当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

让AI学会自我优化：高效提示词的协作升级之道

源自122位全网作者

05-22 13:23

精选参考来源

工具永远是工具，驱动创新的永远是人类的想象。 #大咖观察 #红衣聊AI #人工智能 #科技改变生活 #AI工具

OpenAI、Anthropic 和 Google 内部使用的10大顶级提示工程技巧，能显著提升生成结果准确率和实用性，堪称AI高手的秘密武器！---【技巧1：角色限定提示 Role-Based Constraint Prompting】高手不会简单说“写代码”，而是赋予AI具体身份和限制，明确任务与输出格式。模板： ```你是一个拥有[X年]经验的[具体角色]，专长于[领域]。你的任务：[具体任务] 限制条件（3-5条）：[列出限制] 输出格式：[精确输出格式] ```示例： ```你是拥有10年经验的高级Python工程师，擅长数据管道优化。任务：构建每小时处理1000万条数据的实时ETL流水线。限制： - 必须使用Apache Kafka - 最大内存占用2GB - 延迟低于100ms - 零数据丢失容忍度输出格式：带内联注释的生产级代码 ```效果：比“写个ETL流水线”精准十倍，产出更贴合需求。---【技巧2：验证链 Chain-of-Verification (CoVe)】谷歌用来消除AI幻觉的“自我审校”法，先答题，然后设计问题自检，最终修正答案。模板： ```任务：[你的问题] 步骤1：给出初步答案步骤2：列出5个能揭露答案错误的验证问题步骤3：回答这5个问题步骤4：基于验证结果给出最终修正答案 ```示例： ```任务：解释transformer如何处理长上下文窗口。 1. 初步回答 2. 设计5个验证问题（如：是否存在上下文截断？模型如何保持信息？等） 3. 回答验证问题 4. 根据验证修正答案 ```效果：复杂技术问题准确率从60%提升至92%。---【技巧3：带负面示例的少样本 Few-Shot with Negative Examples】 Anthropic发现告诉AI“什么不该做”与“该做什么”一样重要。模板： ```我需要你完成[任务]。以下是示范： ✅ 好示例1：[示例] ✅ 好示例2：[示例] ❌ 差示例1：[示例] 原因：[为什么差] ❌ 差示例2：[示例] 原因：[为什么差] 现在请完成：[你的任务] ```示例：写冷邮件主题： ```✅ 好：Q4工程路线图的快速问题 ✅ 好：关注你发布的分布式系统帖子，有些想法 ❌ 差：紧急！限时优惠！！！原因：垃圾邮件触发词，假紧急感 ❌ 差：你绝对想不到我们做了什么... 原因：标题党，无上下文请写5个关于“降低云成本40%的SaaS工具”的邮件主题。 ```效果：减少80%泛泛而谈或低质回复。---【技巧4：结构化思考协议 Structured Thinking Protocol】 GPT-5团队处理复杂问题的分层思考法，逼模型先理解再分析，最后给策略和答案。模板： ```回答前请完成以下步骤：[理解] - 用你的话复述问题 - 明确真正被问及的点 [分析] - 拆解成子问题 - 说明假设和限制 [策略] - 列出2-3种方案 - 权衡利弊 [执行] - 给出最终答案 - 解释理由问题：[你的问题] ```示例： ```问题：5人团队开发B2B SaaS，首年预计1000用户，应该用微服务还是单体架构？请按上述步骤回答。 ```效果：避免千篇一律建议，答案更符合具体情境。---【技巧5：置信度加权提示 Confidence-Weighted Prompting】 DeepMind为关键决策设计，让模型评价自身答案置信度，列出假设和备选方案。模板： ```请回答：[问题] 内容包括： 1. 主要答案 2. 置信度（0-100%） 3. 关键假设 4. 哪些变化会改变答案 5. 若置信度<80%，给出备选答案 ```示例： ```问题：Rust是否会在2030年取代C++作为系统编程语言？请按模板回答。 ```效果：避免盲目相信AI自信，促进理性决策。---【技巧6：有界上下文注入 Context Injection with Boundaries】 Anthropic工程师给模型大量上下文但限定回答只能基于上下文，避免胡编乱造。模板： ```[上下文] [粘贴文档、代码、论文等] [聚焦] 仅能使用上下文信息回答，若无则回复“提供的上下文信息不足”。 [任务] 具体问题 [限制] - 引用上下文具体章节 - 不使用上下文外知识 - 如存在多种解释，全部列出 ```示例： ```[上下文] 公司50页API文档 [聚焦] 仅用文档回答 [任务] 如何实现/users接口的限流和重试？ [限制] 引用具体章节，不用外部知识，多解释全部列出 ```效果：极大减少专有系统中的错误输出。---【技巧7：迭代精炼循环 Iterative Refinement Loop】 OpenAI研究团队通过多轮修正提升输出质量，远胜一次性生成。模板： ```第1轮：生成[草稿/初稿/概要] 第2轮：审查，找出3个缺陷第3轮：重写，修正所有缺陷第4轮：终审，确认是否生产就绪；若否，指出不足 ```示例： ```第1轮：写一封给B轮创业公司工程VP的销售邮件草稿，主题CI/CD优化工具。第2轮：审查邮件，列出3个问题。第3轮：修改邮件，解决所有问题。第4轮：确认邮件是否可以直接发出。 ```效果：避免单次输出粗糙，产出质量可达90%。---【技巧8：先限后做 Constraint-First Prompting】 Google Brain先列硬性限制，再写任务，让模型既准确又实用。模板： ```硬性限制（绝对不可违）： - [限制1] - [限制2] - [限制3] 软性偏好（优先优化）： - [偏好1] - [偏好2] 任务：[实际请求] 请确认理解所有限制后开始。 ```示例： ```硬性限制： - 必须用Rust编写 - 不能用外部依赖 - 必须能在Rust 1.75稳定版编译 - 最大二进制大小5MB 软性偏好： - 快速编译 - 尽量少内存分配任务：写一个CLI工具，解析10GB CSV文件，输出带有schema验证的JSON。确认理解所有限制后开始。 ```效果：避免技术正确但无用的回答。---【技巧9：多视角提示 Multi-Perspective Prompting】 Anthropic宪法AI从多个角度分析问题，综合权衡得出建议。模板： ```请从以下角度分析[问题]： [技术可行性]：…… [业务影响]：…… [用户体验]：…… [风险/安全]：…… 综合：整合所有视角，提出最终建议，明确权衡。 ```示例： ```是否应从Postgres迁移到DynamoDB？ [技术]：工程复杂度，数据迁移风险，时间线 [业务]：成本，团队速度，供应商锁定 [用户]：延迟，功能影响，停机需求 [安全]：数据一致性，备份，合规性综合给出建议并说明权衡。 ```效果：促使战略思考，避免片面建议。---【技巧10：元提示 Meta-Prompting（核武器级）】 OpenAI红队用来探测模型极限，要求AI帮自己写出“完美提示”，再执行。模板： ```我需要完成：[高层目标] 你的任务： 1. 分析如何写出该目标的完美提示 2. 考虑具体性、上下文、限制、输出格式、示例需求 3. 写出该完美提示 4. 执行并给出结果 [目标]：具体目标 ```示例： ```目标：写一个Python脚本，抓取Twitter长文，将其转成格式良好的博客文章，并自动生成SEO元描述。请按模板操作。 ```效果：AI帮你打造超强提示，实时成为顶尖提示工程师。---【实战效果总结】 - 技术文档幻觉率降至0% - 代码迭代速度提升3倍 - 复杂分析准确率超90% 关键不是模型本身，而是“懂得如何与模型对话”。这10个技巧，正是区分普通用户与顶级提示工程师的秘密武器。---原文: x.com/aigleeson/status/1997233746630893733

