无原创，纯转发
Kata Containers：兼具容器的速度与虚拟机的安全
这是一个开源容器运行时，它利用轻量级虚拟机，在提供硬件级强隔离的同时，保持了容器般的速度和体验，有效解决了传统容器共享内核带来的安全风险。
主要特性：
🚀 性能：性能媲美标准 Linux 容器，没有传统虚拟机的性能损耗。
🛡️ 安全：通过硬件虚拟化技术 (VT 扩展) 实现内核、网络、I/O 和内存的全面隔离。
🧩 兼容性：支持 OCI 容器格式、Kubernetes CRI 接口等行业标准。
💡 简洁性：无需在完整虚拟机中嵌套容器，易于集成和使用。
该项目由 Open Infrastructure Foundation 管理，整合了 Intel Clear Containers 和 Hyper.sh RunV 的优点，并支持 QEMU、Cloud-Hypervisor 和 Firecracker 等多种管理程序。
原文链接：https://katacontainers.io/
这是一个开源容器运行时，它利用轻量级虚拟机，在提供硬件级强隔离的同时，保持了容器般的速度和体验，有效解决了传统容器共享内核带来的安全风险。
主要特性：
🚀 性能：性能媲美标准 Linux 容器，没有传统虚拟机的性能损耗。
🛡️ 安全：通过硬件虚拟化技术 (VT 扩展) 实现内核、网络、I/O 和内存的全面隔离。
🧩 兼容性：支持 OCI 容器格式、Kubernetes CRI 接口等行业标准。
💡 简洁性：无需在完整虚拟机中嵌套容器，易于集成和使用。
该项目由 Open Infrastructure Foundation 管理，整合了 Intel Clear Containers 和 Hyper.sh RunV 的优点，并支持 QEMU、Cloud-Hypervisor 和 Firecracker 等多种管理程序。
原文链接：https://katacontainers.io/
GitHub Copilot 编辑建议功能的进化之路
GitHub Copilot 的“下一处编辑建议” (NES) 功能旨在预测并推荐开发者下一步的代码修改，这项任务比简单的代码补全更具挑战性，因为它需要深入理解开发者的意图，并做到快速响应且不过度干扰.
关键突破：高质量的训练数据
团队发现，使用最终的 Pull Request 数据训练模型效果不佳，因为它无法反映开发者在编码过程中的真实、动态的编辑行为. 于是，他们转而收集内部志愿者的实时编码会话，构建了一个高质量的数据集. 事实证明，这比海量但不够精确的数据更有效.
从监督微调到强化学习
1. 监督微调 (SFT)：利用上述高质量数据集，团队成功训练出第一个表现优异的 NES 模型.
2. 强化学习 (RL)：为解决 SFT 无法教会模型“什么是不好的建议”这一问题，团队引入了强化学习. 通过设计一个“评分器”来判断建议质量，模型得以在更广泛的数据上进行训练，学会避免生成干扰性的建议.
最新模型的改进
最新版本的 NES 模型在多个方面进行了优化：
- 提示词优化：减少了上下文长度，提升响应速度.
- 数据质量过滤：使用大模型筛选训练数据，减少无用建议.
- 合成数据：从大模型蒸馏知识，训练出更高效的小模型.
- 超参数调整：为新架构优化参数，提升建议质量.
成果与未来
通过持续迭代，NES 模型的建议接受率提升了 26.5%，而隐藏率则降低了 25.6%. 未来，GitHub 计划让 NES 支持跨文件建议、提供更快的响应并更智能地理解上下文.
原文链接
GitHub Copilot 的“下一处编辑建议” (NES) 功能旨在预测并推荐开发者下一步的代码修改，这项任务比简单的代码补全更具挑战性，因为它需要深入理解开发者的意图，并做到快速响应且不过度干扰.
关键突破：高质量的训练数据
团队发现，使用最终的 Pull Request 数据训练模型效果不佳，因为它无法反映开发者在编码过程中的真实、动态的编辑行为. 于是，他们转而收集内部志愿者的实时编码会话，构建了一个高质量的数据集. 事实证明，这比海量但不够精确的数据更有效.
