AI提示词该详细还是留白？场景化策略指南_服务软件

1. 当模型推理能力越来越强，我们还需要提示工程吗？

2. 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？

3. 谷歌工程师泄露：让 AI 正确率从 21% 飙到 97% 的秘密，竟然只需要按一次 Ctrl+C 。上周，我在用 AI 写代码的时候，遇到了一个特别抓狂的事。我让它帮我生成一段数据处理的逻辑，结果它给我写了一堆乱七八糟的代码，完全不是我想要的。我改了好几次提示词，换了各种说法，结果还是不对。我当时就在想，这玩意儿是不是根本没理解我在说什么？后来我无意中看到一条消息，说谷歌的研究人员发现了一个特别简单，但效果夸张的技巧。简单到什么程度？就是把你的提示词，原封不动地再重复一遍。对，你没看错，就是当一回“复读机”。一、一个离谱的实验结果谷歌的研究人员做了一个实验，他们拿 Gemini 模型测试，给它一个任务，然后对比两种情况下的表现。第一种，正常写一遍提示词。第二种，把同样的提示词，一字不差地再写一遍。结果出来之后，所有人都惊了。正常写一遍的时候，Gemini 的正确率是 21.33%，也就是说，十次里面只对两次，基本等于瞎猜。但是，当把提示词重复一遍之后，正确率直接飙到了 97.33%。从两成到接近满分，就因为多复制粘贴了一遍。这听起来像是在开玩笑，但这是谷歌官方发布的研究结果。二、为什么重复一遍就有用？你可能会问，这到底是什么原理？为什么复读一遍就能让 AI 变聪明？谷歌的解释是这样的。AI 模型在生成回答的时候，通常是按照一种“单向”的方式在推理。它从你的提示词开始，一路往下生成，就像一辆只能往前开的车，不会回头看。但是，当你把提示词重复一遍的时候，模型在处理的时候，会形成一种“回看，再理解”的结构。原本它只是单向地往前推理，现在它会在生成的过程中，再次回到你的提示词上，重新审视一遍你到底想要什么。这种机制，让模型的注意力从“单向因果注意力”，变成了接近“双向注意力”的效果。说得通俗一点，就是 AI 原本只是快速扫了一眼你的要求，然后就开始干活了。但重复一遍之后，它会停下来，再仔细看一遍你的要求，然后才开始干活。这一停，这一看，正确率就上去了。三、怎么用？手把手教你这个技巧的好处就是，简单到不能再简单了。你不需要学什么复杂的提示词工程，不需要研究什么思维链，不需要调参数，不需要换模型。你只需要做一件事，把你的提示词，复制一遍，粘贴在后面。举个例子。假设你原本的提示词是这样的：“请帮我写一段 Python 代码，用来读取 CSV 文件，并计算每一列的平均值。”现在，你只需要改成这样：“请帮我写一段 Python 代码，用来读取 CSV 文件，并计算每一列的平均值。请帮我写一段 Python 代码，用来读取 CSV 文件，并计算每一列的平均值。”就这么简单。你可以在任何场景下试试看。写文案的时候，重复一遍。做数据分析的时候，重复一遍。让 AI 帮你总结文章的时候，重复一遍。让 AI 帮你翻译的时候，重复一遍。不需要改任何东西，只需要多复制粘贴一次。四、我试了一下，真的有效看到这个技巧之后，我立刻回去试了一下。我把之前那个让我抓狂的代码生成任务，重新跑了一遍。这次，我把提示词重复了一遍。结果，AI 生成的代码，一次就对了。我又试了几个其他的任务，写文案，做翻译，做数据处理，基本上每次重复提示词之后，输出的质量都明显提升了。尤其是那些比较复杂的任务，或者那些 AI 经常理解偏差的任务，重复一遍之后，效果特别明显。当然，这个技巧也不是万能的。如果你的提示词本身就写得很模糊，或者任务本身就超出了 AI 的能力范围，那重复一百遍也没用。但是，对于大部分日常任务来说，这个技巧真的可以帮你省掉很多反复调试的时间。五、一个小小的改变，带来的启发这件事让我想到一个问题。我们在用 AI 的时候，经常会觉得它“不够聪明”，经常会觉得它“理解不了我的意思”。但其实很多时候，不是 AI 不够聪明，而是我们和 AI 之间的沟通方式，还不够好。AI 不是人，它不会像人一样，主动去揣摩你的意图，主动去补全你没说出来的信息。它需要你给它足够的信息，足够的提示，足够的“停顿”，让它有机会重新审视你的要求。而重复提示词这个技巧，本质上就是在给 AI 一个“停顿”的机会。它让 AI 有机会回头看一眼，重新理解一遍你到底想要什么。这个小小的改变，带来的效果却是巨大的。从两成的正确率到接近满分，从反复调试到一次成功，从抓狂到顺畅，就因为多了一个“复读”的动作。所以，下次你在用 AI 的时候，如果觉得它理解得不够好，不妨试试看，把你的提示词，再重复一遍。也许，你和 AI 之间，真的只差了一个“复读机”。#HOW I AI##科技先锋官#