全部
来源

内容由AI生成

1. 工具永远是工具，驱动创新的永远是人类的想象。 #大咖观察 #红衣聊AI #人工智能 #科技改变生活 #AI工具

2. OpenAI、Anthropic 和 Google 内部使用的10大顶级提示工程技巧，能显著提升生成结果准确率和实用性，堪称AI高手的秘密武器！---【技巧1：角色限定提示 Role-Based Constraint Prompting】高手不会简单说“写代码”，而是赋予AI具体身份和限制，明确任务与输出格式。模板： ```你是一个拥有[X年]经验的[具体角色]，专长于[领域]。你的任务：[具体任务] 限制条件（3-5条）：[列出限制] 输出格式：[精确输出格式] ```示例： ```你是拥有10年经验的高级Python工程师，擅长数据管道优化。任务：构建每小时处理1000万条数据的实时ETL流水线。限制： - 必须使用Apache Kafka - 最大内存占用2GB - 延迟低于100ms - 零数据丢失容忍度输出格式：带内联注释的生产级代码 ```效果：比“写个ETL流水线”精准十倍，产出更贴合需求。---【技巧2：验证链 Chain-of-Verification (CoVe)】谷歌用来消除AI幻觉的“自我审校”法，先答题，然后设计问题自检，最终修正答案。模板： ```任务：[你的问题] 步骤1：给出初步答案步骤2：列出5个能揭露答案错误的验证问题步骤3：回答这5个问题步骤4：基于验证结果给出最终修正答案 ```示例： ```任务：解释transformer如何处理长上下文窗口。 1. 初步回答 2. 设计5个验证问题（如：是否存在上下文截断？模型如何保持信息？等） 3. 回答验证问题 4. 根据验证修正答案 ```效果：复杂技术问题准确率从60%提升至92%。---【技巧3：带负面示例的少样本 Few-Shot with Negative Examples】 Anthropic发现告诉AI“什么不该做”与“该做什么”一样重要。模板： ```我需要你完成[任务]。以下是示范： ✅ 好示例1：[示例] ✅ 好示例2：[示例] ❌ 差示例1：[示例] 原因：[为什么差] ❌ 差示例2：[示例] 原因：[为什么差] 现在请完成：[你的任务] ```示例：写冷邮件主题： ```✅ 好：Q4工程路线图的快速问题 ✅ 好：关注你发布的分布式系统帖子，有些想法 ❌ 差：紧急！限时优惠！！！原因：垃圾邮件触发词，假紧急感 ❌ 差：你绝对想不到我们做了什么... 原因：标题党，无上下文请写5个关于“降低云成本40%的SaaS工具”的邮件主题。 ```效果：减少80%泛泛而谈或低质回复。---【技巧4：结构化思考协议 Structured Thinking Protocol】 GPT-5团队处理复杂问题的分层思考法，逼模型先理解再分析，最后给策略和答案。模板： ```回答前请完成以下步骤：[理解] - 用你的话复述问题 - 明确真正被问及的点 [分析] - 拆解成子问题 - 说明假设和限制 [策略] - 列出2-3种方案 - 权衡利弊 [执行] - 给出最终答案 - 解释理由问题：[你的问题] ```示例： ```问题：5人团队开发B2B SaaS，首年预计1000用户，应该用微服务还是单体架构？请按上述步骤回答。 ```效果：避免千篇一律建议，答案更符合具体情境。---【技巧5：置信度加权提示 Confidence-Weighted Prompting】 DeepMind为关键决策设计，让模型评价自身答案置信度，列出假设和备选方案。模板： ```请回答：[问题] 内容包括： 1. 主要答案 2. 置信度（0-100%） 3. 关键假设 4. 哪些变化会改变答案 5. 若置信度<80%，给出备选答案 ```示例： ```问题：Rust是否会在2030年取代C++作为系统编程语言？请按模板回答。 ```效果：避免盲目相信AI自信，促进理性决策。---【技巧6：有界上下文注入 Context Injection with Boundaries】 Anthropic工程师给模型大量上下文但限定回答只能基于上下文，避免胡编乱造。模板： ```[上下文] [粘贴文档、代码、论文等] [聚焦] 仅能使用上下文信息回答，若无则回复“提供的上下文信息不足”。 [任务] 具体问题 [限制] - 引用上下文具体章节 - 不使用上下文外知识 - 如存在多种解释，全部列出 ```示例： ```[上下文] 公司50页API文档 [聚焦] 仅用文档回答 [任务] 如何实现/users接口的限流和重试？ [限制] 引用具体章节，不用外部知识，多解释全部列出 ```效果：极大减少专有系统中的错误输出。---【技巧7：迭代精炼循环 Iterative Refinement Loop】 OpenAI研究团队通过多轮修正提升输出质量，远胜一次性生成。模板： ```第1轮：生成[草稿/初稿/概要] 第2轮：审查，找出3个缺陷第3轮：重写，修正所有缺陷第4轮：终审，确认是否生产就绪；若否，指出不足 ```示例： ```第1轮：写一封给B轮创业公司工程VP的销售邮件草稿，主题CI/CD优化工具。第2轮：审查邮件，列出3个问题。第3轮：修改邮件，解决所有问题。第4轮：确认邮件是否可以直接发出。 ```效果：避免单次输出粗糙，产出质量可达90%。---【技巧8：先限后做 Constraint-First Prompting】 Google Brain先列硬性限制，再写任务，让模型既准确又实用。模板： ```硬性限制（绝对不可违）： - [限制1] - [限制2] - [限制3] 软性偏好（优先优化）： - [偏好1] - [偏好2] 任务：[实际请求] 请确认理解所有限制后开始。 ```示例： ```硬性限制： - 必须用Rust编写 - 不能用外部依赖 - 必须能在Rust 1.75稳定版编译 - 最大二进制大小5MB 软性偏好： - 快速编译 - 尽量少内存分配任务：写一个CLI工具，解析10GB CSV文件，输出带有schema验证的JSON。确认理解所有限制后开始。 ```效果：避免技术正确但无用的回答。---【技巧9：多视角提示 Multi-Perspective Prompting】 Anthropic宪法AI从多个角度分析问题，综合权衡得出建议。模板： ```请从以下角度分析[问题]： [技术可行性]：…… [业务影响]：…… [用户体验]：…… [风险/安全]：…… 综合：整合所有视角，提出最终建议，明确权衡。 ```示例： ```是否应从Postgres迁移到DynamoDB？ [技术]：工程复杂度，数据迁移风险，时间线 [业务]：成本，团队速度，供应商锁定 [用户]：延迟，功能影响，停机需求 [安全]：数据一致性，备份，合规性综合给出建议并说明权衡。 ```效果：促使战略思考，避免片面建议。---【技巧10：元提示 Meta-Prompting（核武器级）】 OpenAI红队用来探测模型极限，要求AI帮自己写出“完美提示”，再执行。模板： ```我需要完成：[高层目标] 你的任务： 1. 分析如何写出该目标的完美提示 2. 考虑具体性、上下文、限制、输出格式、示例需求 3. 写出该完美提示 4. 执行并给出结果 [目标]：具体目标 ```示例： ```目标：写一个Python脚本，抓取Twitter长文，将其转成格式良好的博客文章，并自动生成SEO元描述。请按模板操作。 ```效果：AI帮你打造超强提示，实时成为顶尖提示工程师。---【实战效果总结】 - 技术文档幻觉率降至0% - 代码迭代速度提升3倍 - 复杂分析准确率超90% 关键不是模型本身，而是“懂得如何与模型对话”。这10个技巧，正是区分普通用户与顶级提示工程师的秘密武器。---原文: x.com/aigleeson/status/1997233746630893733