从监督微调到强化学习
1. 监督微调 (SFT)：利用上述高质量数据集，团队成功训练出第一个表现优异的 NES 模型.
2. 强化学习 (RL)：为解决 SFT 无法教会模型“什么是不好的建议”这一问题，团队引入了强化学习. 通过设计一个“评分器”来判断建议质量，模型得以在更广泛的数据上进行训练，学会避免生成干扰性的建议.
最新模型的改进
最新版本的 NES 模型在多个方面进行了优化：
- 提示词优化：减少了上下文长度，提升响应速度.
- 数据质量过滤：使用大模型筛选训练数据，减少无用建议.
- 合成数据：从大模型蒸馏知识，训练出更高效的小模型.
- 超参数调整：为新架构优化参数，提升建议质量.
成果与未来
通过持续迭代，NES 模型的建议接受率提升了 26.5%，而隐藏率则降低了 25.6%. 未来，GitHub 计划让 NES 支持跨文件建议、提供更快的响应并更智能地理解上下文.
原文链接
The GitHub Blog
Evolving GitHub Copilot’s next edit suggestions through custom model training
GitHub Copilot’s next edit suggestions just got faster, smarter, and more precise.
Agent Sessions 2: 统一管理你的 AI 命令行会话
Agent Sessions 2 是一款专为开发者设计的本地会话浏览器，它将 Codex CLI、Claude Code 和 Gemini CLI 的会话整合在一个强大的界面中. 无论你是想查找过去某个完美的提示词，还是需要快速恢复一个旧的会话，它都能帮你轻松搞定.
主要功能
✨ 统一界面与搜索：跨平台浏览和搜索所有会话.
🚀 即时恢复：在终端中一键重新打开任何会话.
📊 用量追踪：实时监控 API 使用情况，避免超出限制.
📈 数据分析：提供会话趋势、热力图等可视化洞察.
🔒 本地优先，保护隐私：所有数据均在本地处理，无需上传云端.
该应用完全开源，可通过 Homebrew 安装.
原始链接: https://jazzyalex.github.io/agent-sessions/
Agent Sessions 2 是一款专为开发者设计的本地会话浏览器，它将 Codex CLI、Claude Code 和 Gemini CLI 的会话整合在一个强大的界面中. 无论你是想查找过去某个完美的提示词，还是需要快速恢复一个旧的会话，它都能帮你轻松搞定.
主要功能
✨ 统一界面与搜索：跨平台浏览和搜索所有会话.
🚀 即时恢复：在终端中一键重新打开任何会话.
📊 用量追踪：实时监控 API 使用情况，避免超出限制.
📈 数据分析：提供会话趋势、热力图等可视化洞察.
🔒 本地优先，保护隐私：所有数据均在本地处理，无需上传云端.
该应用完全开源，可通过 Homebrew 安装.
原始链接: https://jazzyalex.github.io/agent-sessions/
jazzyalex.github.io
Agent Sessions — Sessions for Codex, Claude, Gemini, Copilot & Droid CLI
Local-first session browser for major coding CLIs. Agent Sessions 2.11 adds OpenClaw support, richer Image Browser + inline images, and power-aware refresh behavior.
mcp-use Python SDK 新功能：代码模式
传统的工具调用方式存在两大痛点：
1. 上下文过载：一次性加载所有工具（如 150+ 个）的定义，会预先消耗大量 Token.
2. 中间结果冗余：每个工具的输出结果都需要流经模型，即使只是为了传递给下一个工具.
代码模式通过让 AI 代理生成并执行代码，巧妙地解决了这些问题.
核心优势
渐进式披露
代理按需搜索并加载工具，无需预加载所有工具定义，将 Token 消耗从
上下文高效
在独立环境中处理海量数据，仅将最终摘要返回给代理，避免将庞大的中间结果（如 10,000 行数据）写入上下文.
强大的控制流
利用代码原生支持的循环、条件和错误处理等逻辑，高效处理复杂任务，告别繁琐的工具调用链.