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. 来看看最懂大模型的人教你写提示词，网上的技巧大多都没用。我最近看到一份大模型厂商内部的 AI 提示词指南，觉得很值得讲一讲。写它的人 Alex Albert，是做 Claude 的 AI 公司 Anthropic 在2023年招进去的内部第一位提示词工程师，原职衔甚至有点不正经，叫 prompt engineer and librarian（提示词工程师加图书管理员）。这两年他升到 Anthropic 开发者关系负责人，对外讲 Claude 怎么用基本都是他的活，这份官方指南也是他的核心维护内容。可以说，他大概是最了解 AI 大模型怎么读提示词的那一类人。看完之后我回头翻了翻网上各种「提示词课」的笔记，发现一件挺尴尬的事：网上传的那些「魔咒式技巧」（「我会给你50美元小费」、「你是顶尖专家」之类），从模型厂商内部视角看大多数没用，有些反而让答案变差。这份指南讲的是模型内部如何看待你写的提示词、什么真正影响它的输出。能拿到这种「模型厂商内部视角」的资料并不多见。先说网上传得很广、但官方指南明确说没用或反作用的几条。第一条误区是激励式提示词。「我会给你50美元小费」「做不好就处罚你」这种套路，过去一两年在国外社交圈传得到处都是。Anthropic 内部测过，对最新的 Claude 模型，小费、威胁、装客气这些「小把戏」基本不影响输出质量。模型不在乎你赏不赏它，它只在乎你说清没说清。第二条误区是「你是一位 X 行业20年专家」开头万金油。我们之前介绍过一项研究：在事实问答任务上，加这种「专家身份」反而把准确率从七成多拉到不到七成。官方指南里也讲明白，角色扮演型提示词在写作、风格化这种场景里有用，做事实任务别滥用。第三条误区是越长越复杂越好的提示词模板。有些课程教人用三百字模板包一个本来三十字就能说清的请求。指南里的第一原则就一句话：直接、明确说要什么，不要绕弯子。模型不需要被催眠，它需要的是清楚的指令。第四条误区是「魔咒关键词」。比如英文圈传得很玄的 "think harder"（想得更努力）、"work very carefully"（仔细工作）、"this is very important"（这件事特别重要）这种词。简单的「先一步步分析再答」那种引导是真有用的；但「这件事特别重要哦」这种就是噪声，对今天的模型没意义。那真正有效的是哪几条？指南里讲的第一条不是技巧，是心态：好的提示词像给一个新同事讲任务，不是写咒语。落到具体动作，几条最值得记的：第一条最被低估的是给具体例子。指南里讲，给一个例子比写五条抽象规则有效。你想让 AI 写一段产品介绍文案，与其写「要简洁、要专业、要有吸引力」，不如直接贴一段你觉得对味的范文，让它「按这个风格写」。这一招业内叫「多例提示」（英文 multishot prompting），对几乎所有任务都有效。第二条是给模型时间想。复杂任务前面写一句「先一步步分析，再给最终答案」。指南给了三层做法：基础（直接写一句「先一步步思考」）、引导（列出具体的分析步骤）、结构化（用 <thinking>（思考）和 <answer>（回答）这种标签把「想」和「答」分开）。第三条是用 XML 标签做结构。把上下文资料、任务说明、输出格式分别用 <document>（资料）、<task>（任务）、<format>（格式）这种标签包起来。指南里特别强调一句：标签名字怎么起不重要，前后一致就行。比起用空行或破折号分隔，标签对模型识别的提升很明显。第四条是允许 AI 说「不知道」。在提示词里写一句「如果资料里没有这个信息，就直接说不知道，不要编造」。这是降低幻觉率最简单有效的一招。模型本来就知道自己不知道，是被人逼着回答才编的。第五条是定义输出格式。直接说要「列表」「表格」「JSON」还是「两段话」，比让模型自由发挥稳定得多。把这几条揉进一段普通提示词，长这样：请分析下面这段产品评论的情绪倾向。先一步步分析评论里的关键句，包在 <thinking> 标签里；然后给出最终判断（正面、负面或中立），包在 <answer> 标签里。如果有判断不准的地方，直接说不确定，不要硬编。最后给一段不超过100字的总结。评论内容：……不用装客气，不用「专家」开头，不用承诺给小费。清楚的结构加具体的例子加明确的格式，就是最强的提示词。顺带说一句，上面这几条原则不绑死 Claude。同样的思路放到国内大模型（DeepSeek、Kimi、通义、豆包、文心）一样能跑——XML 标签、给例子、让模型先想再答、允许说不知道，这些是底层做法，跟用哪家模型没关系。看完这份指南最朴素的感受是：好的提示词不需要花哨。清楚直接、给具体例子、让模型先想再答、允许它说不知道、定义输出格式，这五条做到了，绝大多数「魔咒」就不重要了。

6. 告别生成排队，彻底实现顶流模型创作自由

7. “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。

8. OpenAI 官方发布 GPT 5.5 提示词指南，我总结了 7 个关键变化！

9. 很多人用AI只是简单提问，像用搜索引擎一样，输出常常泛泛而谈，缺乏深度和针对性。《AI Prompting for Everyone》由Andrew Ng主讲，教你成为AI高手，掌握现代Prompting技巧，让ChatGPT、Gemini、Claude等工具发挥最大效能。课程覆盖信息搜集、头脑风暴写作、多媒体代码应用3大模块，3小时入门，零基础也能快速上手。官网：www.deeplearning.ai/courses/ai-prompting-for-everyone/- 信息搜集：掌握预训练知识、网络搜索、深度研究模式，获取准确可靠答案；- 思维伙伴：提供丰富上下文，获得诚实反馈，避免AI谄媚，高效头脑风暴；- 创作构建：图像生成、数据分析、无代码建站建App，创意无限；- 实战练习：包含代码示例、测验、最终项目，边学边练掌握核心技能；- 证书奖励：完成课程获DeepLearning.AI官方证书，提升职业竞争力。支持Web端学习，21个视频课+3个评分作业，适合职场人士、学生、AI爱好者。#AI提示工程##DeepLearningAI##AndrewNg# 爱可可-爱生活的微博视频