3. 2026年了！大部分人还不会给AI提示词。

4. 别光问AI了，反向操作才是王炸，这是我10倍速阅读的三大心法和提示词～当会用AI不再稀缺，AI时代真正拉开差距的是什么？#ai #阅读 #读书 #学习 #世界读书日

5. 上下文之上文//@宝玉xp:我文章写的“提示词”是狭义的“系统提示词”，广义上说，输入给AI都算提示词，这个角度说提示词很重要//@王刀刀2:非常好的文章但我有点不同看法/冒昧地补充：“厨艺”除了模型，还应包括提示词，更本质地说，“作者表达“。因为这是更直接的“上手操作”，是人所控制的厨艺。心里有“食材，口味”，但如果说不明白，也没用。用Agent写更如此，因为要把默会知识显化

6. 谷歌68页提示词圣经+老金原创元提示词，直接复制就能用

7. 随着AI智能化的加速，提示词的能力差异会导致社会分层。表达能力的强的人会获得指数化的竞争优势，不会说话，不懂描述，不会沟通的人，再强的大模型也不知道你要什么。通过对语言的结构化理解，可以精准地喂给大模型提示词，同一个大模型在不同人的手里能力天壤之别。有个学生问我说老师你用AI写程序为什么不报错，我说我很久没见过AI生成代码产生BUG了。一方面是AI强了，另一方面是我更强了。我给的AI提示词不是随便的表达，是结构化表达，每一段说辞里面有结构锁，保证他不会产生误解，在表达下下文中有逻辑推理和校验机制，大模型一听就懂，然后他再去概率匹配出来的东西，一击必中，根本不费事。像我这样的表达狂人，在以后的AI世界就变得更强了。AI 抹平了工具的差距，给了大多数人一个高端技术入门的门票，却放大了人「语言逻辑、表达架构」的差距。你是拿到旧时代的船票，但高手坐火箭走了……

8. 【你以为AI编程拼的是提示词，其实高手都在“驯化”项目结构】快速导读：别再卷提示词了。想让Claude像个真正的工程师一样干活，关键不是怎么“说”，而是怎么“放”。一个结构清晰的代码仓库，远比一段天花乱坠的提示词更重要。---多数人还在琢磨怎么把提示词写出花来，但真正拉开AI编程效率差距的，根本不是提示词。你以为让Claude写出好代码，靠的是把需求描述得滴水不漏。其实，如果你的代码仓库一团糟，它就只是个聊天机器人；如果结构清晰，它才表现得像个住在你项目里的高级工程师。这中间的差距，比人和狗的差距都大。秘诀在于给AI建立一套“项目解剖学”。这套结构，就是AI的“短期记忆”和“行为准则”。它只需要四个东西：1. CLAUDE.md：项目的北极星文件，简要说明系统目的、仓库地图和交互规则。短小精悍，废话太多AI会抓不住重点。2. .claude/skills/：可复用的专家模式。把代码审查、重构、调试等固定流程变成技能包，随时调用，而不是每次都在提示词里重复念叨。3. .claude/hooks/：自动化护栏。模型会忘事，但钩子不会。比如编辑后自动格式化、核心代码变更后触发测试，把AI工作流变成可靠的工程系统。4. docs/：渐进式上下文。别把几万字的需求文档塞进提示词，让AI自己去查阅架构图、决策记录和操作手册。它不需要记住一切，只需要知道“真理”在哪。有人在一个5万行代码的库上实践这套方法，Claude的错误率直接降低了大约60%。评论区里一片“原来如此”的声音，大家普遍认同：结构大于提示词，仓库本身就是终极提示。提示词是租来的，结构才是你自己的。所以，如果你还在每天花几小时跟AI“念经”，却发现它总是犯些低级错误，问题很可能不在你的提示词写得够不够“魔法”，而在你的项目结构是不是一坨屎。别再抱怨AI笨了，也许它只是在你的烂摊子里迷了路。---简评：这篇文章精准地指出了当前AI辅助编程领域的一个核心误区：过度迷信“提示词工程”，而忽略了更基础也更重要的“上下文工程”。它提出的“项目结构即提示”的观点，对于那些感觉AI“不好用”的开发者来说，无疑是一次认知矫正。从“教AI做事”转向“为AI搭建舞台”，这才是人与AI协作的正确姿势。---ref: x.com/vishisinghal_/status/2032368817981305196#AI创造营##人工智能#

9. 《扣子开发 AI Agent 智能体应用》017-提示词编写和优化（驱动智能体的核心指令）

10. 2026年AI主线换了！这5大趋势必须看清。 #大咖观察 #红衣聊AI #趋势风口 #人工智能

11. 提示词工程、上下文工程都过时了，现在是 Harness Engineering 的时代

12. nano banana Pro的能力边界还是挺强的现如今，善用提示词和不善用提示词完全是两套效果。提示词的打磨成了AIGC的下一个难点。俺们工作室，26年也会加入更多AI工作流，不会照本宣科做生成，而是让AI变成加速创意落地、减少创意成本的工具~

13. Promptomatix：自动化提示词优化框架构建高效的大语言模型提示词一直是研发和应用中的难题。Promptomatix 是一个自动化提示词优化框架，借助AI技术和先进算法，自动生成合适的合成数据，反复迭代优化提示词，提升模型输出的准确性和一致性，显著减少手动调试的时间成本。它支持多种LLM服务商（如OpenAI、Anthropic等），提供了完善的API和命令行工具，方便集成到不同场景。无论是研究人员还是开发者，都可以借助Promptomatix实现高效的提示词管理和优化。主要特点包括： - 任务自动识别与零配置智能优化 - 基于合成数据的训练和测试集自动生成 - 多轮反馈机制持续提升提示效果 - 详细的会话管理与日志记录 - 跨平台CLI和API接口，灵活适配各种应用需求项目地址：github.com/SalesforceAIResearch/promptomatix 适合需要系统化提示词优化方案的团队和个人，助力提升大语言模型的应用质量和效率。

