fr frytea.com / 2025-01-06 23:43 / by @技术头条

AI Prompt 整理

打开原文喜欢 1 请先微博登录后参与 0 条评论

本机暂存

prompt 原则：
1、写出清晰而具体的指示，清晰不是指短，而是尽量详细，可采用分隔符避免自己的要求和内容的混淆，分隔符形式不限：“””, < >, {}
2、给模型思考的时间。如果答案不对，可以尝试不断变化提问方式，直到得出想要结果。可以采用简化或分解问题的方式。

赞过的人

@IT技术博客大学习

fe www.felix021.com / 2026-05-23 20:34

让 AI 把我的 PHP 博客重写成 Go

作者尝试将一个运行近20年的古老PHP博客系统重构为Go语言。项目启用了Claude Code的Superpowers插件，通过结构化问答明确了技术选型：采用Go的Gin框架、GORM作为ORM，并构建Vue 3 SPA前端，保持与原MySQL数据库100%兼容。AI助手在确认需求后，自动生成了包含项目结构、API设计等详细规划文档，并利用子代理驱动开发模式执行了约22个开发任务，最终生成一个约35MB的单文件可执行程序，集成了前端SPA。

实现过程并非一帆风顺，主要挑战在于处理历史遗留数据。最复杂的是对UBB标记语法的解析与渲染，因内容已含HTML实体转义且标签存在嵌套，作者编写了34个测试用例才覆盖所有边界情况。此外，需为三代不同的旧URL格式实现301重定向以保持外链有效，并调整了附件链接的解析逻辑以适配反向代理路径。数据库中的标签词频统计也因数据陈旧而改为通过关联查询实时计算。

最终项目产出包括约2800行Go后端代码和2000行Vue前端代码，实现了完整的REST API、JWT认证、防盗链等40余个端点。作者评价整个过程耗时约两三小时，主要负责需求反馈与测试，AI则负责编码、构建与部署，认为这种人机协作模式展现了AI在复杂工程任务中的实用潜力。

查看详情

无图

pa paper.seebug.org / 2025-01-03 00:14

AI 作为新型黑客：开发进攻性安全代理

这篇文章深入解析了浏览器沙盒逃逸的技术原理，详细讲述了攻击者如何利用漏洞突破沙盒限制，实现对系统的进一步控制。通过真实案例和技术细节的剖析，展示了沙盒逃逸的核心思路和防御对策。内容适合网络安全研究人员、漏洞挖掘工程师，以及对浏览器安全机制感兴趣的技术从业者，提供了宝贵的学习资料和实践指导。

查看详情

无图

pa paper.seebug.org / 2025-01-03 00:07

探索 AI 驱动的网络安全框架：深度学习技术、GPU 支持和未来增强

这篇文章详细分析了现代网络攻击中的 DGA（域名生成算法）技术，涵盖了其工作原理、分类及在恶意软件中的应用实例。通过技术解析和实际案例，展示了如何检测和防御 DGA 带来的安全威胁。内容适合网络安全研究人员、安全工程师以及对恶意软件分析感兴趣的技术爱好者，提供了系统化的学习参考。

查看详情

无图

ix ixyzero.com / 2024-11-02 16:50

Hive SQL 中的分号、下划线等tips整理

本文整理了 Hive SQL 中的一些实用技巧，包括使用 `\073` 替代分号进行字符串分割、通过转义实现下划线匹配、布尔类型的条件比较，以及在复杂类型字段（如数组或映射）中插入空值的操作方法。这些技巧可以帮助开发者在处理特殊符号和复杂数据类型时，避免语法错误和查询结果不准确的问题，为 Hive SQL 查询优化提供了实用参考。

