AI 应用

把提示词、检索和结果检查放在同一个任务里学习，保留输入、输出与判断依据。

提示词工程

阅读入口：Prompt Engineering（提示词工程）。

建议用一组固定问题做阅读实验：每次只调整一个因素，并保存修改前后的结果。重点记录“哪种输入改善了，哪种输入反而退步了”。

RAG 推荐问题

RAG：推荐问题设计 整理了原文的两条思路，并附上本地复习任务。

Agent 工程专题

Stanford 2026 逐讲技术博客：对应 CS329Z 与 CS224V 的 31 个公开教学主题，分别讲解 Agent 工程与知识系统，包含原创例子、反例与验证方法。当前文章为开课前预习解读。

Agent 专题：从概念到工程落地 包含六章内容，从决策循环讲到工具、MCP、Skills、记忆、工作流、多 Agent 和评估，并以知识库研究助手串起实践。

已经理解 RAG 的读者可以先看 上下文、记忆与 RAG，再看 最小实现设计。

阅读实验记录

项目	需要记录的内容
任务	谁在什么场景下提问？
输入	用户问题、文档片段、提示词版本
输出	模型实际返回的文本
判断	相关性、证据支持、重复问题
下一轮	只改哪个因素？为什么？

保存失败样例比只保留一次漂亮的回答更有助于复盘。

更多文章见 MirrorML 人工智能分类。本页的实验记录表为新增整理建议。