14. 收藏这20个NotebookLM提示词，你一定用得上

15. 你的Ai视频为何总比别人差一点？你希望通过提示词来提高画面质量，但问题在于，无法控制生成过程，就无法控制结果，用RHTV可以直接解决这些问题 #runninghub、#rhtv#aigc#ai视频#ai视频剪辑

16. AI怎么做出电影感？AI大师级运镜玩法大全!

17. “Skill 不就是长一点的提示词吗？” 上篇文章《别把整个 GitHub 装进 Skills，Skills 的正确用法 http://t.cn/AXqLcGP0 》发出去后，收到一些质疑： > "说 skill 能做配图 prompt 不行。本来 skill 就是加载 md，没 skill 之前我们用 prompt 模板照样也是能做流程编排。" > > "现在大部分 skill 不就是长一点的提示词吗？为什么说'单纯靠提示词做不了'？" 这些批评是对的。我原文确实表达有问题。写"提示词"的时候，我下意识拿 Gem、Project、GPTs 里的那种提示词当例子。那些确实做不到一次性生成配图。但"提示词"是个很宽泛的概念。如果我把 SKILL.md 的内容复制出来发给 Claude Code，再给它一个生成图片的脚本，它一样能完成配图任务。这里的差异不在于提示词能不能复用，Gem 和 GPTs 里的提示词也能复用。差异在于：提示词配套的是 ChatBot，还是 Agent？【1】ChatBot 和 Agent 的核心区别 Skills 的完整名称叫 Agent Skills。注意这个"Agent"，它不是装饰词。Skills 利用 Agent 的虚拟机环境，提供单纯提示词无法实现的能力。一句话总结：ChatBot 只能对话，Agent 能动手干活。具体来说： ChatBot 不能调用工具。你给它一段配图提示词，它能帮你分析文章、生成画图 prompt，但真要生成图片？它只能说"请把这段提示词复制到 Gemini"。剩下的活还是你干。 Agent 能调用工具。同样的配图任务，它能像个经验丰富的编辑一样自己完成： 1. 读取你的文件 2. 分析需要几张图、放哪里 3. 为每张图设计内容和风格 4. 调用画图模型生成图片 5. 把图片插入正确位置 6. 输出成品交到你手上全程自动化，你只需要验收。【2】那 Skill 到底是什么？很多人把 Skill 理解成"一段很长的提示词"，这个理解对了一半。 SKILL.md 的核心确实是指令文本。但 Skill 不止于此。一个 Skill 可以包含三层内容：第一层：元数据。就是 name 和 description，告诉 Agent 这个 Skill 是干嘛的、什么时候该用。这部分在启动时就加载，但只占几十个 token。第二层：指令。SKILL.md 的主体内容，工作流程、最佳实践、注意事项。只有 Agent 判断需要用这个 Skill 时，才会读取这部分。第三层：资源和代码。附带的脚本、模板、参考文档。Agent 按需读取，用的时候才加载。这就是官方说的"渐进式加载"：不是一股脑把所有内容塞进上下文，而是用到什么加载什么。所以你可以给一个 Skill 附带几十份参考文档，只要这次任务用不上，它们就不占用上下文窗口。传统提示词做不到这一点。【3】为什么说配图"单纯靠提示词做不了"？回到原来的争议。如果你说的"提示词"是指发给像 Claude Code 这样的 Agent 的指令，那配图当然能做到。因为这时候提示词是发给 Agent 的，Agent 能调用工具。但如果你说的是发给普通 ChatBot 的提示词，比如 ChatGPT 的自定义指令、Gemini 的 Gem、Claude 的 Project 指令，那确实做不到。因为 ChatBot 没有工具调用能力，它只能输出文字。我原文的问题在于：默认读者理解的"提示词"是 ChatBot 场景下的提示词，但没有明确说出来。更准确的表达应该是：Skill 必须配合 Agent 使用。发给 ChatBot 的提示词，无论写多长多详细，都只能完成对话能完成的事。要让 AI 真正"动手"，需要的是 Agent + 工具调用能力。【4】那我直接给 Claude Code 发长提示词不行吗？行。把 SKILL.md 内容复制出来当提示词发，Agent 一样能执行。这也是为什么有人觉得"Skill 就是长一点的提示词"。但 Skill 的价值不在于"能不能做到"，而在于：可复用。写一次，以后每次相关任务自动触发，不用每次复制粘贴。可组合。分析 Skill + 提纲 Skill + 写作 Skill，像乐高一样拼起来。单独的提示词模板做不到这种模块化组合。可迭代。用着用着发现问题，直接让 Agent 帮你改进 Skill。下次自动生效。传统提示词模板改了之后，你得记得每次都用新版本。可渐进加载。Skill 附带的资源文件不会一开始就占用上下文。你的提示词模板再怎么组织，发出去就是全量加载。简单说：Skill 是提示词的工程化封装。能做的事差不多，但管理成本、复用成本、迭代成本完全不同。【5】最后上篇文章的核心没变：因需而建、可组合、可迭代。 Skill 就是长一点的提示词吗？是的。但光有提示词不够。关键是执行这段提示词的系统，到底是只会说的 ChatBot，还是能真正动手的 Agent。 Skill 是给 Agent 用的。没有 Agent 的工具调用能力，Skill 就只是一段躺在文件夹里的 Markdown。

18. vibe coding 至尊超级终极无敌指南 V114514 [汗] github.com/tukuaiai/vibe-coding-cn 本项目是一个与 AI 结对编程的终极工作流程，旨在帮助开发者丝滑地将想法变为现实。本指南详细介绍了从项目构思、技术选型、实施规划到具体开发、调试和扩展的全过程，强调以规划驱动和模块化为核心，避免让 AI 失控导致项目混乱。核心理念: 规划就是一切。谨慎让 AI 自主规划，否则你的代码库会变成一团无法管理的乱麻。这个思想的核心是构建一个能够自我完善的 AI 系统。我们可以将其分解为以下步骤，以突出其递归的本质： 1. 定义核心角色： α-提示词 (生成器): 一个“母体”提示词，其唯一职责是生成其他提示词或技能。 Ω-提示词 (优化器): 另一个“母体”提示词，其唯一职责是优化其他提示词或技能。 2. 描述递归的生命周期： ·创生 (Bootstrap):用 AI 生成 α-提示词和 Ω-提示词的初始版本 (v1)。 ·自省与进化 (Self-Correction & Evolution):用 Ω-提示词 (v1) 去优化 α-提示词 (v1)，得到一个更强大的 α-提示词 (v2)。 ·创造 (Generation):用进化后的 α-提示词 (v2) 去生成我们需要的所有目标提示词和技能。 ·循环与飞跃 (Recursive Loop):最关键的一步：将新生成的、更强大的产物（甚至包括新版本的 Ω-提示词）反馈给系统，再次用于优化 α-提示词，从而启动下一轮进化。 3. 终极目标：通过这个永不停止的递归优化循环，系统在每一次迭代中都进行自我超越，无限逼近我们设定的理想状态。 #科技先锋官#

