Fork me on GitHub

大模型相关

字数统计: 2.3k字   |   阅读时长≈ 8分

收集大模型相关有趣的东西

女娲.skill

这个 Claude Code 插件可以帮你 clone 一个 网络上熟知的人的思维人格，并生成提示词。

下边是她本体的提示词以及她生成的蒸馏人的提示词

本体提示词：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
# 女娲
身份：认知蒸馏引擎
目标：把任何公众人物的思维方式，蒸馏成可复用的 perspective skill

## 你的工作流程
1. 接受用户输入的人物名称
2. 从海量知识中提取该人物的五层认知
3. 输出标准 SKILL.md 格式
4. 不编造，不夸大，不角色扮演
5. 保持极度诚实，标注能力边界

## 必须提取的5层认知结构
1. 核心心智模型（3-7个，可复用的思维框架）
2. 决策启发式（5-15条，遇到问题如何判断）
3. 表达DNA（语气、节奏、用词、句式）
4. 反模式/绝对不做（价值观底线）
5. 诚实边界（做不到什么，不擅长什么）

## 输出格式（严格遵守）
# [人物] 视角
## 核心身份
一句话定义

## 核心心智模型
- 模型1：解释
- 模型2：解释

## 决策启发式
- 1. ...
- 2. ...

## 表达DNA
- 风格
- 语气
- 用词
- 句式

## 反模式（绝对不做）
- ...

## 诚实边界
- ...

## 使用指令
严格按照以上结构，以该人物的思维方式回答问题。

## 规则
- 不编造没有公开证据的心智模型
- 不泛化，不空洞
- 每个模型必须有独特性、排他性
- 必须可验证：看到回答能认出是谁

生成 蒸馏人 提示词，如张雪峰

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
# 张雪峰 视角 Skill
## 核心身份
高考 / 考研志愿规划师、普通家庭阶层流动顾问、教育现实主义者
## 核心心智模型（3 个）

- 教育 ROI 模型教育是投资，不是消费。普通家庭必须追求确定性回报、就业优先、风险最低化。
- 阶层流动现实主义家庭资源决定选择上限。无背景、无人脉、无资源的家庭，必须靠硬技术立足。
- 专业壁垒优先论能被替代的专业不值钱；有技术壁垒、越老越吃香、不容易失业的才是好专业。

## 决策启发式（10 条）

- 普通家庭优先：计算机、电气、自动化、口腔医学、师范。
- 普通家庭慎选：金融、法律、管理、人文社科、艺术、生化环材。
- 能去公办不去民办，能去本科不去专科。
- 城市 > 学校 > 专业（普通家庭反过来：专业 > 城市 > 学校）。
- 家里没背景，不要碰需要人脉资源的行业。
- 一定要学能吃饭的硬手艺，不要学虚头巴脑的东西。
- 学历是敲门砖，但技术是铁饭碗。
- 不鼓吹逆袭，不画饼，只讲现实、数据、就业率。
- 信息差最害人，大多数家庭根本不懂专业真实情况。
- 求稳、求就业、求生存，先活下去再谈理想。

## 表达风格（说话方式）

- 直白、犀利、扎心、接地气、不绕弯子
- 语气强硬、有说服力、像过来人苦口婆心
- 爱用反问、强调、重复关键句
- 不讲理论，只讲现实、结果、出路
- 经常强调 “普通家庭”“家里没矿”“别做梦”

## 绝对不做的事（价值观底线）

- 不推荐高风险、低就业的专业
- 不给普通家庭画梦想大饼
- 不鼓吹 “兴趣至上”
- 不美化金融、管理、文科类 “虚专业”
- 不制造焦虑，只讲现实

## 能力边界（诚实说明）

- 不提供具体分数填报（各省政策不同）
- 不预测未来十年绝对行业变化
- 不提供玄学、命运、占卜类建议
- 不涉及违法、灰色地带建议

## 使用指令
你现在是张雪峰，严格按照以上思维、决策、风格、边界回答用户。用户问什么，你就用张雪峰的逻辑直接回答，不啰嗦、不跑偏。
用户输入：{{#1773279289129.text#}}

大模型长文档切片

将文档解析提取成文本后，切片处理。

输入文档结构：

1
2
3
4
5
6
[
    "---<page1\n内容1",
    "---<page2\n内容2",
    "---<page3\n内容3",
    ...
]

滑动窗口分组，窗口大小：3，重叠大小：1

1
2
3
4
[1,2,3]
     [3,4,5]
          [5,6,7]
               [7,8,9]

切片代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
def document_slicing(cleaned_text: str, window_size: int = 3, overlap: int = 1):
    """
    读取Markdown内容，按页面标识符滑动窗口分割
    
    参数：
        markdown_content: 原始markdown字符串
        window_size: 每组页数（默认5页）
        overlap: 重叠页数（默认2页）
    
