DR.David

PhD. in Manangement |Azure & IBM Certified AI Engineer | MIT AI Product Design&Building Program | Co-Founder of MBM AI.
正制作多平台栏目《AI帮帮忙》(小宇宙等)

[DR.David @DrDavidDa]

做了个#世界杯 法国对塞内加尔的比赛预测，致敬足球俱乐部经理系列。HTML 能做的事情还是挺多的😄

[金尘马 @jinchenma_ai]

总结了最近 X 上爆火的 26 个 SKILL。

一切的起源都是那个“同事.SKILL”吧😂

一、职场、自媒体系列：
1. 同事.skill 把真实同事蒸馏成AI（SKILL流火爆起点）。
https://t.co/rlBnUqKvEI
2. 女娲.skill 能自动蒸馏任何人的终极工具（想蒸谁蒸谁）。
https://t.co/Z4pIOutlmI
3. X��师.skill（X/Twitter运营导师） 最新迭代，能分析你的账号数据、写推文、给诊断报告。
https://t.co/pIIYkEltNL
4. 老板.skill 把老板炼入token，把生产力的解放留给自己。
https://t.co/7cSVAmkTqw
5. 前任.skill 把前任蒸馏成 AI Skill，用ta的方式跟你说话。
https://t.co/2SvAj4HBKi
6. 自己.skill 把你���己蒸馏成AI，数字永生/第二大脑。
https://t.co/4GZB8Tzxc2
7. 博主.skill 把公开社交媒体语料整理成一个能对话、能分析、能改写风格的 Persona Skill（目前支持推特和小红书）。
https://t.co/WOheukU9UH
8. 蒸馏.skill（人格蒸馏引擎） 人格蒸馏引擎 · 蒸馏自己看清自己，蒸馏亲友留住余温与回声。
https://t.co/dSzv8JfsR2
9. 反蒸馏.skill 公司让你写Skill文档时“投毒”，核心知识自己留着（打工人自保神器）。
https://t.co/hFoUVNpIe0

二、名人系列
10. 乔布斯.skill 思维模型 + 现实扭曲力场 + 决策风格，已开源。
https://t.co/Cf7Kae1FTd
11. 马斯克.skill 第一性原理、硬核执行力、推文风格。
https://t.co/G5nv93WR11
12. 芒格.skill 多元思维模型、反向思考、投资决策神器。
https://t.co/xgXuRXusLV
13. 费曼.skill 教你怎么讲课、拆解复杂问题、讲物理/学习方法。
https://t.co/VK1pRRW5sd
14. 纳瓦尔.skill 财富、幸福、人生哲学，播客级智慧。
https://t.co/51QFLJ5n10
15. 塔勒布.skill 黑天鹅、反脆弱、风险评估专家。
https://t.co/exTXDxXakn
16. 张雪峰.skill 接地气吐槽 + 升学实用建议。
https://t.co/47WXjbpWSg
17. Paul Graham.skill 创业思维、写作、产品哲学。
https://t.co/BLal4704HK
18. 张一鸣.skill 算法思维、组织管理、产品迭代。
https://t.co/bnHcUk4ykq
19. Karpathy.skill AI/深度学习教学 + 技术直觉。
https://t.co/APlrlM58uM
20. Ilya Sutskever.skill AI前沿思考 + 模型哲学。
https://t.co/dpRsPxk1Qt
21. MrBeast.skill（YouTube现象级创作者） 内容病毒式传播 + 增长黑客。
https://t.co/ig0yptB6FA
22. 特朗普.skill 谈判风格、推文艺术、现实扭曲（已验证超像）。
https://t.co/t5E0iUGOhP

三、玄学系列
23. 赛博算命.skill（八字命理） 八字排盘与命理分析工具。
https://t.co/cW05qHYEqu
24. 月老 · 姻缘测算.skill（赛博月老） 姻缘测算技能，用中华传统术数帮你算姻缘。
https://t.co/IqKjsEbTuO
25. 奇门遁甲、紫微斗数.skill 减少幻觉、固定排盘步骤的奇门遁甲与紫微斗数 AI skills。
https://t.co/7LP2ZM95du
26. 大师.skill 基于佛教经典文献的汉传祖师大德教学角色生成器。
https://t.co/GcdrhVVtsJ

[宝玉 @dotey]

为什么我用了那么多提示词模板甚至用了 AI 帮忙还是写不好提示词？

上次我分享了一个模拟雷军演讲的提示词，广受好评，但也有网友想知道我是怎么写出这样的提示词的。授人以鱼不如授人以渔，还是继续分享一下写好提示词的方法论。

现在流行的是上下文工程（Context Engineering），似乎很少有人提起提示词工程（Prompt Engineering），甚至很多人觉得提示词工程已经不需要了：