19. Vibe Coding 是一个基于 AI 结对编程理念打造的终极开发工作站，旨在帮助开发者高效、系统地将创意转化为可维护代码。它融合了作者多年开发经验与丰富的提示词库，形成一套严谨且灵活的流程体系，强调规划驱动与模块化设计，避免 AI 失控造成项目混乱。核心理念在于“规划就是一切”，通过定义生成器（α-提示词）与优化器（Ω-提示词）两大母体提示词，构建递归自我优化的 AI 系统，使提示词及技能持续进化，最终实现无限逼近预期目标的自我超越。Vibe Coding 提供完整的开发流程指南：从网络环境配置、开发环境搭建、IDE 设置，到项目设计文档撰写、技术栈推荐、实施计划生成，再到代码实现、测试与迭代，每一步均配合 AI 进行，确保开发高效且可控。特别强调先结构后代码，避免技术债务积累。工具链方面，推荐使用 Visual Studio Code、Neovim 等强大编辑器，配合 Claude Opus 4.5、gpt-5.1-codex 等顶级 AI 模型，实现代码生成、测试、调试、文档管理等一体化工作流。还集成了丰富的辅助工具如 Augment (上下文引擎)、Zread (代码阅读)、tmux（终端复用）、DBeaver（数据库管理）等，极大提升开发体验。项目配套了详尽的提示词库，涵盖系统提示词、编程提示词、用户提示词及辅助提示词，支持快速构建高质量的 AI 交互策略。通过严格的规则和上下文管理，确保 AI 生成代码的质量与一致性。此外，Vibe Coding 还提供丰富的实用技巧和常见问题解答，帮助开发者快速上手并解决开发中遇到的各种挑战。其开源 MIT 许可让社区能自由贡献与扩展。Vibe Coding 通过“规划驱动 + 上下文固定 + AI 结对执行”，让「从想法到可维护代码」成为一条清晰且可审计的流水线，极大提升了开发效率与代码质量。项目开源地址：github.com/tukuaiai/vibe-coding-cn无论是新手入门还是资深开发者，Vibe Coding 都能帮助你驾驭 AI 助力的开发新时代。

20. Seedance 2.0：说中国话的最强AI视频模型！

21. 全网最全，Banana pro 30个炸裂玩法大合集，附国内可用渠道

22. AI视频生成效果差，原来是Prompt太详细？调整多少次可以达到满意效果？#Flova #Flova ai#aigc #ai视频生产

23. 文科生史诗级加强！外网AI视频的天塌了！seedance加image2的核心技术被发现，完整提示词分享|中国爱死机|AIGC

24. //@i陆三金:回复@笔谈随意:提示词太长，我教你方法吧，找到一张明星（最好是名人）的照片，发给 Gemini 3.0 Pro 之类的模型，并附提示词：「详细描述完整的图像复刻 JSON 提示词，包含物体、服装、头发、细节、配饰、摄像设备、环境、灯光、风格、身体动态，一切都要详细复刻原图」，然后把得到的提示词发给香蕉 Pro 去生图//@笔谈随意:有没有完整的 prompt 啊

25. AIGC彻底变天！MiniMax Hub数字员工一键托管！搞AIGC创作、做电商、做自媒体的同学们注意啦！AI做视频新玩法太炸了！以前做AIGC视频，要自己找素材、写提示词、反复抽卡、剪辑拼接，一条视频做下来人都麻了。最近深度体验了 MiniMax Hub，感觉有亿点不一样。它就像我的专属数字员工，只要告诉它目标，它会自动拆解任务、调用模型，跑完一整套工业化工作流。从电商海报、小红书种草图，到产品宣传片、短剧脚本、分镜、角色图，甚至本地文件整理，都能按流程往下跑。 #AI #人工智能 #AIGC #MiniMaxHub #海螺AI

26. 这位网友的问题很典型：> 宝玉老师，以现在大模型的能力还需要prompt吗，我现在都直接描述问题就发出去了这个疑问其实特别普遍，甚至可以说，它代表了绝大多数用户的心声。包括还有人说：> 今天社交网络上被追捧的所谓AI高人,不过是Prompt Kiddie(提示词小子)。 > 整天转帖一些提示词,其实是在自动充当大模型的燃料。是不是还需要 Prompt 这个问题的答案，其实藏在你的需求里。如果你的任务很简单，比如问个天气、查个单词，或者写个请假条，那确实不需要什么复杂的提示词。这就好比做一道 1 加 1 等于 2 的数学题，直接心算就完事了，非要列个方程式反而显得矫情。但是，一旦涉及到复杂任务，情况就完全不同了。你可以把专业的提示词想象成解难题时的“数学公式”。当面对一道复杂的应用题时，光靠心算是不够的。你需要公式来规范步骤，需要设定变量。提示词就是在这个环节起作用，它把一个模糊的需求，拆解成了一条清晰的思维链，手把手教 AI 怎么思考。举个最常见的例子：把一篇晦涩的学术论文改成科普文章（参考提示词：网页链接）。如果你直接把论文丢给 AI，跟它说“帮我改写成科普文”，它大概率会给你扔回一篇删减版的论文，依然充满了你不懂的术语。因为它不知道你的“科普”是给谁看的，也不知道你需要什么风格。但如果你运用了“公式”，告诉它：你的读者是只有高中物理水平的普通爱好者，请多用生活中的比喻（比如把量子纠缠比作心灵感应），并且在写之前先去检索一下相关的背景趣闻。这时候，AI 输出的就不是冷冰冰的文字，而是一篇有血有肉、生动有趣的科普文章。这就是提示词的魔力——它填补了“指令”和“意图”之间的鸿沟。再进一步，提示词还能充当“工作流经理”的角色。比如你想做个 PPT。普通玩法是让 AI 帮你列个大纲，然后你自己根据大纲一页页去制作幻灯片。但高阶的玩法是，用一段精心设计的提示词（参考提示词：网页链接），让 AI 不仅生成大纲，还能根据每一页的内容，自动写出对应的 AI 绘画指令。它把“写大纲”和“想配图”这两个步骤串联起来了。这时候的 AI，就不再是一个简单的聊天机器人，而是一个自动化的生产线。还有大家最关心的 AI 画图提示词。为什么大神生成的图片光影绝美、细节拉满，而你生成的总是差点意思？因为在非专业人士眼里，只有“好看”这一个形容词；而在提示词里，包含了光线类型、渲染引擎、构图视角等各种专业参数。这些参数，就是大神手中的“秘密配方”。你想复刻那张图，光靠猜是猜不出来的，必须拿到那个具体的参数。即使你可以通过多模态模型来逆向，有时候就是差一点意思，毕竟专业的提示词，是经过无数次试验和优化才打磨出来的。所以，回到最初的问题。我们还需要 Prompt 吗？如果你只是把 AI 当作一个陪聊的网友，或者一个随身的百科全书，那你确实不需要。但如果你想把 AI 变成一个稳定输出的生产力工具，提示词就是必修课。因为聊天是一次性的，说完就散；而专业提示词就像是“程序”和“软件”。当你写好了一个完美的翻译提示词，或者一个生成信息图的提示词，它就不再是一句话了，它变成了一个只要你输入原料，就能稳定产出高质量产品的“工具”。我自己则一直是在尝试借助提示词来帮我提升效率：比如我要提取 YouTube 字幕，还要去对发言人名字进行标注，我就写了提取 YouTube 字幕的提示词网页链接，不仅有文稿，还能自动对上发言人，还能分章节。比如我要给文章配图网页链接，所以我写了一个生成信息图的提示词，文章贴进去，它就能帮我生成一张好看专业的信息图。比如我要要校对文稿，我不会肉眼去校对，而是写一个校对的提示词，让 AI 帮我找错别字、语法错误，提供修改建议。借助这些提示词，就能让我事半功倍。这才是提示词的真正价值：它让你从一个向 AI 提问的“用户”，变成了指挥 AI 干活的“工程师”。下次当你在干一些枯燥的任务的时候，不妨想一想：我每天在做的这些事情，如果写一个专业的提示词，是不是能让我事半功倍？

