遇到一次失败，就补一条要求；担心遗漏，再加一轮自检；让 LLM 优化，又得到一份更长的说明。提示词常常这样越写越长，但新增的文字，究竟解决了什么问题？ 指令并非越长越好，也并非越短越好。 必要条件要补齐，重复与冲突要清理，专用资料要在需要时可达。现有研究没有给出通用的最佳字数，但能帮助我们判断这三类改动是否值得。 本文主要面向编写系统指令、Skill 和工作流的同学，重点讨论带工具、多步骤执行的 Agent。下面先给出修改方法，再解释研究依据；研究结果的适用范围以各自任务与实验设置为准。
如何写出让模型“最听话”的提示词？这就是 Prompt Engineering 的核心问题。它催生了 Zero-shot、Few-shot、Chain-of-Thought 等大量技术，这些方法有一个共同点：它们都在优化“单次 LLM 调用”——写好一条输入，获得一条更好的输出。这在单轮任务里非常有效，但“单轮”是它的硬边界。
近日，由莫斯科国立大学（Moscow State University，MSU）举办的第19届MSU世界视频编码器大赛（MSU 2025 FullHD赛道）结果正式揭晓。在这场汇聚了腾讯、快手、AOMedia及OpenVisualCloud等国内外顶尖团队、27款主流编码器同台竞技的权威评测中，淘天音视频技术团队自主研发的S266系列编码器表现出色，累计斩获6项世界冠军及1项季军。
一次查询，跨系统多模块数据并发聚合；规则引擎评估标签，AI Agent 生成可读结论；LLM 增强，规则兜底。我们用这套架构把单次工单处理从 2-3 分钟压缩到 20-40 秒，并让操作人员不再依赖「经验直觉」做判断。
HL-Mem 是一套旨在让 Agent 像人一样具备长期记忆能力的本地化记忆系统，其核心设计理念是将记忆视为受治理的认知系统而非简单的数据存储。该系统借鉴认知科学原理，采用事实与经验双通道架构，通过保留不可变的原始事件（Event）和可更新的结构化事实（Claim），实现了证据可追溯、时间可解释（区分有效时间与记录时间）以及记忆的动态修正与遗忘。在工程实现上，HL-Mem 坚持运行时独立和本地优先原则，默认仅依赖 SQLite 单文件部署，通过后台异步 Worker 处理去重、冲突消解和生命周期管理，有效平衡了记忆治理的完整性与部署复杂度，为个人 Agent 提供了低成本、高可控且支持中文环境的长期记忆基础设施。
2026 年上半年，AI 工程圈最火的词是 Harness Engineering；到了 7 月，一条推文又带火了新词 Graph Engineering。它是真趋势还是又一轮造词？本文讲清它是啥、为啥需要、怎么落地、什么时候别碰。
把整段需求直接丢给 AI 写代码，结果越写越偏、中途断了还接不上？本文作者给出的答案是：别去造更聪明的 Agent，而是给 AI 编程套上一副"工程框架"。他自研的 Agentic Harness Workflow，把一次开发拆成需求澄清、方案设计、编码实现、审查验收、提交归档等阶段，每阶段交给一个只干一件事的子代理，由主代理统一调度把关，关键节点留人拍板；配合状态落盘，中断、换人、换工具都能无痛续跑。文末还附上了完整实战复盘与踩坑清单。