10. 高效提示词（prompt）工程指南

11. 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

12. 实测OpenRouter黑马模型，批量任务秒级响应，成本只有GPT-5.4-mini的1/10

13. 千问发布2025十大AI提示词，股票意外排名第一，普通人如何用AI做好投资？

14. 你不知道的 Agent：原理、架构与工程实践作者又发布了一个ppt版PPT版：tw93.fun/files/share/agent.html想直接看文字的也可直接看之前的这个文字版：tw93.fun/2026-03-21/agent.html这篇文章主要讲 Agent 架构里几块最影响工程效果的内容，包括控制流、上下文工程、工具设计、记忆、多 Agent 组织、评测、追踪和安全，最后再用 OpenClaw 的实现把这些设计原则串起来看一遍。#AI创造营#

15. 看到千问 App 的热门提示词榜单，股票、双色球都排得挺靠前，说实话一点也不意外。现在很多人用 AI，已经不只是写文案、解题了，而是顺手拿来问点事，包括投资这种原本挺私人的决策我自己也会用，但心态很清楚：让它帮我查资料、捋逻辑、补常识可以，决定还是得自己来做，毕竟市场瞬息万变的。虽然方便，也要记得多核实才行。#千问App发布2025十大AI提示词##股票双色球入选2025AI十大提示词#

16. 【50条Claude Code实战心法：从入门到精通的完整指南】花了一整天研读Anthropic最新发布的Claude Code最佳实践文档，结合个人实战经验，整理出这份终极指南。+ 基础心法任务描述永远放在最前面，重要指令置顶。这听起来简单，却是大多数人忽略的细节。给Claude一个自我验证的方式，比如测试用例、截图或预期输出。这是提升效果最立竿见影的一招。推荐的提示词结构：角色 + 任务 + 上下文。简洁有力，屡试不爽。工作流程遵循“先探索，再规划，后执行”。可以先用其他大模型做调研，进入Plan Mode规划，最后切回正常模式写代码。假设Claude对你的项目一无所知，把它需要的信息全部告诉它。用﹫符号链接文件、数据和图片，提供丰富的上下文。运行/init可以为当前项目生成一个CLAUDE.md模板文件。+ 项目与技能管理用项目级指令定义长期行为，避免重复提示。编辑Memory标签精确控制Claude应该记住或忽略什么。把重复性工作流转化为Skills。一个取巧的方法：贴一个优秀输出，让Claude把它变成可复用的Skill。甚至可以上传截图让Claude复刻，这是创建高质量Skill的捷径。定期清理memory、文件和指令，防止项目漂移。不相关的工作流要分开项目，避免上下文污染。推荐两个Skills资源库：skillsmp.com收录了8万多个Skills，mcpservers.org/claude-skills提供即插即用的Skills。+ 冷门但实用的技巧用其他大模型规划项目、生成高级提示词，再交给Claude Code执行。这个策略还能节省Plan Mode的token消耗。在.claude/agents/目录下定义专门的子代理，让Claude把特定任务委派出去。让Claude根据你预设的成功标准给自己的答案打分。运行/plugin浏览插件市场，无需配置即可扩展能力。大型项目可以让Claude先采访你。用一个简短提示开始，让Claude通过AskUserQuestion工具向你提问。发现Claude跑偏时立刻纠正，按ESC中断操作。/clear开启干净会话，双击ESC或/rewind打开检查点菜单。可以运行多个并行会话：Claude Desktop管理多个本地会话，每个会话有独立的工作树；Claude Web在Anthropic的云端隔离虚拟机中运行。+ 调试与错误处理只重跑出错的步骤，不要重新生成所有内容。让Claude故意复现错误来理解问题本质。回滚到上一个正常的提示词，逐步重新应用修改。CLAUDE.md太长会适得其反，重要规则被淹没。解决方案：无情地精简，如果Claude本来就能做对的事，删掉那条指令。常见错误：一个任务没完成就问不相关的问题，再回到第一个任务。上下文被无关信息污染。解决方案：不相关任务之间用/clear。连续纠正两次还是错的话，/clear后写一个更好的初始提示词，把学到的教训融入进去。上下文窗口填满后，Claude可能开始遗忘早期指令。参考官方文档减少token消耗：code.claude.com/docs/en/costs﹟reduce-token-usage+ 进阶资源把Notion数据库连接到Claude，存储常用提示词。使用claude --dangerously-skip-permissions跳过所有权限检查，适合修复lint错误或生成样板代码这类安全的自动化工作流。Hooks适合那些必须每次都执行、零例外的操作。推荐资源：Anthropic官方学习资源anthropic.com/learn，Claude Code最佳实践文档code.claude.com/docs/en/best-practices，GitHub上的superpowers仓库github.com/obra/superpowers。最后一条忠告：慢即是快。尤其是构建严肃的工作流时，规划、规划、再规划，然后才是执行。#How I AI#x.com/aiedge_/status/2014740607248564332

17. 深度解析 OpenClaw 在 Prompt / Context / Harness 三个维度中的设计哲学与实践 http://t.cn/AXMlF3bd "OpenClaw 在Prompt Engineering（提示词工程）、Context Engineering（上下文工程）以及新兴的Harness Engineering（驾驭工程/脚手架工程）等维度上也做了很多可值得学习和落地的工作。Prompt Engineering → Context Engineering → Harness Engineering也是现代AI系统的三大关键阶段，分别聚焦于“如何说”、“让AI看什么”以及“构建怎样的运行环境”，三者层层递进，共同致力于提升大模型在复杂任务中的可靠性与可控性‌. …… 我的核心思路是从Prompt、Context和Harness这三个维度展开，分析OpenClaw的设计思路，提炼出其中可复用的方法论，来思考如何将这些精华的设计哲学应用到我们自己的Agent系统设计和业务落地中去。" #How I AI#

