本文介绍了BMAD v6，这是一种基于Prompt Engineering的LLM工作流框架，旨在提升开发流程的结构化和可重复性。BMAD通过定义不同角色的Agent，结合敏捷开发理念，优化了代码生成的可控性。尽管在头脑风暴和文档生成方面表现出色，但在小型项目中可能导致流程冗余。建议根据项目规模调整流程，以确保人类在关键环节的介入，从而提高开发质量和可维护性。

本文介绍了使用AI大模型ChatGPT进行prompt engineering的方法，以有效训练AI为用户工作。讨论了LLM参数温度、Top P、最大长度、停止序列、频率惩罚和存在惩罚等概念。还解释了Token的概念和用法，以及语言模型的输入输出限制。最后，提到了TRIRO框架和Prompt Engineering的重要性。

Prompt Engineering的核心是逻辑，将复杂任务拆分成科学合理的步骤，并让每一步的结果成为后续步骤的基础。只有这样才能得到最佳效果。

DataCamp提供Generative AI课程，帮助个人快速入门。他们有初学者课程，涵盖AI和Generative AI概念，还有中级课程，讲解Large Language Model（LLM）概念和使用OpenAI API。此外，他们还提供专家级课程，教授开发者prompt engineering技巧。DataCamp旨在普及数据技能，为个人提供在现实世界中处理数据所需的技能。

OpenAI和Deep Learning提供了关于prompt engineering和generative AI的指南和课程。Prompt Engineering Masterclass和DeepLearning.AI提供了免费的内容和课程。PromptingGuide.AI创建了一个高级技术的prompt engineering指南。掌握prompt engineering可以带来丰厚的工作机会。

本文探讨了Andrej Karpathy关于语言模型（LM）作为有限状态马尔可夫链的观点。LM通过固定长度的上下文输入预测下一个词，状态空间由上下文长度和词汇量决定。文章分析了LM的训练过程、稀疏性、状态数的指数增长及同构现象，强调了数据对模型转移概率的影响，并介绍了Prompt Engineering和In-Context Learning的原理，指出如何通过调整输入提高模型输出的准确性。