AI探索指南

关于AIGC人工智能、思维方式、知识拓展，能力提升等。投稿/合作： @inside1024_bot
AIGC 领域的最新工具、开源项目以及行业大事件

05:57 · 2025年9月13日 · 周六

推荐看看，Anthropic 新文章《如何为 Agent 构建工具》

Agent 与传统确定性软件不同，工具的设计要兼顾非确定性行为，不能简单照搬API或函数式开发思路。#ai创造营#

建议先快速原型开发并本地测试工具，随后通过与Agent协作生成大量贴近真实场景的评测任务，结合自动化评测和Agent的推理反馈，持续迭代优化。

原则层面：

提出应优先实现高影响力、能覆盖关键工作流的工具，避免无效的“包API”式工具；

通过命名空间（如前缀/后缀）清晰划分工具边界，减少代理混淆；工具返回内容要聚焦高信号上下文，优先自然语言和可读标识符，必要时支持详细/简洁等多种响应格式以兼顾上下游需求；

对于可能产生大量输出的工具，建议分页、过滤、截断并优化默认参数，避免token浪费；错误提示要具体明确，帮助代理自我修正。

工具描述和参数设计要像给新同事写文档一样详尽，消除歧义，输入输出严格定义，持续通过评测微调描述以提升代理调用效果。

详情anthropic.com/engineering/writing-tools-for-agents

13:53 · 2025年8月11日 · 周一

Open AI 也发布了 GPT-5 的官方提示词指南，更适合开发者参考#ai创造营#

具体包括：智能体任务与工具调用、推理与上下文复用、代码生成与协作、可控性与指令遵循、Markdown 格式化、元提示（Metaprompting）代码工具与环境说明

基本涉及了 AI 产品和 Agent 构建的各个方面，我总结了一下还是推荐看原文👇

智能体任务与工具调用

Agentic Workflow Predictability：推荐使用 Responses API 持续保存推理过程，提升智能体应用效率。

Agentic Eagerness：可通过调整 `reasoning_effort` 参数和提示词，控制模型的主动性。
降低主动性：使用低 `reasoning_effort`，明确探索范围和早停标准，减少不必要的工具调用和上下文收集。
提高主动性：提升 `reasoning_effort`，鼓励模型持续完成任务，减少向用户确认或交还的频率。
Tool Preambles：通过提示词引导模型在工具调用前，简明扼要地重述用户目标、规划执行步骤。

推理与上下文复用

Reasoning Effort：可根据任务复杂度调整推理深度。复杂任务建议高推理力度，并将任务拆分为多个步骤分批完成。
Responses API：推荐使用 Responses API 传递前序推理结果，节省 token。

代码生成与协作

前端开发推荐栈：GPT-5 在前端开发表现优异，推荐使用 Next.js、React、Tailwind CSS、shadcn/ui 等主流框架和组件库。
零到一应用生成：通过提示模型自建评估标准，并据此反复自我优化，提升一次性生成应用的质量。
代码风格与规范：明确代码编辑规则、工程原则、目录结构和 UI/UX 最佳实践，确保模型生成代码与现有项目风格一致。
协作编码案例：通过参数和提示词双重控制，平衡输出简洁性与代码可读性，鼓励模型主动提出变更并让用户审核。

可控性与指令遵循

Steerability：GPT-5 对提示词的可控性极高，可控制输出长度、风格和工具调用行为。
Verbosity：新增 `verbosity` 参数，控制最终答案的长度。可在提示词中覆盖默认设置，实现场景化定制。
Instruction Following：GPT-5 对提示词指令极为敏感，需避免矛盾或模糊的指令。

11:41 · 2025年7月19日 · 周六

Manus 昨晚发布了一篇非常好的内容#ai创造营#

总结了他们关于 AI Agent 上下文工程上的经验教训。

除了了解如何做以外 Peak 还清晰的解释了为什么这么做，非常适合作为入门引导文章。

我手动整理一下，强烈推荐看原文：manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus

首先需要围绕 KV 缓存进行设计

KV 缓存命中率是生产阶段 AI 代理中最重要的指标，它直接影响延迟和成本。

在 Agent 任务中预填充和解码之间的比例在代理中相比聊天机器人显得极为不平衡。

相同前缀的上下文可以利用 KV-cache，这大大减少了首次生成标记时间（TTFT）和推理成本，比如 Claude Sonnet 可以相差 10 倍。

简单解释一下 KV Caching：

KV Caching（Key-Value 缓存）是指在生成式 Transformer（如 GPT、T5 等模型的解码器部分）中，将每一步生成时计算得到的 Key（K）和 Value（V）矩阵保存下来。这样，在生成下一个 token 时，模型只需要计算新 token 的 Key 和 Value，并与之前缓存的内容一起用于注意力计算，而不必每次都重复计算所有历史 token 的 Key 和 Value。

提高 KV-cache 命中率涉及几个关键做法：

1️⃣保持提示前缀稳定。由于 LLMs 的自回归特性，即使是单个标记的差异也会使该标记及其之后的缓存失效。一个常见错误是在系统提示开头包含时间戳——尤其是精确到秒的时间戳。虽然这样可以让模型告诉你当前时间，但也会大幅降低缓存命中率。

2️⃣使上下文仅追加。避免修改之前的操作或观察。确保序列化是确定性的。许多编程语言和库在序列化 JSON 对象时不保证键的顺序稳定，这可能会悄无声息地破坏缓存。

3️⃣在需要时明确标记缓存断点。一些模型提供商或推理框架不支持自动增量前缀缓存，而是需要在上下文中手动插入缓存断点。设置这些断点时，要考虑潜在的缓存过期问题，至少确保断点包含系统提示的结尾部分。

屏蔽而非移除工具

随着你的 Agent 功能越来越多，他的工具数量激增。最近 MCP 的流行更是火上浇油。模型更可能选择错误的动作或采取低效的路径。简而言之，你的重装代理反而变得更笨了。

10:28 · 2025年3月28日 · 周五

HiAI - 华为人工智能技术开放平台
HiAI 华为人工智能技术开放平台

链接：
https://developer.huawei.com/consumer/cn/hiai/

#Ai工具推荐

huawei

华为HiAI能力开放平台 - 人工智能技术 - 移动AI程序 - 华为开发者联盟

HUAWEI HiAI是面向智能终端的AI能力开放平台，基于 “芯、端、云”三层开放架构，即芯片能力开放、应用能力开放、服务能力开放，构筑全面开放的智慧生态，让开发者能够快速地利用华为强大的AI处理能力，为用户提供更好的智慧应用体验。