AI 模擬器重新定義個人敘事與世界構建
「模擬器」文檔（即 AI 結構化提示詞）的興起，讓用戶能夠創建個性化的互動敘事世界。這種轉變將故事講述從靜態的作者主導體驗，轉變為動態的用戶驅動共創過程。
Search
Tag: #prompt-engineering165 results
Prompt Wrapper 可能導致 LLM 排行榜結果失效
研究人員引入了格式敏感度指數 (FSI)，用於衡量 Prompt 格式變化如何顯著改變 LLM 的效能評分。研究顯示，排行榜排名往往因模型遵循指令失敗而非模型本身智力差異，導致統計上的脆弱性。
ASK+ 提升了部分可觀測環境下的 LLM 指導能力
ASK+ 引入了軌跡感知上下文與結構化思維鏈，以改善強化學習中 SLM 的指導能力。透過提供地圖與歷史數據，它使小型模型能在複雜的 POMDP 環境中有效地修正代理策略。
用於迭代提示優化的對比反思框架
Contrastive Reflection 是一個透過識別錯誤行為片段並利用 Teacher LLM 提出針對性修改，進而優化 LLM 提示詞的新框架。此方法在 HotpotQA 基準測試中顯著優於隨機證據選擇，並達到了業界領先的效能。
Karpathy 的 65 行提示詞指南引領 AI 編程規範
Andrej Karpathy 的 65 行「CLAUDE.md」指南已成為約束 AI 編程代理的熱門標準。該指南專注於四項核心原則以防止過度工程化與幻覺，顯著提升了任務成功率。
Narration-of-Thought：提升大型語言模型的道德推理能力
Narration-of-Thought (NoT) 是一種新的推理時支架技術，將大型語言模型的推理過程結構化為五個部分，以減少利益相關者遺漏和不確定性壓制。該方法無需微調或額外參數，即可顯著提升各類模型在道德決策上的表現。
指令洩漏：代理系統中的模組間干擾問題
研究人員發現了「組合行為洩漏」（CBL）現象，即在代理系統中編輯一個提示模組會無意中改變其他模組的行為。這種干擾源於 Transformer 的自注意力機制在串聯模組間缺乏明確的邊界。
全新的不確定性分解方法提升 LLM 釐清需求能力
研究人員提出了一種基於提示詞的不確定性分解方法，使 LLM 代理能夠區分行動信心與任務模糊性。與 ReAct+UE 等現有方法相比，該方法在多個基準測試中顯著提升了釐清需求的表現。
Microsoft 發布 SkillOpt 以優化 AI 代理技能
Microsoft 推出了開源框架 SkillOpt，利用深度學習優化技術來改進 AI 代理技能，且無需修改模型權重。它將技能文件視為可訓練對象，解決了手動提示工程中不穩定且難以驗證的問題。
優化 Amazon Bedrock Data Automation 的藍圖提取準確度
Amazon Bedrock Data Automation (BDA) 現在具備藍圖指令優化功能，可自動精煉提取邏輯。透過提供少量範例文件，使用者無需進行單獨的模型微調，即可顯著提高準確度。