1️⃣ 什么是 LLM？（不要从 Transformer 细节讲）

🎯 目标

建立正确的“心智模型”，而不是算法细节。

PPT 重点

• LLM ≠ 搜索引擎

• LLM ≠ 知识库

• LLM 是：

  基于上下文进行概率建模的语言生成器

推荐一句话定义

LLM = 一个根据“上下文”预测下一个 token 的函数

可以用的类比

• 自动补全（IDE）

• 超级“上下文敏感”的 String -> String 函数

1️⃣ 《Prompt Engineering Guide》

网站

https://www.promptingguide.ai

优点：

• 从 0 到进阶

• 有大量可复现示例

• 对“为什么有效”讲得清楚

2️⃣ OpenAI Cookbook（通用思想，不限 OpenAI）

Andrej Karpathy：LLM from Zero to Hero

• 不讲 API

• 讲“模型如何思考”

• 极其适合建立直觉

案例：

Simon Willison（Django 框架的联合创始人）。他一边陪家人装饰圣诞树、看电影，一边用 Codex CLI + GPT-5.2，把 Emil Stenström 的 JustHTML（纯 Python、通过 html5lib-tests）迁移成了一个纯 JS、零依赖的库，跑过了 9200+ 个 html5lib-tests 用例，最终产出大约 9000 行代码、43 次提交。

前端已死？前端不死，只是工作模式升级。https://daydream.site/shared/306

提示词技巧：

3. 防止“加戏”：避免过度设计

Opus 4.5 有时候会有点“想太多”，导致过度设计 （Overengineer，即把简单问题复杂化），比如凭空增加不必要的文件或者搞一堆复杂的抽象层。

要解决这个问题，你得在提示词里把话说明白，比如加上：“Only make changes that are directly requested. Keep solutions simple and focused.”（只修改我明确要求的部分。保持解决方案简洁、聚焦。）

Agent

最近我也在按照这个思路设计agent，核心的思想是：把Agent想象成一个每次工作前都会失忆的资深软件工程师，他需要像《未知死亡》里的男主那样，每次都靠笔记来回忆自己要做什么。这样设计agent，有多个好处，比如节省token，比如人类可以使用相同的文档快速了解项目和上手，大模型比较专注，不容易出错

AI Agent 也不是魔法，它一样需要从人类软件工程中汲取经验，它也需要将复杂的任务进行分解成简单的任务，要有一个结构化的工作环境和清晰的交接机制。

以现在模型的能力，Coding Agent 已经能做很多事情了，核心还是在于你是不是能像软件工程中那样，去分解好任务，设计好工作的流程。

https://daydream.site/shared/303

技巧

Andrej Karpathy 最新的一条推文（x.com/karpathy/status/1997731268969304070）建议你跟LLM（大语言模型）对话时，少用“你”怎么看，而是先问问这个领域的专家都是谁，然后让 AI 模拟这个领域的专家回答问题，这样能得到更好的效果。

“关于 xyz，你怎么看？”

因为根本就不存在什么“你”。

下次试试换个问法：

“如果要探讨 xyz 这个话题，最合适的一群人（比如专家或利益相关者）会是谁？他们会说些什么？”

大语言模型可以信手拈来地引导和模拟各种各样的视角。但它并不像我们人类那样，是经过长时间对 xyz 的“思考”和沉淀，才形成自己的观点的。

如果你非要用“你”这个词去强行提问，模型就会被迫根据它 微调 (finetuning) 数据的统计规律，调用一种隐含的“人格嵌入向量 (personality embedding vector)”，然后扮演这种人格来给你模拟一个答案。 (注释：简单来说，当你问“你”时，AI 只是根据训练数据中最常见的回答模式，戴上了一个“大众脸”的面具来配合你，而不是它真的产生了一个拥有自我意识的人格。)

这样做当然没问题，你也能得到答案。但我发现很多人天真地把这归结为“去问问 AI 怎么想”，觉得这事儿特玄乎。其实一旦你明白了它是如何模拟的，这层神秘的面纱也就被揭开了。

技巧

1. 架构先行：人先搭好架子，再让AI来填空。

2. 先规划再写代码

AI 编程工具就像杠杆，放大你的能力也放大你的缺陷。如果你本来就知道自己在做什么，它让你如虎添翼。如果你本来就不知道自己在做什么，它让你更高效地挖坑。