推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）。 • 通用模型：结构化、补偿性引导（“缺什么补什么”）。 避免误区 • 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。 • 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险 指令驱动 直接给出明确步骤或 “写一个包含‘量子’和‘沙漠’ 的短篇小说，不超过200字” 开放式指令（如“自由创作”） 代码生成 推理模型 简洁需求，信任模型逻辑 “用Python实现快速排序” 分步指导（如“先写递归函数”） 通用模型 细化步骤，明确输入输出格式 “先解释快速排序原理，再写出代 码并测试示例” 模糊需求（如“写个排序代码”） 多轮对话 通用模型 自然交互，无需结构化指令 “你觉得人工智能的未来会怎样？” 强制逻辑链条（如“分三点回答”） 自主设计验证路径并排查 矛盾 简单确认，缺乏深度推演 5. 执行需求 需完成具体操作（代码/ 计算/流程） 任务 + 步骤约束 + 输出格 式 自主优化步骤，兼顾效率 与正确性 严格按指令执行，无自主优化 提示语示例 决策需求 验证性需求 "为降低物流成本，现有两种方案： ①自建区域仓库（初期投入高，长期成本低） ②与第三方合作（按需付费，灵活性高） 请根据

推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）。 • 通用模型：结构化、补偿性引导（“缺什么补什么”）。 避免误区 • 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。 • 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。 从“下达指令”到“表达需求” 策略类型 定义与目标 适用场景 示例（推理模型适用） 优势与风险 指令驱动 直接给出明确步骤或 “写一个包含‘量子’和‘沙漠’ 的短篇小说，不超过200字” 开放式指令（如“自由创作”） 代码生成 推理模型 简洁需求，信任模型逻辑 “用Python实现快速排序” 分步指导（如“先写递归函数”） 通用模型 细化步骤，明确输入输出格式 “先解释快速排序原理，再写出代 码并测试示例” 模糊需求（如“写个排序代码”） 多轮对话 通用模型 自然交互，无需结构化指令 “你觉得人工智能的未来会怎样？” 强制逻辑链条（如“分三点回答”） 自主设计验证路径并排查 矛盾 简单确认，缺乏深度推演 5. 执行需求 需完成具体操作（代码/ 计算/流程） 任务 + 步骤约束 + 输出格 式 自主优化步骤，兼顾效率 与正确性 严格按指令执行，无自主优化 提示语示例 决策需求 验证性需求 "为降低物流成本，现有两种方案： ①自建区域仓库（初期投入高，长期成本低） ②与第三方合作（按需付费，灵活性高） 请根据

R1、Open AI o3mini、Kimi k1.5支持联网查询网址，Claude 3.5 sonnet暂不支持；  四个模型均能根据上传的网页代码，对多个网址链接进行筛选、去重，完全提取出符合指令要求的所有网址链接并形成列表；  在复杂爬虫任务上，DeepSeek R1与Open AI o3min生成的代码均能正常执行数据采集任务，o3响应速度更快，R1数据采集结果更加完 整准确；其他 二 要怎么做？ 撰写文章标题指令 指令：我想让您担任学术期刊编辑，我将向您提供一份手稿摘要，您将向我提供 5 个好的研究论文英文标题，并解释为什 么这个标题是好的。请将输出结果以 Markdown 表格的形式提供，表格有两列，标题为中文。第一列给出英文标题，第二 列给出中文解释。以下文本为摘要： 【指令后加上文章的摘要】。 中-英、英-中互译指令 指令：我想让你充当一名科研类的英汉翻 affectpredation and subsequently influence the dynamicrelationship between predators and prey. 中文学术写作润色指令 指令：作为中文学术论文写作优化助手，您的任务是改进所提供文本的拼写、语法、清晰度、简洁性和整体可读性， 同时分解长句，减少重复，并提供改进建议。请仅提供文本的更正版本，并附上解释。以 markdown

交互能力 情感分析 文本分类 图像理解 跨模态转换 专业建议 任务分解 情感回应 上下文理解 对话能力 多轮对话 数学运算 逻辑分析 能力图谱 诗歌创作 语音识别 指令理解 方案规划 实体识别 l 文本创作 文章/故事/诗歌写作 营销文案 、广告语生成 社交媒体内容（如推文 、帖子） 剧本或对话设计 l 摘要与改写 长文本摘要（论文 虚构值（标注“示例”规避风险）： p “假设园区占地500亩，日均处理包裹量50万件，请计算自动化分拣设备的配置数量，用表格展示。” p 模板复制：对同类章节（如3.1/3.2/3.3）使用相同指令模板，仅替换关键词。 p 强制格式：要求AI输出带编号小标题、分点、表格的内容，直接粘贴后即显“专业感”。 第三阶段：20分钟——用AI补全软性内容（目标：1000字） 填充“虚但必需”的部分： 场景1：1小时内写完一个1万字的项目书 第四阶段：10分钟——用AI优化与格式伪装 p统一话术： “将以下段落改写成政府报告风格，加入‘数字化转型’‘双碳战略’等关键词：{粘贴原文}” p生成图表： 指令：“将上文‘设备配置表’转换成LaTeX格式的三线表。”插入图表后，自动增加方案“厚度”。 p最终润色： “检查以下方案书逻辑漏洞，列出3个可能被客户质疑的点，并给出应对答案。” p关键提醒：