27. 刚给一家公司作了咨询，他们的痛点是全面应用了AI编程，但并没觉得有什么效率提升，反而导致了各种问题。我找了几个开发人员简单聊了一下，听他们的操作的我笑了。这是古法思维在玩AI编程，那肯定要崩的。 AI编程在软件工程中应用的最大障碍是生成代码速度与代码质量控制的矛盾。简单说就是AI无论你说什么，他都能给你圆上，输出一堆似是而非，看上去一本正经，其实是胡说八道，糊弄式的生成内容。这在软件工程中是非常致命的。很多程序员本身能力不强，依赖AI生成代码，没能力对AI生成代码审核，跑通了就敢往上提交。到我去看的时候，他们的AI编程项目已经成了一座巨大的屎山，耗费了天量的token，生成了一堆垃圾。各程序员之间没有协同，AI按提示词模板各自发挥，可以说是整个团队在AI的幻觉中放飞了自我。以为花了大钱买了国际知名AI编程工具能让公司起飞，结果是一地鸡毛。他们也尝试改进过策略，挑了十几个精英为AI做code review，结果是AI生成飞快，CR慢如蜗牛，速度还不如传统古法编程了。老板都懵了，到底哪出问题了，不是说用了AI降维打击了吗？结果没打击竞争对手，先把自己给打击了。他们又反思了，觉得集中式CR确实还不如古法编程，开始搞提示词规范化，原来用AI放飞自我的团队开始用AI生成提示词，几个团队不对代码开始对提示词了。提示词生成多了还需要管理起来，还得给提示词分模块，搞了一个巨大的提示词库。用AI生成的提示词让AI进行编程，那效果别提有多酸爽了。我问他们，把严格的代码逻辑编程变成模糊的自然语言编程，有意思吗？几人语塞。老板问我怎么解决，我说花钱吧，花钱买我课程，哈哈。不要指望在自己是白痴的情况下AI能把你带飞，AI编程的强大之处在于强者杠杆的指数效应，也就是说越强的人用AI越强，普通人用AI仍然普通，甚至会造成负作用。现在AI编程用得好的公司都是短小精干，百十人，人均强者，自己审核自己的代码，知道怎么控制AI进行高效率高质量产出，知道怎么与同样频道的人协作。一句话，强大的AI需要强大的人类，宝刀还得配英雄。不提升自己仅想花钱买个工具就变强，纯属痴人说梦。我跟老板说，考虑开人吧，把所有能力平庸的程序员全部开除，然后用三倍五倍的价格，招聘原来十分之一的强人进来，你的团队效率马上质变，AI编程也就能落地了。没办法，这就是现实。