> “模型已经那么强了，还要啥提示词工程，我写什么提示词大模型都能知道我的意思执行的很好。”

这话只是部分正确，模型是已经越来越强了，普通的需求确实只要简单的提示，但是复杂的需求还是要借助提示词工程才能写的好。

**那么什么���提示词工程？**

> 提示词工程是一个过程，系统化地设计、测试、优化提示词的过程——宝玉

网上分享的提示词或者各种提示词模板，它不是提示词工程，是提示词，是静态的，产生这些提示词的过程才叫提示词工程。

举几个我最近写提示词的例子。

第一个例子就是我怎么写雷军演讲这个提示词的。

往下看之前不妨停下来想一想，如果你来写怎么写？

我是这么做的：

先用 Deep Research 去收集雷军的演讲，然后让 AI 基于 AI 的演讲结果生成一个模仿雷军演讲的提示词。

（图1）

AI 生成了提示词后，我拿去测试了一下，虽然也生成了一个类似雷军风格的演讲稿，但是内容平淡无奇，结果并不怎么理想。

（图2）

我用相同的方法分别去 ChatGPT 和 Claude 上测试了，评估下来结果都不怎么好。

看来 Deep Research 搜索出来的结果并不够好，可能很多都���是雷军的演讲，只是新闻报道之类，后来���好在 X 上看到有网友转载的早年有人整理的雷军演讲风格总结，于是用它试试看：
> 请帮我生成一个 Prompt，可以把输入的主题或文本生成雷军风格的演讲稿。以下是网友总结的内容作为参考：
> \<tweet >
> 雷军有一个非常牛的技能，就是把一件平平无奇或者并没有那么厉害的东西用数字、百分比或者其他的形容词给描述成一个听上去可望而不可即的物品。
> 发布会后，极氪高管吐槽小米汽车：小米的营销值得我们学习，但是汽车技术上小米应该向我们学习。
> 雷军的 PPT 和王家卫的电影台词有异曲同工之妙。
> 举个例子，普通人下一碗面就是我什么时候在哪下一碗什么面。但是雷军的PPT 会这样说:经我们小米的员工连续300个日夜不间断的大数据研究发现，97%的人类在早晨七点零三分56秒的时候会出现明显的饥饿感，相比较七点整，饥饿感整整提升了57%。
> 为了解决这种困扰人类几千年的饥饿感，我们小米工程师们反复研究比对发现，面粉的饱腹感要比大米的饱腹感高出21%。
> 于是我们专门找到了面粉原料小麦的5万年前的发源地 --位于中东的新月沃土，砸重金在新月沃土研制出了一款迄今为止最有饱腹感的面条。
> 那么究竟多有饱腹感呢? 比传统的面条饱腹感提升了73%。同时卡路里下降50%。
> 我们也给它取了一个好听的名字，叫小米超级空心面。同时呢，我们还联合饮用水的行业巨头--农夫山泉研制出了业内首创的泡面专用水-农夫米泉。用我们农夫米泉煮出来的面条饱腹感还能再提升11%
> 9.9元3斤小米空心强饱腹感面条。（面粉成本1.6元一斤而已）免���送十包调料。总共有9款粗细不同，6种种包装颜色可选
> \</tweet>

（图3）

用生成后的提示词去测试了一下，效果极好！

就这么简单！

（图4）

[向阳乔木 @vista8]

让AI陪着一起视频，语音记笔记，最后AI总结对话提炼。

1. 打开Youtube视频
2. Granola新建一条笔记（自动开始监听声音）
3. 听到有感触或重点，按Fn调用AI语音输入法记录。
4. Granola AI总结是英文的，再用自定义Prompt重写笔记。

有疑问右侧AI Chat提问，最后整理几条自己觉得有意思的分享。

[DR.David @DrDavidDa]

win版的Fellou终于能用上了，评论区发个邀请码，感兴趣的朋友留言

[DR.David @DrDavidDa]

I'm using the @FellouAI browser to publish this post! #AIBrowser #NextGenAI #FellouAI

[DR.David @DrDavidDa]

I'm using the @FellouAI browser to publish this post! #AIBrowser #NextGenAI #FellouAI

[DR.David @DrDavidDa]

@hq4ai 已经在朋友圈传开了

[向阳乔木 @vista8]

@imwsl90 一年级到高中全科教材PDF：
https://t.co/qHyvIiHjqZ

群友又补充了两个资源。

1. 各名校课程PDF：https://t.co/ZqSa4ZCtVp
2. 各种机构课程PDF：https://t.co/zqcxNZcoeO

五年级数学第一单元生成的“我的世界”主题网页：
https://t.co/GO8lNEekt5

[DR.David @DrDavidDa]