. . . . . . 11 2.5 AI 指令编写工具 . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.1 FlowGPT . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.2 ChatGPT 指令大全 . . . . . . . . . . . AI 技术提升代码生成和分析能力。 2.5 AI 指令编写工具 Figure 7: AI 指令辅助工具 2.5.1 FlowGPT 网址：https://flowgpt.com/ Figure 8: FlowGPT 包括各种工具提示词 2.5.2 ChatGPT 指令大全 在作者的公众号（郭震 AI）回复消息：gpt，获取这份 GPT 指令大全。 11 2.5.3 SD 提示词手册 目前最强开源大模型 LlaMA3，2024 年 4 月 19 日，Meta 公司发布，共有 8B，70B 两种参数，分 为基础预训练和指令微调两种模型。 与 Llama2 相比，Llama3 使用了 15T tokens 的训练数据，在推理、数学、 代码生成、指令跟踪等能力获得大幅度提升。 3.1 大模型 Llama3 3.1.1 步骤 1：安装 Ollama Ollama 可以简单理解为客户端，实现和大模型的交互。ollama

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 16.2 Spice 指令 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . GNOME 桌面运行。 从命令行调用 xsltproc，其中包含要使用的样式表的名称，后跟要应用样式表的文件的名称。如果提供的文件名是 - ， 它将使用标准输入。 如果样式表包含在带有样式表处理指令的 XML 文档中，则不需要在命令行中命名样式表。xsltproc 将自动检测包含 的样式表并使用它。默认情况下，输出为 stdout。您可以使用 -o 选项指定要输出的文件。 15.6.2 简介 主文本小部件显示所选的库文件内容。将模型描述放在库文件中是常见的做法，包括节点顺序。 Eeschema 简介 145 / 151 文件 Spice 库文件的路径。该文件将由模拟器使用，因为它是使 用.include 指令添加的。 型号 所选设备型号。选择文件后，列表将填充可用模型可供选择。 类型 选择型号类型（子电路，BJT，MOSFET 或二极管）。通常是设定的 选择模型时自动选择。 16.1.3 源 Source

开源的大模型也是在不断提升智能化能力，例如 2024 年 9 月阿里发布的 Qwen 2.5 72B 模型 成为全球最强开源大模型。此外，Qwen 2.5 的整体性能相比前一代提升了超过 18%，并且在 多模态能力、长文本处理和指令遵循等方面也有所增强。 大模型应用从 Chatbot 到 RAG、Copilot 和 Agent 的发展历程充满了挑战与机遇。随着技 术的不断进步和创新，我们有理由相信，大模型应用将在未来展现出更加广阔的应用前景和巨大 （NPU）则直接运行深度学习相关程序。 处理器芯片设计是一项很复杂的任务，整个过程犹如一座冰山。冰山水面上是用户或者大 众看到的处理器芯片架构，呈现为一组微架构核心参数，比如 8 核、8 发射乱序执行、32KB 指令 Cache、2MB L2 Cache 等等。 但为何是选择这样的配置，不同配置对处理器的 PPA（性能、功耗、面积）有什么影响？ 要搞清楚这些联系，则需要一整套处理器架构设计基础设施的支撑（即冰山水面下部分）—— Unit）为例，这是现代高性能处理器的一个 重要组成部分，负责根据分支指令执行历史预测分支的走向，从而提前执行对应方向上的指 令。BPU 的预测准确率直接影响着处理器整体的性能和功耗，当 BPU 预测准确率高，则处 理器流水线的空泡（Stall）就比较少，甚至完全消除。但当 BPU 出现预测错误，不仅已执行 的错误路径上的指令都被浪费，而且还需要冲刷流水线等来保证后续执行的正确性，这降低了 处理器性能，也带来额外的功耗。