隐私保护
敏感数据在安全的执行环境中处理和流转，不会进入模型上下文，有效保护数据隐私.
工作原理
在代码模式下，AI 代理主要使用两个新工具：
-
-
实际效果
以文件系统批量重命名任务为例，代码模式将工具调用次数减少了 94%，上下文 Token 消耗降低了 94%，执行速度提升了 17 倍.
---
原始链接
mcp-use 推出了创新的“代码模式”(Code Mode)，允许 AI 代理通过执行代码与工具交互，而非传统的直接调用. 这种新方法能为复杂工作流节省高达 98.7% 的上下文（Context）消耗.传统的工具调用方式存在两大痛点：
1. 上下文过载：一次性加载所有工具（如 150+ 个）的定义，会预先消耗大量 Token.
2. 中间结果冗余：每个工具的输出结果都需要流经模型，即使只是为了传递给下一个工具.
代码模式通过让 AI 代理生成并执行代码，巧妙地解决了这些问题.
核心优势
渐进式披露
代理按需搜索并加载工具，无需预加载所有工具定义，将 Token 消耗从
150,000+ 降至约 2,000.上下文高效
在独立环境中处理海量数据，仅将最终摘要返回给代理，避免将庞大的中间结果（如 10,000 行数据）写入上下文.
强大的控制流
利用代码原生支持的循环、条件和错误处理等逻辑，高效处理复杂任务，告别繁琐的工具调用链.
隐私保护
敏感数据在安全的执行环境中处理和流转，不会进入模型上下文，有效保护数据隐私.
工作原理
在代码模式下，AI 代理主要使用两个新工具：
-
execute_code: 执行一段 Python 代码来调用其他工具.-
search_tools: 动态搜索和发现可用的工具.实际效果
以文件系统批量重命名任务为例，代码模式将工具调用次数减少了 94%，上下文 Token 消耗降低了 94%，执行速度提升了 17 倍.
---
原始链接
mcp-use
mcp-use - Connect Any LLM to Any MCP Server
Execute MCP tools via code for 98.7% reduction in context overhead
深入 iMessage 底层：一个 Agent 是如何诞生的
苹果的 iMessage 功能强大，但始终没有向开发者开放自动化接口。这篇文章深入探讨了如何通过逆向工程和系统工具，构建一个能以代码方式收发 iMessage 消息的 Agent，其核心成果是一个名为
技术探索亮点：
尽管该方案存在无法发送特效、Tapback 等局限，但它为实现 iMessage 自动化和 AI Agent 集成迈出了关键一步。
原文链接
苹果的 iMessage 功能强大，但始终没有向开发者开放自动化接口。这篇文章深入探讨了如何通过逆向工程和系统工具，构建一个能以代码方式收发 iMessage 消息的 Agent，其核心成果是一个名为
imessage-kit 的开源项目。技术探索亮点：
数据库探秘：揭示了 iMessage 消息存储在~/Library/Messages/chat.db数据库中，并解决了 macOS 特有的时间戳（始于 2001 年）和富文本格式解析难题。
权限与安全：详细说明了如何获取 macOS 的“完全磁盘访问权限”以读取数据库，并解释了为何应使用“轮询”而非文件监听来实时获取新消息。
AppleScript 的妙用与挑战：在没有官方 API 的情况下，利用古老的 AppleScript 成为发送消息的唯一途径。文章分享了处理字符转义、绕过沙盒限制发送附件等实用技巧。
开源实现：作者将所有研究成果封装成一个开源 TypeScript SDKimessage-kit，它屏蔽了底层复杂性，让开发者能轻松构建 iMessage 机器人、实现数据分析或与其他系统集成。
尽管该方案存在无法发送特效、Tapback 等局限，但它为实现 iMessage 自动化和 AI Agent 集成迈出了关键一步。
原文链接
fatbobman.com
深入 iMessage 底层：一个 Agent 是如何诞生的
探索 iMessage 底层技术，解析 SQLite 数据库、Core Data 时间戳、突破 macOS 沙盒限制。详解如何用 TypeScript 开发 iMessage Agent，实现消息自动化和 AI 集成，包含开源项目 imessage-kit 的完整实现方案。
AI Proxy：新一代高性能 AI 网关
AI Proxy 是一个高性能的 AI 网关，它以 OpenAI 协议作为入口，为 AI 服务管理提供了一套强大而全面的解决方案.