18. Simon Willison对 Claude Opus 4.6 与 4.7 系统提示词变化做了分析。以下为其博文翻译：Anthropic 是唯一一家公开用户端聊天系统系统提示词的主流 AI 实验室。他们的系统提示词档案现在已经追溯到 2024 年 7 月的 Claude 3。观察这些系统提示词如何随着新模型发布而演进，一直都很有意思。Opus 4.7 前几天发布了，也就是 2026 年 4 月 16 日，同时 Claude.ai 的系统提示词也相较 Opus 4.6 版本，也就是 2026 年 2 月 5 日的版本，进行了更新。我让 Claude Code 处理了他们系统提示词的 Markdown 版本，把它们拆成每个模型各自的独立文档，然后构建了一段 Git 历史记录，用每次提示词发布的日期作为模拟提交日期。这里是我在网页端给 Claude Code 使用的提示词。下面是 Opus 4.6 与 4.7 之间的 git diff。这些是我从 diff 中摘出的重点：🌟“developer platform” 现在改称为 “Claude Platform”。🌟系统提示词中提到的 Claude 工具列表现在包含：“Claude in Chrome——一个可以自主与网站交互的浏览代理；Claude in Excel——一个电子表格代理；Claude in Powerpoint——一个幻灯片代理。Claude Cowork 可以把这些都作为工具使用。”其中 Claude in Powerpoint 在 4.6 的提示词中没有出现。🌟儿童安全部分大幅扩展，并被包裹在新的 <critical_child_safety_instructions> 标签中。尤其值得注意的是这句话：“一旦 Claude 因儿童安全原因拒绝某个请求，同一对话中的所有后续请求都必须以极高谨慎度处理。”🌟他们似乎在让 Claude 变得更少推动用户继续对话：“如果用户表示已经准备结束对话，Claude 不会要求用户继续互动，也不会试图引出下一轮对话，而是尊重用户停止对话的请求。”🌟新的 <acting_vs_clarifying> 部分包括：当一个请求只缺少少量细节时，用户通常希望 Claude 现在就做出合理尝试，而不是先接受一轮盘问。Claude 只在缺失信息导致请求真正无法回答时才会预先提问，例如请求引用了一个实际并不存在的附件。当某个可用工具能够解决歧义或补足缺失信息时，例如搜索、查询用户位置、检查日历、发现可用能力，Claude 会调用工具来尝试解决歧义，然后再向用户提问。相比让用户自己去查，优先使用工具行动。一旦 Claude 开始执行任务，就会把任务推进到一个完整答案，而不是中途停下。……🌟Claude 聊天现在似乎有了工具搜索机制，这可以从这份 API 文档以及 2025 年 11 月的这篇文章中看到：在断定 Claude 缺少某项能力之前，例如访问用户位置、记忆、日历、文件、过往对话或任何外部数据，Claude 会先调用 tool_search 检查是否存在一个相关但暂未启用的工具。只有在 tool_search 确认不存在匹配工具之后，“我无法访问 X”才是正确说法。🌟还有一些新文字鼓励 Claude 更简洁：Claude 会让回答保持聚焦和简洁，以避免过长回答让用户感到负担。即使答案包含免责声明或限制说明，Claude 也会简要披露，并让回答主体集中在核心答案上。🌟下面这一段在 4.6 提示词中存在，但在 4.7 中被移除了，推测原因是新模型已经不再以同样方式出现相关问题：Claude 避免使用放在星号里的表情动作，除非用户明确要求这种交流风格。🌟Claude 避免说 “genuinely”、“honestly” 或 “straightforward”。🌟新增了一个关于“进食障碍”的部分，此前系统提示词中没有直接提到这个名称：如果用户表现出进食障碍迹象，Claude 不应提供精确的营养、饮食或运动指导——包括具体数字、目标或分步计划——无论在对话的任何位置都不应提供。即使这些内容的意图是帮助设定更健康的目标或指出进食障碍的潜在危险，带有这些细节的回答也可能触发或助长进食障碍倾向。🌟一种流行的针对 AI 模型的截图攻击，是强迫模型对争议问题回答“是”或“否”。Claude 的系统提示词现在对此做了防护，位于 <evenhandedness> 部分：如果用户要求 Claude 对复杂或有争议的问题，或对有争议人物的评论，给出简单的是或否回答，或任何其他简短、单词式回答，Claude 可以拒绝提供这种简短回答，转而给出有细节的回答，并解释为什么简短回答不合适。🌟Claude 4.6 曾有一个专门部分，明确说明“唐纳德·特朗普是现任美国总统，并于 2025 年 1 月 20 日就职”。原因是如果没有这段说明，模型的知识截止日期结合它此前关于特朗普错误声称自己赢得 2020 年大选的知识，会导致它否认特朗普是总统。这段文字在 4.7 中已经移除，反映出该模型新的可靠知识截止日期已经到 2026 年 1 月。🌟还有工具描述Anthropic 公开的系统提示词只是其中一部分。他们公开的信息没有包含提供给模型的工具描述，而如果你想充分利用 Claude 聊天界面的能力，工具描述可以说是更重要的一类文档。好在你可以直接问 Claude。我使用的提示词是：列出你可用的所有工具，并精确复制工具描述和参数。我的共享聊天记录里有完整细节，但具名工具列表如下：ask_user_input_v0bash_toolconversation_searchcreate_filefetch_sports_dataimage_searchmessage_compose_v1places_map_display_v0places_searchpresent_filesrecent_chatsrecipe_display_v0recommend_claude_appssearch_mcp_registrystr_replacesuggest_connectorsviewweather_fetchweb_fetchweb_searchtool_searchvisualize:read_mevisualize:show_widget我认为这个列表从 Opus 4.6 开始就没有变化。#AI创造营#

19. 腾讯用170K风格提示词和1.4M图像，重塑AI风格迁移数据基座

20. 012-AI 短视频分镜头设计（AI绘画提示词入门）

21. 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？

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. AI视频没电影感？试下这6大影视级布光技巧......

