最近，谷歌与瑞士邮政下属的 Digitalidag 联合举办了一场提示词比赛，选手们的任务是编写提示词（指令），比如让 AI 助手制定一份详细的学习计划。Joakim Jardenberg 获得了本次比赛的亚军，Wrap News 对其进行了一场专访，就提示词的创作进行了交流。
这份提示词有很多哲学性思考，很多表达让我看到背后的设计者把claude当成一个人去设计。 我猜，应该是Amanda Askell（Anthropic负责alignment和character design，是学哲学的一位女生，也是我的榜样) 主要设计的。
单个模型的优缺点也能分析
本文是对亚马逊AWS研究团队最新发表的APO（自动提示词优化）技术综述的深度解读。该研究由Kiran Ramnath、Kang Zhou等21位来自AWS的资深研究者共同完成，团队成员来自不同技术背景，涵盖了机器学习、自然语言处理、系统优化等多个专业领域。
DeepSeek-R1这样的推理模型有着强大的深度思考能力，但也有着一些不同于通用模型的特点与用法，比如不支持函数调用，不支持结构化输出，o1甚至不支持系统提示(System Prompt)等。尽管这和它们的使用场景有关，但有时也会带来不便。今天我们就来说说结构化输出这个常见的问题。
本文的作用是帮你把问题具体化，这是用好DeepSeek-R1等推理型模型的前置步骤。
一张图、一句提示词，万物都能乱入你随手拍的视频。
一直以来，学术与实际产品的 Prompt 完全脱节，真实场景下，很多产品都聚焦情感陪伴，文案生成等开放任务里。而学术上这些任务没有明确的指标，无法量化也就没办法被比较，于是绝大部分的 Prompt 优化工作都聚焦在“刷榜”，例如怎么提升一个模型的代码/数学能力。我们今天跑的项目叫 SPO，具体什么意思并不重要，重要的是它把之前的所有问题全部解决了。
Gemini的提示词注入防线，又被黑客给攻破了。
很难想象打开X搜索“DeepSeek”，排在前列的不是技术分析，而是《提示词指南》。在X平台上，大量海外博主开始分享DeepSeek的使用技巧。有的博主专注于提示词优化，声称掌握了能让模型产出更优质结果的“秘诀”。
