Daily Study

更新: 9/13/2025 字数: 0 字 时长: 0 分钟

Daily Plan

#todo

• 写博客
• [ ]

prompt优化方式

一个专门生成prompt的对话AI：https://promptpilot.volcengine.com

anthropic之前的播客节目：https://www.youtube.com/watch?v=T9aRN5JkmL8&t=10s&ab_channel=Anthropic，介绍了一些调试prompt的方法论，很受用。但最受用的还是在具体的业务场景下多调多想，践行已有的方法论，再总结自己的经验，不要过度相信别人给的/模型帮你生成的prompt。

用设计模式的理念来写prompt，比如

• CoT（Chain of Thought，思维链）
• Zero-Shot Prompting（零样本提示）
• Few-Shot Prompting（少样本提示）
• Role-Playing（角色扮演）
• RACE（Role, Action, Context, Expectation，角色-行动-背景-期望）
• SCQA（Situation, Complication, Question, Answer，情境-复杂性-问题-答案）
• Tree of Thought（ToT，思维树）
• Self-Consistency（自我一致性）
• Instruction-Based Prompting（指令式提示）
• Contrastive Prompting（对比提示）
• COSTAR（Context, Objective, Style, Tone, Audience, Response，背景-目标-风格-语气-受众-回应格式）
• CRISPE（Capacity/Role, Relevance/Insight, Instruction/Statement, Specificity/Personality, Parameters/Examples, Experiment，角色/能力-相关性/背景-指令/陈述-具体性/个性-参数/示例-实验）

集成了很多家AI工具的提示词合集仓库：x1xhlol/system-prompts-and-models-of-ai-tools: FULL v0, Cursor, Manus, Augment Code, Same.dev, Lovable, Devin, Replit Agent, Windsurf Agent, VSCode Agent, Dia Browser, Xcode, Trae AI, Cluely & Orchids.app (And other Open Sourced) System Prompts, Tools & AI Models.

仓库对应的：ReadmeX

实习经历

项目需求：在腾讯自研的威胁情报平台的基础上，利用LLM进行赋能，提高内部安全响应效率。

主要工作：主导开发了一款基于LLM驱动的AI原生威胁情报自动化分析工具。通过智能规划、多源情报聚合与自动化关联分析，大幅度提高安全响应效率。工具包含IOC-Tool核心分析引擎，IOC-Search主动发现模块和IOC-Bot企业微信机器人。

项目需求：面对腾讯云上的AKSK安全，针对云API的异常告警完成AI赋能，基于LLM构建对应的AKSK-Agent，有效的帮助客户减少告警研判数量并进行告警分析。

主要工作：基于LangGraph搭建Agent框架，主要包括Graph核心模块和MCP层架构，根据运营专家提供的CoT构建MCP Server集群，实现了智能路由、Plan-ReAct和可插拔的MCP标准接口。

项目需求[1]：在腾讯自研的威胁情报平台的基础上，利用LLM进行赋能，提高内部安全响应效率。

主要工作[1]：主导开发了一款基于LLM驱动的AI原生威胁情报自动化分析工具。通过智能规划、多源情报聚合与自动化关联分析，大幅度提高安全响应效率。工具包含IOC-Tool核心分析引擎，IOC-Search主动发现模块和IOC-Bot企业微信机器人。

项目需求[2]：面对腾讯云上的AKSK安全，针对云API的异常告警完成AI赋能，基于LLM构建对应的AKSK-Agent，有效的帮助客户减少告警研判数量并进行告警分析。

主要工作[2]：基于LangGraph搭建Agent框架，主要包括Graph核心模块和MCP层架构，根据运营专家提供的CoT构建MCP Server集群，实现了智能路由、Plan-ReAct和可插拔的MCP标准接口，最终单告警研判准确率能够达到90%。