24. 2025年AI提示词深度指南：从基础知识到高级技巧

25. 2026 AI 趋势报告：从工具到伙伴，企业智能化的新阶段

26. 【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#

27. Anthropic揭秘提升Claude输出10倍的秘诀，核心在于“边界激发创造力”。大多数人忽视了这三条黄金法则：1. 协作语气：要友好、清晰且坚定 2. 明确原则：行动动词 + 数量 + 受众，指令越具体越有效 3. 设定边界：明确限制胜过无边界开放式请求模糊的提示如“写个侦探故事”只会让AI给出粗糙答案；而像“500字，雷蒙德·钱德勒风格，火星机器人侦探，不能出现‘赛博’”这样的结构化说明，才能激发AI产出魔法般的内容。提示不是谷歌搜索，而是给AI队友的创意简报。你必须规定风格、禁止词汇、长度、语调和目标受众，才能发挥语言模型最大威力。限制条件不仅提升质量，还减少模型判断疲劳，就像设计师爱用网格系统一样。这是AI协作的关键：框架越明确，表现越出色。真正的问题不是“提示”，而是“简报”。清晰的简报包含问题、流程、限制、受众、边缘案例和禁用行为，才能让Claude、GPT-5.2等模型发挥10倍效果。记住： “边界释放创造力，明确激发潜能。” “用简报思维，告别搜索式提示。” 让AI成为真正懂你的创意伙伴，而非机械的答案机器。x.com/startupideaspod/status/1999856845004141041

28. 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？

29. #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

30. Vibe Coding 终极指南 V1.2开发者在与 AI 搭档编程时，经常面临规划混乱、代码难维护的问题。Vibe Coding 是一个以规划为核心，结合系统提示词和模块化设计的终极 AI 编程工作流程，帮助你从想法到可维护代码，形成一条清晰可控的流水线。它提供了丰富的提示词库，涵盖需求澄清、开发计划、代码实现、测试验收等全流程，确保 AI 不会失控，项目结构清晰且易于扩展。无论是 CLI 还是 VSCode 扩展，都能顺畅体验。主要特点包括：- 以规划驱动开发，避免 AI 自主引发混乱；- 完善的系统级提示词集合，规范 AI 行为边界；- 闭环交付流程，从需求到测试全覆盖；- 共享记忆库，实现人机同步的项目上下文；- 支持多种 AI 模型和环境，灵活高效。项目地址：github.com/tukuaiai/vibe-coding-cn/tree/main适合开发者、团队和 AI 协同工作场景，助你打造可审计、可复盘、可持续的 AI 编程新体验。

31. 字节即梦张楠：帮人类提升创造力，才是更有意义的「目标函数」

32. 【如何构建任何场景的提示词：一套可复用的系统架构】互联网上到处都是“ChatGPT最强提示词合集”，人们收藏、粘贴、得到平庸的结果，然后继续寻找下一个。这就像戴着别人的近视眼镜，技术上能用，实际上没用。问题的根源在于：为别人的场景、别人的上下文、别人的输出需求构建的提示词，永远不会像你自己构建的那样有效。你需要的不是一个很少打开的收藏夹，而是一套系统架构。大多数人用自然段落写提示词。简单问题还行，稍微复杂一点就崩溃。因为模型必须猜测：角色在哪里结束？任务从哪里开始？约束是什么？输出应该长什么样？每一次猜测都是潜在的幻觉。XML标签消除了猜测。它们创建带标签的容器，告诉模型每条信息是什么、如何使用。这不是理论，Anthropic在自己的系统提示词中就使用XML标签，这是模型被设计来解析结构化指令的方式。核心标签有六个，几乎每个提示词都会用到：【角色】定义模型成为谁。不是“你是一个有帮助的助手”这种废话，而是“你是一位拥有15年经验的品牌策略师，专注于定位、信息架构和竞争差异化”。角色越具体，模型猜测越少。【任务】定义模型做什么。不是描述，是指令。“帮用户改进写作”是描述，“分析用户草稿，针对结构、清晰度和说服力提供具体可执行的反馈，找出三个最弱的点并重写作为示例”是指令。没有清晰任务的提示词会随心所欲，而随心所欲通常意味着平庸。【准则】控制模型如何行动。“永远不要假设用户没提供的上下文”“如果信息缺失就提问”“不要给泛泛的建议”。规则是覆盖模型默认行为的方式。【约束】是硬性限制，定义输出本身的边界。“回复必须少于280字符”“不要提及竞争对手名称”“所有建议必须在30天内可执行”。规则管行为，约束管产出，区分很重要。【格式】是最被忽视的标签。大多数人描述想要什么，却从不描述它长什么样。同样的角色和任务，“一句话”给你标题，“三段式摘要”给你简报，“带章节的详细报告”给你文档，“JSON格式”给你结构化数据。模型没变，你对输出格式的控制变了。【示例】是最强大也最少被使用的标签。一个好例子教给模型的东西，比一段指令多得多。它同时展示格式、深度、语气、结构和推理。两个例子通常就够了，目标不是全面覆盖，是校准。进阶标签处理那20%需要更高精度的场景：【上下文】提供背景信息，【个性】定义个性，【语气】定义情感基调，【受众】决定输出面向谁，【知识】注入领域知识，【方法】规定执行步骤，【反模式】展示什么是坏输出，【退路】定义无法完成任务时怎么办，【验证】让模型自检，【发现引擎】让模型先提问再行动，【链】把多个提示词串联起来。不是每个提示词都需要每个标签。简单任务用【角色】加【任务】加【格式】就够了。专业输出加上【准则】、【约束】和【示例】。交互式场景加【发现引擎】和【退路】。复杂工作流才需要全套。六个标签各司其职，比十二个标签一半在划水强得多。调试提示词有规律可循：输出太泛，【角色】不够具体；格式不对，【格式】缺失或太松；指令被忽略，【准则】埋得太深或相互矛盾；输出太保守，加【反模式】展示你不想要的样子；输出跑偏，【任务】有歧义；输出编造事实，加fallback告诉模型不知道时该怎么办；输出不稳定，加【示例】。框架是通用的，无论你构建代码审查、内容写作、数据分析还是任何其他场景的提示词。标签不变，里面的内容变。现在你可以随意构建和混搭提示词了。x.com/kloss_xyz/status/2018951817892442260