✨ 核心功能
- 智能路由: 基于模型优先级和错误率，实现智能的渠道选择和错误重试.
- 全面监控: 提供详尽的日志记录、数据统计与分析，包括请求量、错误率、消耗等.
- 多功能支持: 内置多租户隔离、速率限制(RPM/TPM)、模型映射和计费等功能.
- 通知系统: 关键事件（如渠道余额、错误率）可配置告警通知.
🚀 部署与集成
- 支持 Docker 和 Docker Compose 一键部署.
- 可与 Sealos、FastGPT 等平台无缝集成.
对于需要统一管理、调度和监控多个 AI 模型服务的开发者和团队来说，AI Proxy 是一个理想的选择.
原始链接: https://github.com/labring/aiproxy
AI Proxy 是一个高性能的 AI 网关，它以 OpenAI 协议作为入口，为 AI 服务管理提供了一套强大而全面的解决方案.
✨ 核心功能
- 智能路由: 基于模型优先级和错误率，实现智能的渠道选择和错误重试.
- 全面监控: 提供详尽的日志记录、数据统计与分析，包括请求量、错误率、消耗等.
- 多功能支持: 内置多租户隔离、速率限制(RPM/TPM)、模型映射和计费等功能.
- 通知系统: 关键事件（如渠道余额、错误率）可配置告警通知.
🚀 部署与集成
- 支持 Docker 和 Docker Compose 一键部署.
- 可与 Sealos、FastGPT 等平台无缝集成.
对于需要统一管理、调度和监控多个 AI 模型服务的开发者和团队来说，AI Proxy 是一个理想的选择.
原始链接: https://github.com/labring/aiproxy
GitHub
GitHub - labring/aiproxy: AI Proxy is a high performance AI gateway using OpenAI / Claude / Gemini protocol as the entry point.…
AI Proxy is a high performance AI gateway using OpenAI / Claude / Gemini protocol as the entry point. It features intelligent error handling, multi-channel management, and comprehensive monitoring....
LLM Gateway：统一管理你的大语言模型 API
LLM Gateway 是一款开源的大语言模型 API 网关，它充当你的应用和多个 LLM 提供商（如 OpenAI、Anthropic、Google 等）之间的中间件，旨在帮助开发者更高效地管理、路由和分析 LLM 请求。
主要功能：
- 统一接口：提供与 OpenAI API 兼容的格式，方便应用无缝迁移。
- 多提供商路由：通过单一网关连接和路由到不同的 LLM 提供商。
- 用量分析：集中管理 API 密钥，跟踪请求、Token 用量、响应时间和成本。
- 性能监控：帮助你比较不同模型的性能和成本效益，以优化选择。
该项目支持云端托管版本和自部署两种方式，让你既可以快速上手，也可以完全掌控自己的数据。对于需要灵活切换、管理和分析多个 LLM 服务的开发者来说，这是一个非常实用的工具。
原始链接：https://github.com/theopenco/llmgateway
LLM Gateway 是一款开源的大语言模型 API 网关，它充当你的应用和多个 LLM 提供商（如 OpenAI、Anthropic、Google 等）之间的中间件，旨在帮助开发者更高效地管理、路由和分析 LLM 请求。
主要功能：
- 统一接口：提供与 OpenAI API 兼容的格式，方便应用无缝迁移。
- 多提供商路由：通过单一网关连接和路由到不同的 LLM 提供商。
- 用量分析：集中管理 API 密钥，跟踪请求、Token 用量、响应时间和成本。
- 性能监控：帮助你比较不同模型的性能和成本效益，以优化选择。
该项目支持云端托管版本和自部署两种方式，让你既可以快速上手，也可以完全掌控自己的数据。对于需要灵活切换、管理和分析多个 LLM 服务的开发者来说，这是一个非常实用的工具。
原始链接：https://github.com/theopenco/llmgateway
LLM Gateway
LLM Gateway - Unified API for Multiple LLM Providers
Route, manage, and analyze your LLM requests across multiple providers with a unified API interface.
