The prompting playbook

摘要

分享如何透過評估套件與結構化提示最佳化 AI 代理系統，涵蓋從維護舊提示到從零建構新用例的實戰案例。觀眾可學習如何針對失敗模式逐一修復，並利用工具與代理迴圈提升效能。

A talk on optimizing AI agent prompts through evaluation suites, structural hygiene, and agentic loops.

摘要、重點與章節標題由語言模型整理，細節（誰說的、數字、先後）可能有誤；要引用請以原始內容為準。

重點

• 透過評估套件量化提示變更對模型表現的影響。
• 使用 XML 結構與輸出合約提升提示清晰度與一致性。
• 採用代理迴圈或工具呼叫解決複雜計算與規則遵循問題。

章節

依話題轉折切分，標題由 AI 產生

1. 00:20維護舊提示詞的失敗模式與修復策略
2. 12:55針對複雜輸出架構的提示詞最佳化案例
3. 17:13避免模型進行無效心算並引入工具
4. 20:22解決衝突情境下錯誤升級的提示詞陷阱
5. 23:34從零建構新代理時的多變數比較分析
6. 26:38提升推理能力與最佳化延遲成本權衡
7. 29:54採用生成評估修復迴圈的代理架構
8. 32:53拆解提示詞最佳化與代理系統架構

提到的工具與公司

• Anthropic
• Opus
• Sonnet
• V0

適合誰看

正在開發或維護基於 LLM 的應用程式、需要最佳化提示工程或建構 AI 代理系統的工程師。

摘要依據

依據

自動字幕

為什麼排在這裡

人氣

0.76

新鮮

0.60

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• State-Of-The-Art Prompting For AI AgentsPodcast ・ Lightcone Podcast ・ 31 分鐘
• Prompting for Agents | Code w/ Claude影片 ・ Anthropic ・ 29 分鐘
• I don't prompt agents anymore...影片 ・ AI Jason ・ 22 分鐘（在新分頁開啟原站）
• Building Effective AI Agents文章 ・ Anthropic Engineering Blog
• One Prompt Every AGENTIC Codebase Should Have (For Engineering Teams)影片 ・ IndyDevDan ・ 23 分鐘（在新分頁開啟原站）
• Aayush Agrawal - Evals: The Engine for Agent Improvement影片 ・ Berkeley RDI ・ 6 分鐘（在新分頁開啟原站）