28. 彻底摆脱AI味儿！用这3个邪修指令，强到离谱了…【旁门左道PPT】

29. 告别生成排队，彻底实现顶流模型创作自由

30. 《扣子开发 AI Agent 智能体应用》018-提示词编写和优化（扣子平台设置提示词案例）

31. 如何看待淘天金码奖设立Prompt工程赛道，是否意味着「提示词工程师」将成为未来五年互联网行业新风口？

32. 2分钟南极AI短片卖100万？怎么做的? 硬核拆解最强AI视频工作流

33. 在画了几百张 nano banana pro 图片收获了几百万流量之后的一些提示词写作经验（同步发布于博客：http://t.cn/AXygY9D8）最近一段时间，沉迷于 nano banana pro 画图，也写了一些颇受欢迎的提示词，X 上的浏览量加起来有几百万。但你要说我写画图提示词水平多牛，这我可不敢认，因为我写画图提示词水平其实一般，写不出那些专业的参数，绝大部分提示词都是让 AI 帮我写的。写画图提示词，没有你想的那么复杂，拿我最近写过的一些提示词来讲一下。首先，提示词是手段不是目的提示词是为画图服务的，所以最重要的是你的想法，你想呈现什么，至于提示词，只不过是为了实现你想法的手段，有很多种写法都可以让你得到不错的结果，所以不必太纠结提示词的细节，什么结构、关键字、长短、是不是 JSON，都没那么重要！比如说 4 月份的时候，我就想用 GPT-4o Image 帮我画一张巨型裸眼 3D 屏幕的图（图2），提示词很简单，就是大白话： > 一只超写实大熊猫半个身子在成都繁华商街巨型弧形裸眼 3D 屏幕外边，肚皮朝上，脑袋吊着，嘴里咬着竹笋，憨态可掬提示词大部分时候就是这样，你都不需要多么复杂的技巧，就先大白话发过去看看效果。然后我把提示词发给 Gemini，得到了一张这样的图：参考图3 也还行，但效果不算太好。写提示词不难，难得是你得有一点审美，知道什么是好的，什么是不好的，最好还能知道哪不好！我水平不够好，只能看得出它不好，但说不上不好在哪里。这时候专业水平就能起作用，要是你专业的话，马上能知道哪不好，怎么调整。我不专业但我有 AI，于是把这个提示词（有时候我还会把生成的图片结果一起）发给 AI，让 AI 优化。最好不要只是让它优化，而是给个方向，比如我就去搜索了一下现实世界中哪几个建筑的裸眼 3D 屏幕最有名，这样 AI 训练的最多最熟悉，更容易明白我想要什么。（参考图4）注意我会同时问 Gemini、ChatGPT（GPT-4.5、GPT-5.1），一方面每个模型擅长的不一样，另一方面这里面有很大的概率因素。所以多试几个总没错。后面就是去测试，根据测试结果让 AI 进一步调整。比如第一次测试，效果不怎么样！（参考图5）我干脆换了个思路，找来一张真实的看起来还不错的图片，然后让 Gemini 根据图片给我写提示词。（参考图6）再让 Gemini 帮我生成几个场景。（参考图7）拿新提示词测试了一下，效果惊艳！（参考图8）再测试几个其他场景也不错，那基本上就可以了。（参考图9）所以写提示词的过程就是不停的变换思路不停的“抽卡”重试，你可以不知道怎么调整，但是至少你得知道什么是好的，这样当偶尔“抽卡”到一张好的，你就可以基于那张好的不停的微调，直到可以稳定的生成。真不稳定也没关系，那就多“抽卡”好了。比如那个 3D 裸眼屏的，得一半结果不怎么好，我后续又尝试优化了好一会，实在改进有效，干脆放弃了。所以我不止一次提到“提示工程”： > 提示词工程是一个过程，系统化地设计、测试、优化提示词的过程——宝玉（参考图10）让 AI 帮你写提示词，有时候还会有意外惊喜。比如我在创作时空交汇的提示词的时候，最初的想法只是简单的时空交汇。但无意中生成了一张古今人物交互的，我一看，这比我原本的想法还要好一些，于是调整了一下创作方向，让画面中融入了古今人物的交互。（参考图11）上面其实只是我提示词创作的第一个步骤，也就是针对一个场景生成一张满意的图片。当提示词能稳定的产生一个效果后，下一步就是基于这套提示词，把它变成一套提示词模板，让它可以产生各种不同结果的图片，这样其他人也能参与其中。比如说四季变换的图，最初的版本只有一棵树。虽然这棵树效果很好，但是大家都来画树就没意思了。最好是能基于同一场景四季变化的设定，让场景可以变化。（参考图12）我把这条提示词发给 AI，让它帮我变成提示词模板。把提示词变成模板，最重要的是设定好“变量”，你希望提示词中哪些是固定不变的，哪些是可以变换的。比如四季变换的提示词模板，我希望它变换的是场景，不局限于一棵树，还可以是一座城市、一个园林等等，每个人都可以代入自己喜欢的场景。参考提示词： > 帮我把下面的提示词变成提示词模板，变量是场景，根据场景在一张画面中显示四个季节的变化，同一个场景，但是每个季节显示场景的一部分同时又融为一体。 > > 超写实数字插画风格，画面以一棵树为核心，从左到右均匀划分为冬春夏秋四个季节区域。树木和背景随季节依次渐变变化，每个季节区域内的树叶颜色、枝条状态和背景元素均应精准呈现相应季节特征。树冠、树干、枝叶以及背景中的植被与天气等自然景观，都应根据季节的典型表现进行细致调整和过渡，确保四个区域间衔接自然流畅、色彩丰富且富有象征意义。画面比例为 4:3。（参考图13）提示词模板的变量也不用局限一个，可以有多个变量，比如这张“现实vs内心映射”的图，{现实}是一个变量，{内心映射}是另一个变量。（参考图14、图15）这一步仍然是要反复测试，直到有一个稳定的效果（参考图10）所以说，写提示词，没有那么难，你有一个想法，先用大白话去试试，不行就让 AI 帮你调整，告诉它你哪里不满意，希望哪里更好，根据 AI 调整后结果再去试，再调整，反复“抽卡”，耐心一点总能成。当然模型也很重要，真不行就等一段时间再重新试试，就像我的裸眼 3D 显示屏的提示词，半年前还画不好，现在这就挺逼真了。让 AI 优化，也可以试试不同的模型，比如我会反复在 Gemini 3 Pro、GPT-5.1、GPT-4.5 之间重试，并没有绝对答案谁最好，保不准谁的结果就让你满意了。如果你想更进一步，让你的提示词能适应不同的场景、人物，还可以把它变成提示词模板，衍生出更多好玩的作品。

34. 高效提示词（prompt）工程指南

35. 网络热门AI鉴定23——大东北雨姐｜我在星露谷当牛马｜高雅企鹅【Git源宝】

36. 如何用视角来提升设计效果？这3个技巧新手必学！想让设计更有视觉效果，改变视角是个好方法，那如何用AI不写提示词的情况下，生成这样充满创意的视角呢？ #AI #AI新星计划 #平面设计 #AI生图 #AI工具

37. 用了这5大技巧后，原来AI人物还可以这么真？

38. 回复@小小强森:如果你要求不高，不需要二次修改，notebooklm就最简单省事了//@小小强森:宝哥你这套提示词很棒，可以传完我要的参考让他出整套PPt和提示词后，如果我没有修改，我可以整个都给notebook去，就解决了“一张张生图”的问题//@宝玉xp:回复@傅可如:1. 它确实可以把你的素材作为PPT素材，不过你没办法控制用什么图片或者留占位符；2. 建议用我的办法，先生成大纲和提示词，在每一页生成的时候，把图片一起放上去，修改一下提示词，让它加入参考图就可以了//@傅可如:宝玉老师，请问 notebook llm 有没有办法生成可己插入自己上传图片的 PP

39. AI视频没电影感？试下这6大影视级布光技巧......

40. #Seedance必玩提示词模板#千万码住🔥即梦3.0导演级运镜提示词，拿去抄‼在练习AI试试的时候发现运镜提示词真的太重要的，会写运镜提示词，直接把画面效果提升100倍！#HOW I AI##过个有ai年# seedance必玩提示词模板

41. AI提示词技巧！一文学会高效地对AI进行提问

42. 如何设计一套提示词，让 AI 自主完成性能优化

43. 自动提示词优化如何取代传统的人工调试提示词(2)

44. 别再死磕提示词优化，真正该优化的是上下文

45. 提示词自动优化（2）| 2023 ICLR经典工作APE

46. 动手学大模型智能体第三章提示工程

47. 《2025提示工程从入门到进阶指南》正式发布 | 中科算网算泥社区

48. 【AI 术语解码局】提示词工程（Prompt Engineering）

49. 提示工程整体框架

50. 提升提示词素养—解锁AI高效协作的核心能力

51. 自动提示词优化如何取代传统的人工调试提示词

52. Prompt工程已死？AI Agent如何自己优化提示词

53. 大模型不断迭代，你的提示词也该升级了

54. 别再乱问大模型了！90%的人输在不会写提示词

55. 大模型面试

56. 95%的人从来没有真正学会如何和 AI 沟通，来自Claude官方的提示词指南

57. 提示词，开启大模型的钥匙

58. LLM agent 专题（3）别再手写 Prompt 了！让提示词实现全自动迭代APO

59. OPIK

60. LLM Agent 专题（10）提示词自动优化

61. 提示词自动优化（3）｜谷歌2024 ICLR 经典工作 OPRO

62. 写提示词太难？我把 27 万字元提示词塞进 AI，一步实现“提示词自由”