AIO Sandbox: AI 代理的一体化沙盒环境
该项目旨在解决传统沙盒功能单一、组件间难以协作的问题. 通过共享统一的文件系统，用户可以在浏览器中下载文件，并立即在终端或代码编辑器中无缝访问，极大地简化了开发和调试流程.
主要特性
对于构建和测试 AI 代理的开发者来说，这是一个功能强大且便捷的工具.
原始链接
agent-infra/sandbox 是一个为 AI 代理设计的开源一体化沙盒环境，它将浏览器、终端、文件系统、VSCode Server 和 Jupyter Notebook 等多种工具集成在单个 Docker 容器中.该项目旨在解决传统沙盒功能单一、组件间难以协作的问题. 通过共享统一的文件系统，用户可以在浏览器中下载文件，并立即在终端或代码编辑器中无缝访问，极大地简化了开发和调试流程.
主要特性
*统一环境*: 所有工具共享文件系统，实现无缝工作流.
*多功能接口*: 支持通过 VNC、VSCode、Jupyter 和 Web 终端进行访问.
*安全执行*: 提供隔离的 Python 和 Node.js 运行时.
*开箱即用*: 预配置了多种开发工具和 MCP 服务，无需复杂设置.
*为代理而生*: 提供兼容 MCP 的 API，方便 AI 代理集成.
对于构建和测试 AI 代理的开发者来说，这是一个功能强大且便捷的工具.
原始链接
GitHub
GitHub - agent-infra/sandbox: All-in-One Sandbox for AI Agents that combines Browser, Shell, File, MCP and VSCode Server in a single…
All-in-One Sandbox for AI Agents that combines Browser, Shell, File, MCP and VSCode Server in a single Docker container. - agent-infra/sandbox
使用 ChatGPT 自动化社交媒体管理
还在为管理多个社交媒体平台而烦恼吗？这篇文章介绍了一个高效的工作流程，通过将 ChatGPT 与 Composio 的 Rube MCP 服务器相结合，让你在一个对话窗口内完成所有社交媒体管理任务.
这个智能社交媒体助手可以帮你：
Rube 是一个为 AI 代理设计的通用连接器，它为 ChatGPT 等模型搭建了一座桥梁，使其能轻松连接到数百个你日常使用的应用程序(如 Reddit、Twitter、HackerNews)，并处理了繁琐的 API 对接和身份验证问题.
通过这种方式，你可以将社交媒体管理从一项耗时的工作转变为一个智能、自动化的系统，从而节省时间，专注于创作优质内容.
原文链接：Managing social media and making viral content in Chatgpt using Rube MCP
还在为管理多个社交媒体平台而烦恼吗？这篇文章介绍了一个高效的工作流程，通过将 ChatGPT 与 Composio 的 Rube MCP 服务器相结合，让你在一个对话窗口内完成所有社交媒体管理任务.
这个智能社交媒体助手可以帮你：
发现热点：无需无休止地刷屏，即可发现 Reddit 和 HackerNews 上的热门话题.
生成内容：轻松地为 Twitter 和 LinkedIn 等不同平台量身定制帖子.
直接发布：在 ChatGPT 内直接发布或安排你的内容，无需切换标签页.
追踪表现：在一个地方集中监控帖子的点赞、分享、浏览和评论.
Rube 是一个为 AI 代理设计的通用连接器，它为 ChatGPT 等模型搭建了一座桥梁，使其能轻松连接到数百个你日常使用的应用程序(如 Reddit、Twitter、HackerNews)，并处理了繁琐的 API 对接和身份验证问题.
通过这种方式，你可以将社交媒体管理从一项耗时的工作转变为一个智能、自动化的系统，从而节省时间，专注于创作优质内容.