只在Lovart输了一句“双缝干涉实验与背后量子力学理论的动态解释”给了n张图和一个小短片，不过短片效果有待提升。
Prompt "The Double-Slit Interference Experiment and the Dynamic Interpretation of the Underlying Quantum Mechanics Theory"

https://t.co/OS0I0eWK0L

[DR.David @DrDavidDa]

https://t.co/cOr3Umnfzb Prompt：一图说清楚大语言模型的原理，你的读者是小白，最后用的是GPT出图，中间让他翻译成中文，画面保持的还行

[Bishal Nandi @LearnWithBishal]

It’s been just a few hours since Google dropped Gemini 2.5 Pro (I/O edition)

And people can't stop being creative with it.

Here are 10 WILD examples so far:

[DR.David @DrDavidDa]

Master ChatGPT Prompts Like a Pro (In Minutes)🤖Struggling with weak AI https://t.co/gKif0btggD are 7 golden rules of Prompt Engineering that instantly improve your results

[向阳乔木 @vista8]

今天研究出个很强的工具组合玩法，能完整保留原文图片，AI重新排版生成一个精美响应式网页。

工具：飞书剪藏 + Markdown图文下载 + Trae + 七牛MCP + Claude 3.7 sonnet

加上HTML2img工具，还能转图片做知识内容引流。

抽空写个教程。

原文和处理地址见评论

[Sam Altman @sama]

we have doubled rate limits for o3 and o4-mini-high for chatgpt plus subscribers.

enjoy!

[柴郡🔔｜Crypto+AI Plus @0xCheshire]

AI 视频已经厉害得有点吓人了。

所以我测试了一些最难的提示词，针对目前所有主流模型：

• Kling 2.0
• Sora
• Runway Gen-4
• Google Veo 2

下面是 10 个同步对比的示例：🧵

[@jiamimao 大猫叔叔 @jiamimaodashu]

这个prompt牛：请画一张极其平凡无奇的iPhone 自拍照，没有明确的主体或构图感，就像是随手一拍的快照。照片略带运动模糊，阳光或店内灯光不均导致轻微曝光过度。角度尴尬、构图混乱，整体呈现出一种刻意的平庸感-就像是从口袋里拿手机时不小心拍到的一张自拍。主角是陈��迅和谢霆锋，晚上，旁边是香港会展中心，在香港维多利亚港旁边。😄

[DR.David @DrDavidDa]

@passluo prompt是什么？

[siddharth ahuja @sidahuj]

🧩 Built an MCP that lets Claude talk directly to Blender. It helps you create beautiful 3D scenes using just prompts!

Here’s a demo of me creating a “low-poly dragon guarding treasure” scene in just a few sentences👇

[Andrew Ng @AndrewYNg]

Announcing: Agentic Document Extraction!

PDF files represent information visually - via layout, charts, graphs, etc. - and are more than just text. Unlike traditional OCR and most PDF-to-text approaches, which focus on extracting the text, an agentic approach lets us break a document down into components and reason about them, resulting in more accurate extraction of the underlying meaning for RAG and other applications. Watch the video for details.

[Aurimas Griciūnas @Aurimas_Gr]

AI Agents 101: 𝗔𝗜 𝗔𝗴𝗲𝗻𝘁 𝗠𝗲𝗺𝗼𝗿𝘆.

In general, the memory for an agent is something that we provide via context in the prompt passed to LLM that helps the agent to better plan and react given past interactions or data not immediately available.

It is useful to group the memory into four types:

𝟭. Episodic - This type of memory contains past interactions and actions performed by the agent. After an action is taken, the application controlling the agent would store the action in some kind of persistent storage so that it can be retrieved later if needed. A good example would be using a vector Database to store semantic meaning of the interactions.

��. Semantic - Any external information that is available to the agent and any knowledge the agent should have about itself. You can think of this as a context similar to one used in RAG applications. It can be internal knowledge only available to the agent or a grounding context to isolate part of the internet scale data for more accurate answers.

𝟯. Procedural - This is systemic information like the structure of the System Prompt, available tools, guardrails etc. It will usually be stored in Git, Prompt and Tool Registries.

𝟰. Occasionally, the agent application would pull information from long-term memory and store it locally if it is needed for the task at hand.

𝟱. All of the information pulled together from the long-term or stored in local memory is called short-term or working memory. Compiling all of it into a prompt will produce the prompt to be passed to the LLM and it will provide further actions to be taken by the system.

We usually label 1. - 3. as Long-Term memory and 5. as Short-Term memory.

A visual explanation of potential implementation details 👇

And that is it! The rest is all about how you architect the topology of your Agentic Systems.

What do you think about memory in AI Agents?

#LLM #AI #MachineLearning