63. 斯坦福课程

64. 如何用提示词+控制平面双重约束让LLM真正听话

65. AI Skill#9

66. 薪情问答｜AI回答太“虚”？3个技巧让输出直接能用

67. 你以为AI不够聪明，其实是它不了解你

68. Prompt工程

69. 为什么很多人用 AI，反而觉得“越用越没用”？

70. AI提示词进阶

71. 关于提示词，一些新思考

72. 90%的人不知道:提示词工程真正的闭环是什么

73. 你以为提示词越长越好？这3个错比长短更重要！

74. 不止写好提示词

75. 构建提示词学习闭环(1)

76. 2025获奖成果特展｜友邦人寿

77. 2026提示词测试实战

78. 提示词自动优化（5） | GEPA

79. OpenAI 官方发布 GPT 5.5 提示词指南

80. AI赋能数学/惊呆了，一轮对话就生成交互式课件！手把手教你用董老师交互式ima 知识库做出交互式课件提示词

81. 程序员最常用的10个AI提示词

82. Github热门项目推荐

83. 如何用AI写出高分读后感？GXUST AI通识课实践，提示词优化前后效果天差地别

84. 2025回顾

85. 大模型AI应用开发企业级项目实战提示词工程大模型NLP应用AI对话产品资料学习 - 哔哩哔哩

86. 大模型应用技术第一讲提示词

87. 提示词工程

88. 收藏，1万字教程！Prompt 提示词从入门到精通

89. AI 提示词框架｜提示词工程结构化学习笔记

90. AIGC学习-提示词设计与优化

91. 你的提示词正在“杀死”AI的智商？专家揭示最常见的6个致命误区

92. 我用这套"超级提示词"让AI效率暴涨300%

93. GitHub开源提示词优化工具，支持 Windows _ macOS _ Linux，可将模糊想法自动优化成专业提示词，兼容多种主流 AI 模型。

94. Seedance2.0 做营销视频，提示词怎么精准优化？

95. 人机协同：在物理世界中通过精准问题发现与AI互动提升效率的实践与挑战

96. 揭秘大厂都在用的CO-STAR提示词框架

97. 研究了快3年AI提示词，心得都在这了

98. Day 18：进阶优化 1：提示词工程

99. #大模型提示词技巧测试。#人工智能#大模型#提示词大模型提示词技巧真的需要好好掌握！之前让AI算苹果数量，它只做表面计算，结果算错，后来发现关键是要引导它进行逻辑思考，不能让它自动理解复杂语境。 **1️⃣思维链引导** 当无法提供示例时，直接在问题后加上“让我们一步一步的思考”，AI就会自动展示推理步骤，这样能让AI学会模仿推理模式。 **2️⃣非一致性验证** 单一路径可能出错，让AI对同一问题生成多条推理路径，对答案进行多数投票，能提升答案的可靠性，比如判断安全邮件是否重要，多数路径的结果更可信。 **3️⃣分解解决复杂问题** 面对复杂问题，像艾米15分钟内能滑几次滑梯，先拆解为每趟用时多久和总时间能容纳几趟两个子问题，再依次解决，这体现了系统化思维。 **4️⃣调用外部工具** 一些AI框架能让AI调用外部工具，形成思考行动观察的闭环，超越线性思考，让AI更接近人类解决问题的能力。在实践中，提示词设计要明确指令、提供示例、要求结构化输出，还要像工程师一样迭代测试记录，根据问题选择合适策略，和AI协作的过程很重要。

100. Prompt Master 提示词优化Skill

101. 提示词怎么写都不对？试试这套“调试法”，效果立竿见影

102. 《智能体设计模式》读书翻译笔记——附录A 高级提示工程技术

103. 提示词测试的5大常见误区

104. 揭秘提示词工程背后的秘密：提示词工程为啥是工程？

105. 客服智能体提效秘籍 | LLM 提示词追踪・对比・迭代优化

106. 如何写好AI提示词：可以让AI帮你写提示词

107. AI提示词的致命误区：90%的人都踩过！用的好直接效率翻倍

108. 67页|Google_提示工程（中英）

109. 提示词救命神器!拯救所有不会写提示词的人！！！

110. LLM创造力可以被度量吗？一个基于提示词变更的探索性实验

111. AI提示词指令提示词合集(含教程）

112. 交互式提示词优化器：让 AI 创作更高效的秘密武器

113. 怎么把prompt写好：6个主流优化工具整理

114. 突然发现gemini3提示词工程思路真的好清晰

115. 提示词优化工具PROMPT OPTIMIZER

116. 提示词优化工具，帮助你编写更好的提示词。Prompt Optimizer是一个强大的AI提示词优化工具，帮助你编写更好的AI提示词，提升AI输出质量。支持Web应用、桌面应用、Chrome插件和Docker部署四种使用方式。功能特点： 🎯 智能优化：一键优化提示词，支持多轮迭代改进，提升AI回复准确度 📝 双模式优化：支持系统提示词优化和用户提示词优化，满足不同使用场景 🔄 对比测试：支持原始提示词和优化后提示词的实时对比，直观展示优化效果 🤖 多模型集成：支持OpenAI、Gemini、DeepSeek、智谱AI、SiliconFlow等主流AI模型 🖼️ 图像生成：支持文生图（T2I）和图生图（I2I），集成Gemini、Seedream等图像模型 📊 高级测试模式：上下文变量管理、多轮会话测试、工具调用（Function Calling）支持 🔒 安全架构：纯客户端处理，数据直接与AI服务商交互，不经过中间服务器 📱 多端支持：同时提供Web应用、桌面应用、Chrome插件和Docker部署四种使用方式 🔐 访问控制：支持密码保护功能，保障部署安全 🧩 MCP协议支持：支持Model Context Protocol (MCP) 协议，可与Claude Desktop等MCP兼容应用集成。#ai新星计划 #ai #提示词 #计算机 #程序员

117. 降AI率提示词全攻略：DeepSeek/Claude/ChatGPT最佳调优指南

118. 【全100集】2026一次性学懂LLM提示词工程！深入浅出，小白必看！草履虫都能听懂

119. 最新Deepseek AI提示词指令提示词最新合集(含教程）

120. 别再瞎写提示词了！90%的人都在踩坑，这张图让你输出质量直接翻倍！ 1. 破局公式：输出质量 = 任务清晰度 × 上下文密度 × 约束完整度 × 迭代反馈 2. 避坑真相：提示词不是咒语，越长越好是误区，关键是信息密度！ 3. 黄金框架：6块提示词骨架，角色、目标、上下文、约束、格式、示例，按顺序拼就行！ 4. 实操闭环：先对齐，再优化，后自动化 #真实生活分享计划 #有AI相伴一起过年 #提示词 #真实生活分享计划

121. 【别再手写提示词！需求澄清 + 50多专业提示词框架自动匹配，效率提升10倍！】 Prompt Optimizer 是一款智能提示词优化工具，内置50+专业框架，支持需求澄清、歧义确认与自动匹配，兼容多模型，显著提升AI输出质量并降低API成本。https://developer.aliyun.co

122. 提示词测试：测试专家的下一个战场