KJ_28
Chatbot 如何完成复杂任务？—— Prompt Chaining（提示词链）学习总结
本文总结了 Prompt Chaining 在复杂任务中的应用：将大任务拆分为多个小步骤，每个步骤由独立 Prompt 执行，前一结果作为后一输入。相比单一长 Prompt，Prompt Chaining 提升了可维护性、可扩展性与复用性，是 AI 工程化的重要实践。结合 KK Chat 项目，其流程涵盖意图识别、记忆注入、安全检测到任务执行，体现了 Prompt 工作流的设计思想。同时区分了 Prompt Chaining 与 Prompt Template、Agent 的本质差异，强调其作为“任务编排”
RumIV
【时空智能】五篇时空预测与大模型融合论文架构速览：One-Fits-All、Time-LLM、PromptST、ST-LLM、UrbanGPT
五篇工作从不同角度探索了大模型与时空数据的结合：One-Fits-All 强调统一多任务，Time-LLM 侧重时序到语言的映射，PromptST 走提示学习路线，ST-LLM 与 UrbanGPT 则分别从通用时空建模与城市级应用切入。其关键在于输入变换（patch 化与文本原型对齐）与提示词增强，使 LLM 无需大规模重训练即可适配时序任务。ST-LLM 面向时空数据设计大语言模型框架，重点解决时空数据的结构化建模与 LLM 输入对齐问题，通过时空编码与语言模型解码的协同，实现统一的时空表示与预测。
syso_稻草人
qwen-image-2.1 PE 增强编辑：QwenImage21_EditPromptRewrite 一句话中文扩写成完整编辑指令
本文介绍基于qwen-image-2.1 int8与ComfyUI 0.41.0的05号PE增强编辑工作流，通过QwenImage21_EditPromptRewrite节点实现中文指令自动扩写为精准英文编辑指令，显著降低使用门槛。相比需手写三行英文的02号指令式编辑，05号仅需一句中文（如“修复发黄褪色”），即可自动补全光线、色彩、保留约束等参数，实测涵盖老照片修复、换背景、改表情等十类编辑任务，效果稳定。关键参数为cfg 3.0、20步采样，12G显存即可运行。适合不熟悉英文但追求高效图像编辑的用户，是
AI低码智造
裁掉四成 prompt，账单反而贵 1.2–2.5 倍：6 种上下文裁剪策略与前缀缓存的 3 轮实测
14 轮真实文本会话（151 工具目录头部 4593 token，工具返回体取本机真实文件，o200k_base 编码）实测 6 种裁剪策略与前缀缓存的对赌，判据是相邻两轮 token 的最长公共前缀。同样裁掉 26591–39631 字符、prompt 少 37%–49%：滑动窗口与替换最旧把命中率 88.4%–89.4% 打到 57%–62%，成本 2.18–2.49 倍；从最新往回替换命中率 89.4%–91.1%、0.90–0.96 倍；中段摘要 1.41–1.53 倍；易变字段放末尾 +0.1%。
作者推荐
- Java笔记虾
- 欢迎微信搜索【Java笔记虾】关注我的公众号，号内回复“后端面试”，送你一份精心准备的Java面试题（提纲+解析），后端技术精选每天定时推送优质Java技术博客，可以琐碎时间学点儿东西
关注
- 王知无(import_bigdata)
- 微信搜：import_bigdata GitHub搜：https://github.com/wangzhiwubigdata/God-Of-BigData
关注
- caimouse
- 在IT行业有20多年的经验。拥有20多年的C和C++开发经验，5年以上Python开发经验,资深数据库开发、上百G数据库优化经验。曾经任职嵌入式工程师、P2P开发工程师、银行信用卡交易系统工程师、全自动化电池测试部门经理。
关注
