一套非常实用的提示词优化方法，核心思想是利用大语言模型（LLM）自身的知识和权重来生成、评估和改进提示词。

首先，让LLM针对特定受众生成提示词工程指南和评估指南；其次，通过Few-shot展示期望的提示词效果；然后，让LLM根据示例生成并评估提示词；最后，生成改进后的提示词供选择和编辑。

这种方法充分利用了LLM的内在能力，旨在生成比人工编写更高效的提示词。

《Mathematics for Machine Learning》是由伦敦帝国理工学院David F. Greenberg教授编写的一份讲义，系统介绍了机器学习所需的数学基础。| #机器学习

内容涵盖线性代数、概率论、统计学和优化等核心领域，旨在帮助读者理解机器学习算法背后的数学原理。

讲义结构清晰，注重理论与实际应用的结合，适合对机器学习感兴趣的学生、研究人员和从业者作为自学或参考资料

AI Fluency：Anthropic最新发布一门免费在线课程，旨在帮助用户有效、安全、道德地与大型语言模型协作。

课程基于Dakan和Feller的AI Fluency框架，聚焦“4D”核心能力：Delegation（任务分配）、Description（清晰沟通）、Discernment（审慎评估）和Diligence（负责任使用）。

它探讨了三种AI协作方式：Automation（自动化）、Augmentation（增强）和Agency（代理），强调通过实践技能和思维转变，建立持久的AI协作能力。

课程时长约3-4小时，适合各领域用户，鼓励通过与Claude或其他AI模型的互动练习，提升跨平台AI应用能力

Darwin Gödel Machine (DGM)：一个能够自我进化的代码改进系统，通过迭代修改自身代码来提升性能，解决代码优化难题。

自我改进能力，代码越改越好；基于SWE-bench和Polyglot基准测试验证改进效果；初始版本已展现出显著的性能提升

给程序员的提示词工程实战手册：为开发者提供AI编程助手的高效使用指南。| #手册

提供丰富的代码调试、优化和新功能实现的实用技巧；通过具体示例展示如何将AI工具打造成可靠的开发伙伴；涵盖从基础到高级的提示工程策略，助力开发者提升效率