分享一个制作城市艺术海报的 Nano Banana Pro 提示词模板
一支画笔在挥动瞬间定格，从左下向右上勾勒出一道流畅的弧形笔触。
笔触之中是一座微缩的[城市]城市世界，以层层颜料雕塑而成，呈现精致的三维浅浮雕效果。
笔触内部完整呈现[城市]的代表性地标、建筑与城市节奏，整体统一，富有空间深度与细腻层次。
整体风格融合厚涂油画与学院派海报设计，通过厚薄变化的颜料塑造立体感，城市形态从笔触中自然浮现。
色彩采用[城市]的主题色，与画面自然融合、和谐统一。
画面采用极简俯视构图，纯白留白背景，细腻纸张纹理。
文字排版克制而清晰：
标题为“[城市]”，搭配富有诗意的副标题与干净的衬线字体说明文字。
构图要求：笔锋在右上角干净收尾，所有细节严格限制在笔触内部。
整体呈现超写实、HDR 效果，海报级画质，8K 视觉风格。
“上下文工程” 正取代 “提示词工程”，成为 AI Agent 开发的核心范式。随着模型能力提升、Agent应用普及及企业合规需求，交互重点从单轮指令转向多步骤工作流中的动态信息编排。该领域涵盖系统指令、用户输入、检索知识、对话历史及工具定义五层结构。由于上下文窗口资源有限且易出现中毒、分心等失败模式，需通过ACE框架实现上下文的自进化与增量更新。实操建议包括外部化状态、按需检索、压缩累积及隔离多Agent上下文。本质上，上下文工程是提示词工程的超集，标志着 AI 开发进入以系统架构和状态管理为主导的工程时代。
掌握大语言模型（LLM）的核心在于理解其底层机制与交互技巧。首先，Token 是模型处理文本的最小单位，直接影响输入输出长度及费用。默认的非确定性模式赋予模型创意，但也导致结果不可预测。其次，温度、最大 Token 数和 Top-p 三个参数共同调控模型的随机性、回复长度及词汇选择范围，用户可根据精准或创意需求灵活调整。此外，受限于上下文窗口，模型仅能记忆当前对话片段，超出部分会被丢弃。最后，提示词质量决定输出效果，高质量的提示词应包含清晰指令、背景信息及期望格式，通过缩小猜测空间来提升回答的准确度。
TryHackMe 推出“提示词工程： AI 安全”实战房间，系统教授与大语言模型高效沟通的技能。课程涵盖 LLM 处理机制（ Token 、非确定性）、提示词结构（指令、上下文、格式、约束）、系统与用户提示词的区别及注入攻击风险、进阶技术（ CoT 、 Zero/Few-shot ）。通过六道安全场景挑战演示从分类到漏洞审查的实战技巧，强调将开放任务压缩为可执行指令的思路。
围绕《Nano Banana Pro 提示词模板：城市艺术海报》展开交流，未登录用户可浏览评论，登录后可参与讨论。
