多模态开发(06):提示词、编辑与批量
第 5 篇/post/1654把"从零生成一张图"讲完了:模型选型、文生图提示词、尺寸与质量参数。但生产里的图像需求,一大半不是凭空生成,而是改已有的图——电商要把产品图批量换成节日氛围背景,家谱项目要修复扫描的老照片,…
# 标签
共 178 篇文章
第 5 篇/post/1654把"从零生成一张图"讲完了:模型选型、文生图提示词、尺寸与质量参数。但生产里的图像需求,一大半不是凭空生成,而是改已有的图——电商要把产品图批量换成节日氛围背景,家谱项目要修复扫描的老照片,…
本系列前四篇都在解决"看图":图片怎么编码送进模型、图表数字能不能信、UI 截图怎么变成点击坐标。输入侧打通之后,自然轮到输出侧——让 API 替你画图。2026 年的图像生成 API 已经从演示玩具变成了基础设施:博客…
本系列第 3 篇/post/1652把"看图"落到了文档、图表、UI 三个场景,但真实业务里还有一大块内容天生是多张图的序列:教程录像、会议回放、产品演示、监控片段。视频就是图像加上时间维度——多了这一维,输入方式、to…
本系列第 2 篇/post/1651解决了"怎么把图送进模型":base64 还是 URL、分辨率怎么选、token 怎么算账。但会发图不等于会干活——真正值钱的问题是:扫描件 PDF 怎么变成结构化数据,柱状图里的数字…
在 Agent 系列里我们用十几行代码让模型看过一次图:把截图转成 base64 塞进消息就完事。那样跑通 demo 够了,可一旦进了生产,问题接踵而来——为什么同一张图三个厂商标价差三倍?为什么手机拍的图在服务端被"躺…
写这个系列之前,我已经写了四个系列:上下文工程、评测驱动开发、本地大模型部署、TypeScript Agent 开发。回头看,它们有一个从未被挑战过的共同前提——输入输出都是文本。Prompt 是文本,工具返回是文本,评…
AutoGen:微软多智能体框架的经典与谢幕2023 年,微软开源的 AutoGen 以"多智能体对话"(multi-agent conversation)的设想点燃了 agent 框架赛道:让多个各有所长的 AI agent 互相说话、彼此协作——一个写代码、一个执行代码、一个审查结果,把复杂任务在对话中消化掉。它一度是 GitHub 上最火的多智能体框架之一,深刻影响了后来几乎所有 agent
《上下文工程》系列写到第 18 篇/post/1605,收官。前 17 篇按"懂账 → 技术 → 评测"的顺序层层推进,每篇解决一个专门问题;但真到线上排障时,没有人按系列顺序翻文章——你手里只有一个症状:窗口爆了、账单…
《上下文工程》系列前 16 篇各自开各的药方:预算、压缩、缓存、工具结果治理、注入纪律、评测口径。这一篇把病人请进来——优化对象是《AI Agent 开发》系列第 17 篇/post/1564搭起来的 Agentic R…
上下文工程讨论到现在,一直在回答"往窗口里放什么":检索结果要标注来源,工具结果要裁剪,记忆要分层注入。这一篇换个问法——放进来的每一段内容,是否可能是别人递进来的刀?《AI Agent 开发》系列第 28 篇/post…
《上下文工程》系列的前 14 篇都在做同一件事:设计上下文——预算怎么分配、历史怎么压缩、检索结果怎么注入、工具输出怎么治理。每篇结尾其实都悬着同一个问题:改完之后,怎么知道真的有效?多数团队的答案是"看模型回答好不好"…
第 6 篇/post/1593把缓存与压缩的取舍算成了一笔战术账:命中读取只要 0.1 倍输入价,而压缩改写历史会把这笔折扣亲手作废。那篇的视角是单次决策——这一轮压还是不压。这一篇把镜头拉远:当一个系统每天跑几万轮 A…
系列前 12 篇都在教同一件事:把窗口当稀缺资源省着用——预算、压缩、缓存、子代理、检索注入,招招都是"少装"。但 2026 年的价目表很容易让人动摇:GPT6 Astra 窗口 1.05M,Gemini 3 Pro 与…
让 Agent 修一个函数,它能径直扎进你五年没敢动的祖传模块;让它排查一个偶发 bug,它 grep 两下就锁定病灶。这类体验的背后是同一个问题:百万行代码库里,这一轮该让模型看到哪几百行?代码是上下文工程最苛刻的场景…
给 Agent 补记忆的零件,这个系列已经攒了不少:第 5 篇/post/1592的 compaction 教会它压缩历史,第 7 篇/post/1594的文件笔记教会它记本子,《AI Agent 开发》系列第 23 篇…