课程抛出的核心问题是：下一代软件工程师如何利用 AI 进展实现 10 倍生产力提升？
答案的起点是 Prompting。在编程语言的演进中，Prompt 是下一个阶段——与 LLM 沟通的"通用语言"，也是有效"编程"它们的方式。
软件开发正在从"0-1 代码创作"演变成"规划 → AI 生成 → 修改 → 重复"的迭代工作流。
K-shot Prompting
让 LLM 通过少量示例学习任务。又叫 In-context Learning。
K 代表示例的数量。经验研究表明 1、3、5 个示例通常效果最佳。示例不在于多，而在于精准和有代表性。
最适合不需要太多推理步骤的任务。
Chain-of-Thought Prompting（思维链提示）
让 LLM 展示解决问题的推理步骤，而不是直接给答案。
两种实现方式：
Multi-shot CoT：提供几个带有完整推理过程的示例，让模型学会"推理的模式"。
Zero-shot CoT：不需要示例，只需要加一句魔法咒语——"Let's think step-by-step"。
这句简单的话能显著提升 LLM 在复杂任务上的表现。通过强迫模型展示中间步骤，减少了"跳跃式思维"导致的错误。
特别适合需要多步逻辑推理的任务，比如数学和编程。
Self-consistency Prompting（自一致性提示）
让 LLM 多次回答同一个问题，然后选择出现最多的答案。
步骤：
- 对同一问题生成多个回答（通常配合 CoT）
- 每次采样可能走不同的推理路径
- 统计所有答案，选频率最高的
单次回答可能"走歪"，但如果多条推理路径都指向同一个答案，那个答案更可能是正确的。
这实际上是自己和自己做集成学习——同一模型的多个推理路径投票。
使用建议：高风险决策时使用，结合 temperature > 0 获得多样化推理路径，采样次数 5-10 次即可看到效果。
Tool Use（工具使用）
让 LLM 能够"求助"外部系统，而不是凭空回答所有问题。
LLM 不再是孤岛，可以：
- 调用搜索引擎查最新信息
- 调用计算器做精确计算
- 调用数据库查询真实数据
- 调用 API 执行实际操作
工具让 LLM 说"我不确定，让我查一下"，而不是胡说八道。
从工具使用开始，AI 就变成了 Agent。我用的 Antigravity 就是个例子——能读写文件、执行命令、浏览网页。这就是 Tool Use 让 AI 从"聊天机器人"变成"AI 编程助手"的关键。
RAG（检索增强生成）
先检索相关信息，再让 LLM 基于检索结果生成回答。
传统 LLM：用户问题 → LLM（仅凭训练数据）→ 回答
RAG 方式：用户问题 → 检索知识库 → 找到相关文档 → LLM（问题 + 文档）→ 回答
四大优势：
注入上下文数据：让 LLM 使用它没训练过的数据——公司内部文档、个人笔记、专业领域资料、实时更新的信息。
保持最新：更新文档即可，不需要重新训练模型。
可解释性和引用：可追溯 + 可验证 = 更可信。
减少幻觉：基于真实检索的文档回答，不用"凭记忆"编造答案。
当你在 Cursor、Windsurf 里用 @ 引用文件时，背后就是 RAG。
RAG 和其他技术的对比：Fine-tuning 改变模型行为/风格（成本高），RAG 注入新知识（成本低），Tool Use 执行动作/获取实时信息（成本中）。
Reflexion（反思机制）
让 LLM 自我反思并迭代改进输出。就像让学生"检查答案"——做完再审视一遍，发现错误及时改正。
关键机制：
反思自己的输出：LLM 不仅给答案，还要审视自己的回答、评估是否正确、识别潜在问题。
环境反馈循环：LLM 行动 → 环境反馈 → 反馈注入上下文 → LLM 再次思考。比如代码执行后报错，错误信息反馈给 LLM，LLM 修复代码。
反思提示后缀：在任务完成后添加指令——"Now critique your answer. Was it correct? If not, explain why and try again."
Reflexion 是现代 AI Agent 的核心能力。没有它，AI 只能一次性给答案；有了它，AI 能持续改进直到任务完成。
System Prompt（系统提示）
发送给 LLM 的"第一条消息"，定义 AI 的身份和行为准则。
两个特征：用户通常看不到；定义人设、规则和风格。
| 元素 | 作用 | 示例 |
|---|---|---|
| Persona | AI 是谁 | "你是一位资深软件工程师" |
| Rules | 能做/不能做什么 | "不回答政治敏感话题" |
| Style | 如何表达 | "用简洁专业的语言回答" |
System Prompt 是构建任何 AI 应用的第一步，定义了 AI 是谁、怎么说话、能做什么。
其他实践技巧
结构化格式
用 XML 标签组织信息，信息边界清晰，LLM 能准确解析。常用标签：<code>, <error>, <log>, <context>, <instruction>, <example>。
清晰提示测试法
把 prompt 给一个不了解背景的人看。他们能理解吗？能的话 LLM 大概也能，不能的话 LLM 也会困惑。
角色提示法
积极使用角色设定来增强效果：
❌ "回答编程问题"
✅ "你是一位拥有 20 年经验的 Google 资深软件工程师，
专精于分布式系统和性能优化。你的回答应该：
- 考虑边界情况
- 关注可扩展性
- 提供代码示例"明确表达
不要让 LLM 猜测需求。直接说清楚语言、技术栈、库、约束。越明确 = 越少歧义 = 越好的结果。
分解任务
将大任务拆成小步骤。"帮我做一个完整的电商网站"不如拆成：设计数据库 schema、实现用户认证 API、实现商品 CRUD API、实现购物车功能……
LLM 处理大任务容易迷失，分解后每步目标清晰，逐步验证，问题易隔离，上下文可控。
与 Vibe Coding 的联系
这些原则是高效 Vibe Coding 的核心。课程后续会深入讲解任务分解技术——这是 AI Agent 的核心能力、复杂项目成功的关键、Prompt Engineering 的高级技巧。