查看详情

无图

ix ixyzero.com / 2024-08-06 08:18

2024年CrowdStrike导致的Windows系统大规模蓝屏事件整理

本文整理了2024年7月19日因CrowdStrike导致的大规模Windows系统蓝屏事件。由于CrowdStrike更新其Falcon安全产品的配置文件，许多Windows系统出现蓝屏崩溃，影响全球多国的重要业务系统。此事件引发了对安全软件稳定性和供应链风险的反思。作者分析了事件的时间轴、技术原因及对安全产品设计的启示。

查看详情

无图

co colobu.com / 2024-08-06 07:52

让AI 实现一个红黑树

文章探讨了使用AI帮助实现红黑树数据结构的过程。作者尝试使用多种AI工具模拟专家（如Rob Pike）实现红黑树，并进行了代码优化、单元测试和Fuzz测试。过程中发现AI生成的代码存在问题，但通过不断调整和AI协作，最终实现了功能完善的红黑树实现。文章强调AI在代码生成、测试和优化方面的潜力与不足。

查看详情

无图

bl blog.yuanpei.me / 2024-03-13 13:12

基于 LLaMA 和 LangChain 实践本地 AI 知识库

通用人工智能，即：AGI（Artificial General Intelligence）的实现，正在以肉眼可见的速度被缩短，以前在科幻电影中看到的种种场景，或许会比我们想象中来得更快一些。不过，等待 AGI 来临前的黑夜注定是漫长而孤寂的。在此期间，我们继续来探索 AI 应用落地的最佳实践，即：在成功部署本地 AI 大模型后，如何通过外挂知识库的方式为其 “注入” 新的知识。

查看详情

无图

ix ixyzero.com / 2024-03-12 22:56

防止数据泄露的高效策略-翻译整理

简单来说，就是数据安全左移，在每一个阶段都做卡点和检测，提高入侵/获取敏感数据的成本，减少后续阶段的日志告警量，提高告警检测准确率，利用自动化工具/平台提高响应的速度和效率。
未授权不可访问；有账号凭证要检测是否正常（常用设备、常用网络、常见时间、常见操作行为、……）；有账号也仅知其所需最小权限；梳理出的高权限账号的敏感操作进行重点关注。
数据尽量不落地，大部分操作在线即可完成，系统埋点要全面和准确；对于数据下载和外发格外关注，下载设备的DLP的健康状态和策略的有效性需要及时检查。

查看详情

无图

bl blog.yuanpei.me / 2024-03-12 22:29

使用 llama.cpp 在本地部署 AI 大模型的一次尝试

本文旨在尝试使用 llama.cpp 在本地部署 AI 大模型，随着人工智能的快速发展，我们逐渐认识到私有化部署的重要性和潜力。在此背景下，llama.cpp 作为一个纯 C/C++ 实现的 LLaMA 模型推理工具，提供了在本地环境下高性能的 AI 推理能力。在这篇文章中，我们可以了解到 llama.cpp 具有在 GPU 和 CPU 环境下运行的灵活性，满足私有化部署的需求。文章详细介绍了 llama.cpp 编译和部署的过程，为读者提供了一份在本地部署 AI 大模型的教程。私有化部署的 AI 大模型，相比于 ChatGPT 这类通用大模型，更注重数据隐私和安全性，对云服务的依赖更少，可以做到更好的本地化控制。虽然编译 llama.cpp 有一定的复杂性，AI 大模型的下载、转化、量化需要一定的耐心，可当本地的 AI 应用运行起来的那一刻，博主觉得这一切完全值得。

查看详情

无图

ix ixyzero.com / 2023-12-26 22:19

chatGPT提示词(prompt)收集

关于ChatGPT，很多人用的时候发现问问题得到的答案并不如意，很大程度上是因为——问题的质量直接决定了答案的质量，没有Prompt的ChatGPT也只是比较聪明的人工智能而已！毕竟简单问问题的话，ChatGPT的回答也很容易出现空洞、绕圈子、答非所问等情况。因此，出现了Prompt，用GPT能听懂的语言告诉它要做什么！

查看详情

无图

AI Prompt 整理

赞过的人

发表评论

相关分享