GNOME 桌面运行。 从命令行调用 xsltproc，其中包含要使用的样式表的名称，后跟要应用样式表 的文件的名称。 如果提供的文件名是 - ，它将使用标准输入。 如果样式表包含在带有样式表处理指令的 XML 文档中，则不需要在命令行中 命名样式表。xsltproc 将自动检测包含的样式表并使用它。 默认情况下，输出 为 stdout。 您可以使用 -o 选项指定要输出的文件。 15.6.2 通常由设备制造商提供。 主文本小部件显示所选的库文件内容。 将模型描述放在库文件中是常见的做 法，包括节点顺序。 文 件 Spice 库文件的路径。 该文件将由模拟器使用， 因为它是使用 .include 指令添加的。 型 号 所选设备型号。 选择文件后，列表将填充可用 模型可供选择。 类 型 选择型号类型（子电路，BJT，MOSFET 或二极管）。 通常是设 定的 选择模型时自动选择。 16.1 选项适用于所有模拟类型。 有关源的更多详细信息，请参阅 ngspice文档 ，第4章（电压和电流源）。 16.2. Spice 指令 可以通过将 Spice 指令放在原理图工作表的文本字段中来添加它们。 此方法便 于定义默认模拟类型。 此功能仅限于以点开头的 Spice 指令（例如 “.tran 10n 1m” ），无法使用文本字段放置其他元件。 16.3. 仿真 要启动模拟，请在原理图编辑器窗口中选择菜单

图⽚。 • 整理资料：⽆论是堆积如⼭的发票，还是复杂冗⻓的会议记录，Kimi
都能智能识别整理，⾃动提取 关键点，让资料整理不再繁琐，信息⼀⽬了然。 • 辅助创作：根据你提供的⽹⻚链接、⽂件、指令，Kimi
可以帮助你梳理⼤纲、续写⽂章、创作⽂ 案、写作周报、撰写⽅案，成为你的内容创作⼿脚架，提供⽆限灵感。 • 编程助⼿：Kimi
可以帮你快速阅读
API
⽂档，定位所需信息，还可以根据你的需求⽣成代码、快 代
AI
需要拔掉数据线，做到只要源源不断地输⼊电 ⼒，就能源源不断地输出智能。 这两个核⼼问题导致在第三层有巨⼤的空间，包括
long-context、不同模态的⽣成、模型多步规划的 能⼒、指令遵循的能⼒、各种
agent
的功能等。
这些上层的东西都会有巨⼤的差异化，因为中间存在两个重要的技术变量。我认为这是我们的机会。 除了技术层⾯，价值观上我们有⼀点和
OpenAI
不同：我们希望在下⼀个时代，能成为⼀家结合
我觉得这背后实际上是个技术问题。传统
AI
时代，要实现个性化，需要持续更新模型，⽤⼩模型解决 单点问题。⼤模型时代，实现个性化的⼀种⽅式是微调，但我认为微调可能不是本质的⽅法，⻓期来 看可能不会存在模型的微调。为什么？当你的模型指令跟随能⼒、推理能⼒、上下⽂⼀致性能⼒越来 越强时，所有东西只需要放在内存⾥就可以。⽐如你的⼤模型内存有⼀堆
prefix
这样的东西⽤来
follow，成本可以降到⾮常低。最终，你对模型个性化

索如何以 LLM 可以解析的方式来表达需要它完成的任务， 寻找 LLM 的“最佳输入形式”。通过注入提示词，提示词 工程建立了一套“人机交互语法”，来更精准地向 LLM 传 达想要它生成何种输出的指令。这为人们与 LLM 之间建立 高效、准确的“沟通桥梁”提供了可能性。什么“链式思考 1 1 （CoT）”、“自动推理并使用工具（ART）”、“思维 树（ToT）”……甚至运用心理学对 LLM 的发布清楚地表明开源是基础 模型的可行分发机制。不过在大型语言模型 (LLM) 领域却并非如此，这些 模型只能通过 API 获取。并且这些模型的开源替代品没有表现出相同水平 的性能，特别是在它们遵循人类指令的能力方面。 然而，一项意想不到的研究突破和泄露的模型版本彻底改变了这一现状。 2023 年 3 月，Meta 宣布了它的大语言模型 LLaMA，该模型的一大优势是 能运行在单张显卡上。当时 Meta 版最低要求 OpenGL 4.3，升级渲染能力，等等。 Wine-CE 是在不同指令集架构 Linux 系 统上运行 Windows 程序的兼容层，它基于 Wine 项目和 Qemu 项目。与 Wine 相比， Wine-CE 可 以 模 拟 执 行 不 同 指 令 集 的 Windows 软件，它使用修改过的 Qemu 作为指令翻译层。 历经三年多的开发，Meilisearch 1.0 首个完全稳定版于