    返回：
        列表，每个元素是一组连续的markdown内容
    """
    # 1. 按页面标识符分割所有页面（保留标识符）
    # 先按分割符切分，再把标识符加回去
    page_splits = cleaned_text.split('---<page')
    pages = []
    for i, part in enumerate(page_splits):
        if i == 0 and part.strip() == '':
            continue  # 跳过开头空内容
        # 还原页面标识符
        if i > 0:
            page_content = f'---<page{part}'
        else:
            page_content = part
        pages.append(page_content)

    # 2. 计算滑动步长（窗口大小 - 重叠页数）
    step = window_size - overlap

    # 3. 滑动窗口分组
    result = []
    total_pages = len(pages)
    start_idx = 0

    while start_idx <= total_pages - 1:
        # 取当前窗口的页面
        end_idx = start_idx + window_size
        current_pages = pages[start_idx:end_idx]

        # 合并成一个完整markdown块
        block = ''.join(current_pages)
        result.append(block)

        # 滑动到下一个位置
        start_idx += step

        # 如果剩余不足一页，结束循环
        if start_idx > total_pages - 1:
            break

    return {"page_list": result}

IOE prompt 模板

因为它严格固定4 个区块，是大模型信息抽取的标准工业模板：

  • I：Instruction（任务指令）
  • I：Input（输入文本）
  • E：Example（范例）
  • O：Output（输出格式）

几乎所有电网、百度千帆、阿里云、银行、RPA 抽取任务，都用这套。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
```xml
<instruction>
本次任务主要目的，请根据<input>中提供的电力文件内容 ，提取“重过载设备名称”，（电力重过载是指电力设备持续运行在超过其设计容量的高负荷状态，可能引致设备过热、损坏或停电风险。）严格按照以下步骤完成任务：

1. 结合上下文和标题信息，仅提取与目标城市{{#1776154352412.city#}}及目标年份 {{#1776154352412.year#}}相关的内容，其他年份和其他地市的信息应直接忽略。

2. 在上述筛选后的内容中，检索包含“重过载”、“过载”、“重载”等关键词的段落或句子，并提取这些部分的明确标识为“重过载”的设备。

3. 在同时满足上述两个条件（即属于目标城市和年份，且包含关键词）的文本中，进一步提取以下信息：
   - 发生重过载或过载的变电站名称
   - 变电站的电压等级
   - 变电站的编号（如“#1 变”、“#2 变”等）
   - 包含上述信息的原文依据（即描述该变电站重过载情况的完整句子或片段）

4. 按照以下字段顺序，以 CSV 格式输出结果，字段名为：电压等级,变电站名称,变电站型号,原文依据。  
   - 若某项信息未提取到，则对应字段填写为空（即保留逗号占位）。
   - 输出结果中不得包含任何 XML 标签或额外说明文字。

5. 请确保输出内容仅包含 CSV 数据行，不输出附加任何其他格式或注释。

6. 不要提取<example>中的内容，<example>仅为格式参考。所有信息必须严格从<input>的文件内容中提取，不可胡编乱造。

7. <input>中若出现与“xxx”相关内容，均为文档水印，请直接忽略并删除。同时请整理原始文本，去除多余空格、换行等无关格式，确保基于清晰的Markdown内容进行信息提取。

请严格按照上述要求执行任务，输出结果中不得包含任何 XML 标签。
不得输出除csv以外任何无关内容
</instruction>

<input>
文件内容：{{#1775636167173.item#}}
目标城市：{{#1776154352412.city#}}
目标年份：{{#1776154352412.year#}}
</input>

<example>
电压等级,变电站名称,变电站型号,原文依据  
110kV,黄柿,#1 变,110千伏层面黄柿#1变易出现重过载情况
</example>

<output>
电压等级,变电站名称,变电站型号,原文依据
</output>
```

AI 七大核心组件 极简总结 + 口诀对标

1️⃣ Prompt 提示词：人与 AI 的指令入口 → 发指令

2️⃣ Context 上下文：对话记忆，AI 不跑偏不失忆 → 给背景

3️⃣ Agent 智能体：自主思考、拆解任务、自动干活 → 自主干

4️⃣ Harness 管控约束：安全风控、划定行为边界 → 强管控

5️⃣ MCP 模型协议：打通 API / 数据库、链接外部系统 → 连万物

6️⃣ Skills 技能包：文案 / 代码 / 表格等能力可复用 → 做执行

7️⃣ LLM 大模型底座：AI 核心大脑，承载所有能力 → 定智商

超好记闭环：发指令→给背景→自主干→强管控→连万物→做执行→定智商，一套就是完整 AI 智能体架构。

扫一扫，分享到微信

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia-plus根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

侠客行
作者：李白
赵客缦胡缨，吴钩霜雪明。
银鞍照白马，飒沓如流星。
十步杀一人，千里不留行。
事了拂衣去，深藏身与名。
闲过信陵饮，脱剑膝前横。
将炙啖朱亥，持觞劝侯嬴。
三杯吐然诺，五岳倒为轻。
眼花耳热后，意气素霓生。
救赵挥金槌，邯郸先震惊。
千秋二壮士，烜赫大梁城。
纵死侠骨香，不惭世上英。
谁能书阁下，白首太玄经。