原文链接：Managing social media and making viral content in Chatgpt using Rube MCP
composio.dev
Managing social media and making viral content in Chatgpt using Rube MCP - Composio
In this article, I will show how to use Rube MCP server in Chatgpt to analyse Reddit and HackerNews trending posts and craft viral LinkedIn and Twitter content.
Anthropic 新方法：用代码执行提升 AI 代理效率
Anthropic 提出了一种利用代码执行和模型上下文协议 (MCP) 来构建更高效、更具扩展性 AI 代理的新方法。
目前 AI 代理在连接大量工具时，常因一次性加载所有工具定义而导致上下文窗口过载、成本激增。同时，工具调用的中间结果（如长文档）反复传入模型，也极其低效。
Anthropic 的解决方案是：让 AI 代理编写代码与工具 API 交互，而非直接调用。这样，代理能像浏览文件系统一样，按需加载完成任务所需的特定工具，从而解决上述难题。
这一方法带来了几点核心优势：
✅ 大幅降低 Token 消耗
按需加载可将 Token 使用量减少高达 98% (文中示例从 15 万降至 2 千)。
⚙️ 高效的数据流
代理可在代码环境中预处理海量数据，只将关键结果返回模型，避免上下文被淹没。
🔒 增强隐私与安全
敏感信息可在安全的执行环境中处理，无需进入模型上下文，有效保护数据隐私。
🧠 实现技能积累
代理能将代码保存为可复用的“技能”，实现跨任务的记忆和能力成长。
虽然该方法需要安全的沙箱执行环境，增加了实现复杂性，但其在效率和能力上的提升是显著的。
原文链接: https://www.anthropic.com/engineering/code-execution-with-mcp
Anthropic 提出了一种利用代码执行和模型上下文协议 (MCP) 来构建更高效、更具扩展性 AI 代理的新方法。
目前 AI 代理在连接大量工具时，常因一次性加载所有工具定义而导致上下文窗口过载、成本激增。同时，工具调用的中间结果（如长文档）反复传入模型，也极其低效。
Anthropic 的解决方案是：让 AI 代理编写代码与工具 API 交互，而非直接调用。这样，代理能像浏览文件系统一样，按需加载完成任务所需的特定工具，从而解决上述难题。
这一方法带来了几点核心优势：
✅ 大幅降低 Token 消耗
按需加载可将 Token 使用量减少高达 98% (文中示例从 15 万降至 2 千)。
⚙️ 高效的数据流
代理可在代码环境中预处理海量数据，只将关键结果返回模型，避免上下文被淹没。
🔒 增强隐私与安全
敏感信息可在安全的执行环境中处理，无需进入模型上下文，有效保护数据隐私。
🧠 实现技能积累
代理能将代码保存为可复用的“技能”，实现跨任务的记忆和能力成长。
虽然该方法需要安全的沙箱执行环境，增加了实现复杂性，但其在效率和能力上的提升是显著的。
原文链接: https://www.anthropic.com/engineering/code-execution-with-mcp
Anthropic
Code execution with MCP: building more efficient AI agents
Learn how code execution with the Model Context Protocol enables agents to handle more tools while using fewer tokens, reducing context overhead by up to 98.7%.
