標籤：prompt-engineering

Claude Opus 5 上線後，prompt 與 agent harness 要反向校準：少叫它自查、限制委派、用 effort 控成本

Threads @drpwchen 以 Claude Opus 5 官方指南做了一次 Claude Code 基礎設施校準。官方文件確認 Opus 5 具備 1M context、128k max output、thinking 預設開啟、low/medium effort 成本效率提升、code review precision/recall 強，以及更常自我驗證與主動派 subagent。本文整理成 Allen/Hermes 可用的 agent harness 調整清單：少寫 double-check、不要用「只報 high severity」、限制委派、明確壓輸出長度，並補充 claude-pacer 作為 Claude Code usage pacing 的周邊工具。

Ian Xiaohei Scenes：把中文文章變成小黑實物場景配圖的 Codex Skill

Threads 分享的小黑 Skill 對應 GitHub repo helloianneo/ian-xiaohei-scenes：一個 MIT 授權的 Codex Skill，用「小黑 + 真實物件 + 物理動作 + 短中文標籤 + 留白敘事」為中文文章生成風格統一的正文配圖與長卷故事圖。本文查證 README、SKILL、QA checklist 與 NOTICE，並整理 Allen KB 可借鏡的內容配圖 workflow。

Google Agent Quality Flywheel：開發 AI Agent 不能只 vibe-check，要把 prompt 改動接上 eval 與 production traces

Google 提出 Agent Quality Flywheel：Build & Test → Ship & Monitor → Learn & Refine，並在開發端拆成 Prepare Data、Run Inference、Auto-Rate、Analyze、Optimize。重點是用工程數據判斷 agent 是否真的變好。

Langfuse：把 Prompt Eval、Dataset、Trace 與成本監控放進同一個 LLM 工程閉環

Langfuse 是 open-source AI engineering platform，將 prompt management、eval/dataset、LLM-as-a-judge、trace、token/cost/latency 與 self-host 部署串成 AI 產品的工程閉環。重點不是單一工具，而是讓 prompt 與模型變更可版本化、可評估、可回溯。

把 IG 內容決策交給 Claude：不是要 AI 代寫，而是把選題流程產品化

Jason Tsai 的 Instagram 貼文以「兩週 15,000 追蹤、250 萬觀看」包裝 5 個 Claude Prompt。可驗證的重點不是成長數字本身，而是把 IG 選題拆成利基市場、受眾、目標、內容模式、Hook、格式與收藏分享理由，讓 AI 變成內容決策流程的一部分。

Codex 自我提升 Prompt：讓 Agent 從過去 30 天工作中萃取 Skill、Subagent 與 Automation

Vaibhav Srivastav 提供的 prompt 把 Codex 從「每次重新聽指令的工具」推向「能回顧 session、memory、rollout summary 與 Chronicle，主動找出可封裝重複流程的協作者」。核心方法是先列候選清單，再只建立高信心、範圍窄、可驗證且未被現有資產涵蓋的 skill、custom subagent 或 automation。

Gemini 影片剪輯 Prompt 工作流：從剪輯藍圖、爆款拆解到留存率審計

這則 Threads 整理 7 個可直接用於 Gemini / 多模態模型的影片製作 prompt：剪輯藍圖、爆款風格拆解、腳本節奏優化、導出參數、素材分揀、發布前終檢、留存率審計。真正價值不是「Gemini 自動取代剪映」，而是把影片後期拆成可審核、可交接的 production workflow。

AI 工程的陰陽術比喻：PE、CE、HE、ME、FDE 五層能力地圖

整理 Threads 用陰陽術語彙比喻 AI 工程的五層成熟度：PE 提示詞工程是咒文，CE 上下文工程是符咒，HE 挽具工程是式神，ME 駕馭工程是陰陽寮，FDE 則是把 AI 部署到真實組織流程的現代陰陽師。

把自己蒸餾成 Skill：AI Coding 時代，工程師從駕駛變成教練與系統設計者

Threads 貼文提出「把自己蒸餾成 skill」：工程師刻意不親手寫每一行程式，而是把反覆流程、溝通方式、驗收標準與修正策略變成 AI 可重複執行的操作規格。本文整理這種 AI coding 工作法的核心：AI 當駕駛、人類當教練；真正該被保留在人類手上的，是問題定義、架構判斷、風險控管、測試驗收與可遷移的工作流設計。

AI 時代的輸出格式：Markdown 不是死了，但 HTML / UI Artifacts 會變重要

Threads 貼文主張 AI 生成內容越來越長、越複雜，純 Markdown 的可讀性與互動性不足；HTML / SVG / interactive artifacts 更適合呈現計畫、流程圖、review 報告與可迭代原型。

JeffreysPrompts：用 30-5 點子精煉法讓 AI 先發散再收斂

JeffreysPrompts.com 是 agentic coding prompt collection，其中 Idea Wizard 的 30-5 方法要求 AI 先產生 30 個想法，再批判篩選成最佳 5 個並落地執行。真正價值不是收藏更多 prompts，而是把高 leverage prompt 變成固定工作流。

GPT-5.5 與 Claude 的 Prompt 指南分歧：結果導向 vs 結構導向

OpenAI GPT-5.5 官方指南偏向短 prompt、描述結果、避免過度指定流程；Claude 官方指南仍強調成功標準、結構、格式、評估與清楚約束。差異反映模型使用策略要分家。

Claude Design system prompt 洩漏出的真正差距：不是誰能做設計工具，而是誰先把「去 AI 味」產品化

Sliven 提到 Claude Design 的 system prompt 被破解後，最值得注意的不是 prompt 本身，而是 Anthropic 已把避免 AI 味、處理探索脈絡與設計上下文，直接寫進產品核心規則裡。

去除翻譯腔的 Claude Code Skill：dewesternise / westernise，把中文從歐化句式拉回自然語感