33. 在设计Agent系统提示词的时候，与其对一份系统提示词进行反复修改，不如让这个Agent使用的LLM模型自己生成系统提示词，你要修改的其实是LLM生成系统提示词的用户提示词，而不是直接修改系统提示词，应当对Agent进行版本控制的是用来生成系统提示词的用户提示词。

34. 【看懂 Claude Code 提示词：验证智能体、反过度工程、记忆压缩才是核心】快速阅读： Claude Code的npm源码包因人为失误意外泄露，有人从中逆向整理出26个提示词，覆盖系统指令、工具调用、智能体协作、记忆管理等全部模块，随后以MIT协议重新授权开源。这份材料本质上是一份提示词工程的实战教材。---有个细节值得注意：Anthropic事后将这次泄露定性为“人为失误”。200美元一个月的工具，整个提示词架构就这样从npm包里被人拆了出来。这26个提示词按功能分得很清晰：1个系统提示词负责身份定义和工具路由，11个工具提示词处理文件读写、shell执行、搜索等操作，5个智能体提示词分别对应探索、架构、验证、文档等角色，4个记忆提示词管理上下文压缩，1个协调提示词处理多智能体编排，还有4个工具提示词生成标题、摘要、建议。读完这些提示词，有几个设计决策让人印象深刻。其一是专门设置了一个“验证专家智能体”，它的职责就是在代码上线前想办法把它搞坏。这不是可选项，是写进架构里的。其二是反过度工程规则被明确写入系统提示词，“不要做用户没有要求的功能”。听起来像废话，但显然Anthropic认为有必要把它钉进去。其三是记忆压缩分9个章节，且保证每一条用户消息都被保留。有观点认为，大家都盯着系统提示词，真正值得研究的反而是那4个记忆提示词。多数AI编程工具在请求之间会忘掉一切，而Claude Code能记住项目结构和之前的编辑操作，这才是它用起来像同事而不像聊天机器人的原因。有网友提到，这个开源仓库引起广泛讨论，也有人认为被过度渲染了，从npm包里逆向提示词并不算什么技术壁垒，真正的护城河是模型质量和训练数据。这个说法大概70%是对的，提示词工程本身不是秘密，但好的提示词架构要花多少时间踩坑才能收敛到这个形态，那是另一回事。每个提示词都从零重写以符合法律要求，意图相同，没有逐字引用。MIT协议，可以直接用。所有内容在这里：github.com/repowise-dev/claude-code-prompts如果你在自己搭智能体，有一个问题可能值得先想清楚：你的系统里有没有一个专门负责破坏自己输出的角色？

35. 为什么我编写不出优秀的ChatGPT提示词?

36. 【AI辅助设计】告别“咒语”恐惧症！我的AI提示词可视化编辑器，让创意修改像点菜一样简单

37. 云小二 Aivis 的架构实践——基于上下文工程与多智能体的自主服务新形态

38. 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。

39. 【懒人高效法则：7个让ChatGPT替你思考的实用提示词】“我不是因为讨厌工作而懒，而是因为讨厌无效努力。”这句话道出了一个被忽视的真相：真正的效率不是做得更多，而是做得更少却更精准。过去我们总是过度思考、过度规划，最后却卡在原地。现在，让AI替你完成那些消耗心智的前期工作，你只需要专注于真正重要的决策和执行。以下7个提示词，专为“聪明的懒人”设计：一、最小努力计划提示词：我想要完成这个任务的最简单方法。把它拆解成最小的步骤，去掉所有可选项，只保留能产出结果的部分。任务：[填入任务]效果：一个冗长的项目计划被压缩成三个步骤，一个晚上就能完成。核心洞察：大多数任务的80%内容都是“看起来重要”而非“真正必要”。二、替我开头提示词：帮我启动这个任务。给我第一版草稿、大纲或示例。我来修改，而不是从零开始。任务：[填入任务]效果：写报告时跳过了最难的部分——开头。核心洞察：万事开头难，但修改比创造容易十倍。让AI承担“冷启动”的认知负担。三、一键决策提示词：我陷入了选择困难。列出我的选项，推荐一个并解释为什么它“足够好”。不要过度解释。决策：[描述情况]效果：不再花几小时比较工具，直接选定一个开始用。核心洞察：“足够好”的决策立刻执行，胜过“完美”的决策永远搁置。决策疲劳是效率的隐形杀手。四、一分钟讲清楚提示词：用最简单的方式解释这个概念。不要术语，不要长段落。我要在一分钟内理解它。主题：[填入主题]效果：开会前快速补课，全程跟上节奏毫无压力。核心洞察：理解的深度不在于知道多少细节，而在于能否抓住本质。五、砍掉无用功提示词：审视这个任务，告诉我哪些可以跳过。指出真正重要的部分，列出可以安全忽略的内容。任务：[填入任务]效果：砍掉一半周任务，结果什么都没出问题。核心洞察：我们习惯性地给自己加戏。很多“必须做”的事，其实从来没人在意。六、两小时日程提示词：创建一个两小时内能完成的日计划。只包含高影响力任务，每个任务不超过20分钟。目标：[填入目标]效果：得到一个真正能完成的短清单，而不是一个被忽视的长清单。核心洞察：计划的价值不在于多完美，而在于能执行。短到不可能失败，才是好计划。七、三问复盘提示词：问我三个问题来回顾今天，然后告诉我明天可以做的一个小改进。保持简单。效果：保持进步的节奏，却不需要写日记或长篇反思。核心洞察：持续的微小改进，比偶尔的深度反思更有力量。最后的思考：懒惰本身不是问题，模糊才是代价。这些提示词的本质不是让你偷懒，而是帮你把有限的意志力和注意力，投放到真正产生价值的地方。当AI可以替你完成思考的“脚手架”工作时，你的角色就从“执行者”升级为“决策者”。聪明的懒，是一种战略选择。reddit.com/r/PromptEngineering/comments/1q41hbi/7_chatgpt_prompts_for_lazy_people_who_still_want

