搜索
就是上个月我开源的让Claude Code和Codex搭配使用的Skill搭子的1.4版，当时的定位是把Claude Code出计划然后直接在当前对话调用Codex，不需要复制黏贴，由Fable5自己写交接文档自己从CodeX那读取输出。
经常用AI的人都知道，AI给出的答案质量，很大程度上取决于你提问的方式。这一点，几乎成了当下社交媒体的流量密码。打开各大平台，随处可见兜售各类Prompt的帖子，我们自己的收藏夹里也往往躺着几十套Pr
本文作者 Eric Provencher，在 OpenAI 负责 Codex 开发者体验（DX），此前是 Repo Prompt 的作者。原文是 OpenAI 官方文档中的 Prompting 指南，以下为逐段中英对照翻译
昨儿刚出的GPT-5.6，用不到一小时，就完成了一道存在了半个世纪的图论猜想证明。而这道题呢，来头也还真不小，就是大名鼎鼎的循环双覆盖猜想（Cycle Double Cover Conjecture）。
来自清华大学与腾讯的研究者提出了 Generalizable Predictive Prompt Selection（GPS）。GPS 的做法很直接：先训练一个小型、可泛化的 Prompt Predictive Model（PPM），让它预测不同 prompt 在当前模型下的难度；再根据难度和 batch 多样性选择训练样本，从而减少无效 rollout。
小红书上，#deepseek 算命、#赛博玄学等话题下，大量玄学爱好者聚集，分享不同占卜体系的prompt、交流 AI 算命心得，仅 #deepseek 算命一个话题，浏览量就达到 5608 万、讨论量 35.4 万；与此同时，更深度的 AI 用户开始在 GitHub 上自行开发占卜 Skills，搜索“astrology”“bazi”等关键词，可以看到相关项目最高 Star 数已达 3.9k。
现在的 AI Agent 动辄需要处理超长上下文，既要看系统提示词、工具说明，又要翻阅历史对话和检索文档。为了省钱、省算力并降低延迟，很多开发者会给系统加上 “提示词压缩”（Prompt Compression）模块，把冗长的上下文浓缩后再喂给大模型。
前段时间，我在网上刷到一本书，叫《人生设计课》，副标题是如何设计充实且快乐的人生。很有意思。说实话，按往常看到这种比较宏大的书名，像人生重启、职业发展等，我会默认是噱头直接划走。
整个周末我都在把额度刷刷刷满，剩下最后20%的时候在X上看到一个开发者发的一条长贴，他说他把Fable 5的行为模式，再结合Claude团队开源的Fable5提示语技巧，提炼成了一份协议，贴给Opus 4.8用，神人来的。
Prompt还没退场，Loop已经开始接管AI叙事。