Browserbase: 为 AI Agent 量身打造的浏览器基础设施
Browserbase 是一个专为 AI 设计的无服务器浏览器平台，能帮助 AI 代理（Agent）自主地在网页上执行阅读、写入和交互等任务。开发者无需再为管理复杂的浏览器基础设施而烦恼。
核心亮点
- 无缝集成：与 Playwright、Puppeteer、Selenium 等主流自动化框架完全兼容。
- 弹性扩展：无服务器架构，可在毫秒间启动成千上万个浏览器实例，按需使用。
- 极致性能：全球化的节点分布，确保低延迟；每个实例配备 4vCPU，保证页面加载速度。
- 强大而隐蔽：内置验证码自动处理、住宅代理和浏览器指纹管理，轻松绕过网站限制。
- 开发者友好：提供实时调试视图、会话录制功能，并配备了 Node.js 和 Python 的官方 SDK。
无论是构建复杂的 AI 代理、执行自动化工作流，还是大规模网页抓取，Browserbase 都能提供稳定可靠的支持。
原始链接：https://www.browserbase.com
Browserbase 是一个专为 AI 设计的无服务器浏览器平台，能帮助 AI 代理（Agent）自主地在网页上执行阅读、写入和交互等任务。开发者无需再为管理复杂的浏览器基础设施而烦恼。
核心亮点
- 无缝集成：与 Playwright、Puppeteer、Selenium 等主流自动化框架完全兼容。
- 弹性扩展：无服务器架构，可在毫秒间启动成千上万个浏览器实例，按需使用。
- 极致性能：全球化的节点分布，确保低延迟；每个实例配备 4vCPU，保证页面加载速度。
- 强大而隐蔽：内置验证码自动处理、住宅代理和浏览器指纹管理，轻松绕过网站限制。
- 开发者友好：提供实时调试视图、会话录制功能，并配备了 Node.js 和 Python 的官方 SDK。
无论是构建复杂的 AI 代理、执行自动化工作流，还是大规模网页抓取，Browserbase 都能提供稳定可靠的支持。
原始链接：https://www.browserbase.com
Browserbase: A web browser for AI agents & applications
Cloud browser infrastructure for AI agents and automation. Run Playwright, Puppeteer, and Selenium at scale with stealth mode, session persistence, and debugging tools.
Gemini 3 提示词工程最佳实践
作者分享了使用 Gemini 3 Pro 的经验，强调它在各方面都远超 2.5 Pro。Gemini 3 偏爱直接和逻辑化的指令，而非冗长或说服性的语言。以下是一些核心原则和技巧总结：
核心原则
- 精确指令：清晰、直接地陈述你的目标，避免冗余信息。
- 结构一致：在提示词中使用统一的结构（如 XML 标签），并明确定义模糊术语。
- 长上下文指令后置：处理长文本（如书籍、代码库）时，应将具体指令放在上下文数据之后。
- 上下文锚定：在提供大量数据后提问时，使用“基于以上信息…”等语句进行过渡。
高阶技巧
- 引导思考：让模型在回答前先进行规划、分解任务、甚至批判自己的输出，以提高回答质量。
- 结构化提示词：使用 XML 或 Markdown 格式来清晰地区分指令和数据。
- 特定领域应用：文章为研究分析、创意写作、问题解决和教育内容等场景提供了具体的提示词结构。
文章最后还提供了一个结合了各项最佳实践的通用模板，并强调提示词工程是一个需要不断迭代和优化的过程。
原文链接
作者分享了使用 Gemini 3 Pro 的经验，强调它在各方面都远超 2.5 Pro。Gemini 3 偏爱直接和逻辑化的指令，而非冗长或说服性的语言。以下是一些核心原则和技巧总结：
核心原则
- 精确指令：清晰、直接地陈述你的目标，避免冗余信息。
- 结构一致：在提示词中使用统一的结构（如 XML 标签），并明确定义模糊术语。
- 长上下文指令后置：处理长文本（如书籍、代码库）时，应将具体指令放在上下文数据之后。
- 上下文锚定：在提供大量数据后提问时，使用“基于以上信息…”等语句进行过渡。
高阶技巧
- 引导思考：让模型在回答前先进行规划、分解任务、甚至批判自己的输出，以提高回答质量。
- 结构化提示词：使用 XML 或 Markdown 格式来清晰地区分指令和数据。
- 特定领域应用：文章为研究分析、创意写作、问题解决和教育内容等场景提供了具体的提示词结构。
文章最后还提供了一个结合了各项最佳实践的通用模板，并强调提示词工程是一个需要不断迭代和优化的过程。
原文链接
Philschmid
Gemini 3 Prompting: Best Practices for General Usage
A comprehensive guide on best practices for prompting Gemini 3, focusing on clarity, structure, reasoning, and agentic tool use to maximize model performance across various domains.