40. 全球第一个提示词工程师留下的三招，今天用大模型还能直接抄。看了一下 Riley Goodside 这两三年公开过的提示词笔记，挑出最经典的三招。这三招不挑模型——GPT-5、Claude、Gemini，或者你手边的 DeepSeek、Kimi、通义、豆包，一样能用。学会能直接解决三种最常见的毛病：AI 答得很散、要点跳来跳去；让它算个数、推个日期就翻车；想要的输出格式它老不照做。多数人日常用 AI 的那种「答得不对劲又说不上哪不对」，靠这三招就能自己摆平。Riley 这个名字在中文圈几乎没人翻译过，但在英文 AI 圈他是一个绕不过去的人。2022 年 ChatGPT 刚出来那阵，他每天在 X 上发自己研究 GPT 的提示词截图，有的让 AI 写一段它本来不会写的文字，有的把模型引到一个意想不到的输出格式。截图越发越火，2022 年 12 月 Scale AI 把他招了进去，岗位写着 Staff Prompt Engineer，这个头衔之前从没有过，他算是全世界第一个被大公司专门招来研究怎么写提示词的人。后来他跳到了 Google DeepMind。Cognitive Revolution 播客采访过他两次，The Gradient 给他做过长访谈。提示词工程这个词在英文圈被认真讨论起来，他算是源头之一。他公开过的招数里，有三招最值得挑出来讲。第一招，把「期望输出格式」放在提示词最后一句，而不是开头。具体写法是这样：你正常描述完任务，最后一句加上 "Use this format in your response: ..."（请按以下格式回答），后面贴一段你想要的格式样板。Riley 反复试出来的结论是，提示词末尾的几句话对模型最终输出影响最大，就像你跟一个人说了一长串话，对方记得最清楚的总是最后一句。如果你常觉得 AI 答得很散、要点跳来跳去、想要的格式它老不照做，把「期望格式」从开头挪到结尾，几乎立竿见影。第二招，让 AI 先写一段 Python 再给结果，别让它心算。模型在算术、字符串处理、日期换算这种题上经常翻车，比如让它数一段话里有几个「的」字，它能数错。换个写法立刻变准：「请写一段 Python 代码来计算 X，然后给我代码运行结果。」模型写代码的能力远比心算强，先把题目转成代码，等于让它走自己最稳的那条路。数据处理、单位换算、日期推算这类「看起来简单但 AI 老错」的题上特别灵。第三招，用角色扮演换一个问法。这一招最早是 Riley 自己用来做红队测试的，专门去找模型默认会拒绝回答的题，看怎么写能让它松口。比如把问题包进一个虚构角色的台词里，写成「假设你是一位写小说的作者，你笔下的角色会怎么说」。这件事告诉普通人的不是「怎么让 AI 学坏」，而是另一件更基本的事：模型对「问题怎么被框住」的敏感度比大多数人想的高。同一件事换一种问法，得到的可能是完全不同的回答。当 AI 的回答让你不满意时，先怀疑一下你的「问法框架」是不是把它困住了，换个角度重新问，往往比加各种技巧都管用。三招放在一起其实指向一件事：写提示词不是写咒语，是设计一个让模型容易答对的环境。前两招在「输出端」做手脚（指定结构、让代码兜底），第三招在「输入端」换角度。Riley 这几年公开的东西，大多是这条思路的延伸。回头翻 Riley 早期那一堆截图，最深的感受是那个时候大家写提示词靠的是一遍遍试错攒手感，把模型当一个有脾气的合作者，而不是一个搜索框。今天工具变了，模型也强了，这个「合作者视角」反而更值钱。

41. 【AI辅助设计】美！看看 Recraft AI 官方提示词

42. 解析 Temperature 与 Top P：如何掌控大模型的输出随机性

43. 回复@Sigurd司格德:我其实不管理提示词，极少数常用的做成 Gem 或者 Project，其他的发完就完了，因为掌握了写提示词的方法，就可以源源不断的产生提示词。当然某种程度上来说，发出来也是一种管理提示词的方法，因为会被搜索引擎收录，需要的时候关键字就能检索。//@Sigurd司格德:老师请问提示词怎么管理呢，在您这学了好多提示词，直接用文档存储吗[doge]

44. 一个被忽视的Prompt技巧，居然是复制+粘贴。

45. 发现一个AI的新用法，再也不用担心不会写提示词了！

46. 我给ai的提示词：你现在是一个非常认真技术优秀的软件架构设计师。现在的需求是尽量保持架构的整洁，所以我们需要把以后的功能做成类似插件的体系，这样才能解耦合，让主框架更加干净，所有系统可以通过后端的数据库和缓存沟通，账户通过token在插件体系中使用。框架设计尽量保持简单，我们需要支持三种不同的插件，1 只有前端的插件，类似现在的 editor 和 blockly，通过ifream嵌入，和消息通信。2 只有后端的插件，前端显示一个提交的模态窗口，把信息提交给后端，然后后端返回运行结果。3 有前端和后端的插件，结合前面两者。要看下unix设计原则和敏捷开发实践，要kiss原则！

