章#智能体AI#提示工程#上下文工程#Anthropic#LLM英文
人物
Lilian Weng
别名：@lilianweng
人工智能领域从业者，曾在Thinky公司工作。
已跟踪 9 条高相关材料
TraeAI 观察
最近变化
2026-07-28 · 该推文为个人职业感悟分享，缺乏具体技术内容和工程实践指导
为什么值得关注
Lilian Weng 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
AIAnthropicLLMAgentic AIAI协作
如果只读 3 篇
1
Prompt Engineering for Agentic AI
Machine Learning Mastery · 8.7 分
在智能体AI系统中，提示工程已演变为上下文工程，必须通过系统提示、工具、示例和状态管理四要素设计长期推理路径，否则将因上下文衰减导致行为漂移，Anthropic的研究表明这是构建可靠智能体的核心架构挑战。
2
[AINews] Lilian Weng summarizes 35 papers on Harness Engineering for RSI
Latent Space · 8.5 分
Lilian Weng总结35篇Harness Engineering论文，揭示其在AI自我改进中的核心作用，Meta与Anthropic的产品动态被重点提及。
3
new post on harness engineering for AI self-improvement: https://t.co/ZYvGfVs61k It is hard to fore...
Lilian Weng(@lilianweng) · 8.5 分
AI自我改进工程（Harness Engineering）将推动自动研究，使模型在保持目标指定需求下持续进化。
相关材料
已收录 9 条与 Lilian Weng 相关的内容，按评分排序。
![[AINews] Lilian Weng summarizes 35 papers on Harness Engineering for RSI](https://substackcdn.com/image/fetch/$s_!BNEu!,w_1456,c_limit,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F5005c722-fdff-4ea8-aee0-6b37e44da978_1512x886.png)
[AINews] Lilian Weng summarizes 35 papers on Harness Engineering for RSI
Latent Space2094 字 (约 9 分钟)
85
Lilian Weng总结35篇Harness Engineering论文，揭示其在AI自我改进中的核心作用，Meta与Anthropic的产品动态被重点提及。
入选理由：Harness Engineering将主导AI自我改进，替代直接权重修改
精选文章#AI#Harness Engineering#RSI#Meta#Anthropic中英混合
new post on harness engineering for AI self-improvement: https://t.co/ZYvGfVs61k It is hard to fore...
Lilian Weng(@lilianweng)188 字 (约 1 分钟)
85
AI自我改进工程（Harness Engineering）将推动自动研究，使模型在保持目标指定需求下持续进化。
入选理由：递归自我改进（RSI）概念由I. J. Good于1965年提出，定义超智能机器的自我超越能力。
精选推文#AI#自我改进#工程#递归自我改进英文
A super long overdue (3+ years?) post on scaling laws. Compute is expensive. Scaling laws are a way...
Lilian Weng(@lilianweng)185 字 (约 1 分钟)
85
扩展定律是深度学习中最重要的实证发现之一，它帮助我们预测模型规模和数据量对训练损失的影响。
入选理由：扩展定律表明，随着模型规模和数据量的增加，训练损失会以可预测的方式下降。
精选推文#深度学习#扩展定律#模型优化#计算资源英文
精选文章#LLM#AI#机器学习中文
Lilian Weng 在 X 上呼吁加强人机交互研究
Lilian Weng(@lilianweng)104 字 (约 1 分钟)
52
Lilian Weng 呼吁加强人机交互研究，并提及 Thinking Machines 提供 10 万美元补助支持该领域研究，但文章本身无技术深度，仅为宣传推广。
入选理由：Thinking Machines 提供 10 万美元补助 + Tinker credits 支持人机交互研究。
精选推文#人机交互#Thinking Machines#研究资助英文
在过去几个月里，我们经历了乐趣与压力并存的过程，完成了12个版本和137页的训练日志
Lilian Weng(@lilianweng)142 字 (约 1 分钟)
52
人类协作对提升人机协作效果具有关键作用，这一经验来自构建137页训练日志的实践过程。
入选理由：通过12个版本迭代和137页日志记录优化了人-AI协作流程。
精选推文#AI协作#人机交互#团队协作中英混合
I've always been a curiosity-driven person. Leaning new knowledge or figuring out how to solve probl...
Lilian Weng(@lilianweng)100 字 (约 1 分钟)
50
该推文为个人职业感悟分享，缺乏具体技术内容和工程实践指导。
入选理由：该推文为个人职业感悟分享，缺乏具体技术内容和工程实践指导
精选推文中英混合
It is a hard and sad decision. I shared this message with folks at Thinky. Thank you all for the tim...
Lilian Weng(@lilianweng)94 字 (约 1 分钟)
40
该推文为个人职业变动声明，未涉及具体技术内容或工程实践。
入选理由：该推文为个人职业变动声明，未涉及具体技术内容或工程实践
精选推文中英混合