·tian
生产级 AI 系统中的提示词版本控制与变更管理
当一个仅有三个词的提示词改动由于缺乏回滚路径而破坏了营收流水线时，根本原因总是一样的：提示词被视为临时配置而非软件代码。本文是一份关于提示词版本控制、静默回归检测、金丝雀发布以及“谁该负责提示词变更”这一组织问题的完整指南。
llm
production
prompt-engineering
devops
+1·tian
上下文工程：比提示词工程更重要的学科
为什么生产环境中 LLM 系统的真实瓶颈是上下文架构，而不是提示词措辞 —— 以及如何将上下文作为一级系统关注点进行设计。
context-engineering
llm
ai-agents
prompt-engineering
·tian
你的 CLAUDE.md 可能太长了（这就是它不起作用的原因）
在 CLAUDE.md 中添加更多规则往往会导致你的 AI 编程 Agent 遵循的规则变少。本文将探讨指令溢出发生的原因，以及如何构建 Agent 文件以确保可靠的合规性。
ai-agents
claude-code
developer-tools
prompt-engineering
·tian
Prompt Engineering 深度解析：从基础到高级技术
为在生产环境中使用 LLM 的工程师提供的提示工程实用指南 —— 涵盖零样本与少样本权衡、思维链基准测试、结构化输出可靠性模式，以及破坏生产环境提示词的五个常见错误。
prompt-engineering
llm
ai-engineering
production-ai
·tian
微调通常是错误的选择：大语言模型定制决策框架
大多数团队过早地尝试微调。这里有一个基于基准测试和生产案例的实用决策框架，探讨了提示工程何时优于微调，何时不优于微调，以及每种方法的真实经济成本。
fine-tuning
prompt-engineering
llm
ai-engineering
·tian
微调 vs. 提示工程：生产级 LLM 的决策框架
一个实用的框架，帮助你决定何时对你的 LLM 进行微调或提示工程——涵盖成本权衡、LoRA/QLoRA、模型蒸馏，以及每个 AI 团队在投入训练前都应回答的六个诊断问题。
fine-tuning
prompt-engineering
llm
mlops
+1·tian
生产环境中的提示工程：真正重要的是什么
让演示令人印象深刻的提示技术，往往不是那些能让生产系统保持可靠的技术。以下是在大规模交付 LLM 功能时真正重要的事项。
llm
prompt-engineering
ai-engineering
production
·tian
Prompt Caching：将 LLM 成本降低 90% 的优化方案
一份通过 Prompt Caching 将 LLM API 成本降低 60–90% 的实用指南 —— 涵盖 Anthropic 和 OpenAI 的前缀缓存、静默降低命中率的并行执行陷阱，以及用于生产工作负载的多层缓存架构。
llm
cost-optimization
prompt-engineering
caching
显示第 157–164 篇，共 164 篇
上一页14 / 14