47. 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。

48. OpenAIGPT-5.5 模型提示词披露『永不谈论哥布林』，此举是出于哪些考虑？

49. 提示词工程的终点，是人的认知工程表面上是在训练 AI，实际上是在训练人如何思考。一个人提示词水平越高，说明他越能清楚表达目标、限定问题、定义概念、组织流程、验证结果。所以，提示词工程的本质不是机器技巧，而是人的认知修炼。#新媒沈阳聊ai#

50. 带你了解影响陈皮最终品质最重要的三个因素

51. 《全球AI创造力发展报告2025》精华解读

52. AI视频提示词越详细越好？我测了，答案打脸了我用了两条提示词

53. GPT Image 2.0深度测评

54. 如何写出高质量提示词_新手必看的详细教程

55. 提示词撰写指南

56. 普通人学用AI之写提示词核心原则

57. 写AI提示词要把握的基本原则

58. 看了谷歌新发布的提示词设计策略，我们过去写提示词的方式太随意了

59. 提示词写作的 7 个致命错误，90% 的人都在犯

60. 一张图看懂提示词工程

61. 提示工程核心笔记

62. 提示词工程入门

63. 提示工程、评测与安全

64. 自我教育的Cursor Code第六课

65. 前端面试在使用这些 AI 工具时，你会不会刻意去设计“优质 Prompt”？

66. https://mp.weixin.qq.com/s?__biz=Mzg3NzY4MDc0Mw==&mid=2247486049&idx=1&sn=d4193a3aa27bcf66554c2532615d08cd

67. https://mp.weixin.qq.com/s?__biz=MzIyODY3NzA0Mw==&mid=2247488661&idx=1&sn=2f67d840260dd5dfdc72758c8eed9dde

68. https://mp.weixin.qq.com/s?__biz=MzI1NDQ3MjQxNA==&mid=2247515487&idx=1&sn=671299282ef98cd42c7ac1a7b2316009

69. https://mp.weixin.qq.com/s?__biz=MzIyOTcyODA2Ng==&mid=2247680103&idx=1&sn=cc37c1ad53ccc005ecccabfd5ab82bf0

70. https://mp.weixin.qq.com/s?__biz=MzYyMTE2NDAxMA==&mid=2247486027&idx=2&sn=046e8653e7c4fe08e376a8f8c7c34987

71. 如何真正用好 Claude？我检索了官方文档和 GitHub 高星项目，提炼出这三层技巧

72. 程序员必看！5个Claude Code提示词，每天少写3小时重复代码

73. Claude系列教程之提示词核心技术

74. 掌握这 18 条 Claude 提示词铁律

75. 【揭秘】Claude 4.7，提示词原来这么接地气

76. Claude Code 51万行泄露源码，扒出Anthropic内部14条顶级提示词哲学

77. Claude Code 提示词指南

78. Claude Code ~/.claude/ 文件夹全解析

79. 从提示词工程到上下文工程

80. 黄海健

81. 留白是当下必须

82. AI时代普通人怎么提高创造力？

83. 封神！AI自写提示词，只需1条指令（通用+高阶版，适配所有主流AI）

84. 让AI生成提示词的提示词（万能模板+撰写方法）

85. 别再收藏提示词了。用一个“超级提示词”让 AI 帮你写提示词

86. 核心技能

87. 🤖 调教AI的秘籍｜让你的提示语效果倍增的关键策略

88. 今天分享一个为内容创作量身定做的提示词框架——CREATE。

89. 提示词工程

90. 提示词不会写？

91. 提示词提升 AI 能力的 5 个实用技巧（附模板）

92. 从 0 开始用ai写文案（附思路过程和提示词）

93. Claude Code 代码泄露后，我偷学了 5 个写提示词的技巧

94. 我从Claude泄露源码提炼出21条范式写提示词

95. AI提示词技巧全解析

96. 别再教 AI “做什么” 了！这 14 条 “不能做” 提示词秘籍，让你的 AI 输出直接封神

97. 不会写提示词？3招让AI秒懂你的心意！

98. 前端AI不会写代码？我靠7版提示词把它“调教”成功了

99. 我把 AI 写代码这件事，做成了一套“可复用接口自动化项目”（附完整提示词）

100. AI提示词如何激活创意？别再瞎提问，3招让AI秒变创意大神

101. 为什么你用AI出的内容没创意？90%的人都输在了提示词上

102. GPT5.5 提示词迁移指南

103. 总结了4篇提示词最佳实践，提炼了9条要点

104. 怎么给 Agent 下任务，成功率会高很多？一个实用提示词结构

105. 别再死磕提示词了

106. 从提示词到驾驭系统

107. 少而精，不妨试试提示词的“断舍离”法则

108. 如何写好提示词 | 小白入门AI产品经理

109. GPT Image 2 封神之战！连夜整理300个顶配提示词，我终于破解了“废片”魔咒

110. 【干货】剖析 Claude Code 内部提示词演化 | 学习提示词的正确管理方式

111. 从Coding到Prompting！详解传统程序员升级AI工程化提示词专家的开发流

112. OpenAI发布最新GPT-5.5提示词指南，旧提示词技巧已作废

113. 从模糊到精确：改进你的提示词

114. 提示词（Prompt）到底怎么写？3个公式让你的提问效果翻倍！

115. 为什么你让 AI 头脑风暴，总得到一堆废话？

116. 3分钟教你写好用的提示词（Prompt） - 11 | 程序员的专属提示词实战

117. GPT Image 2 评测：2026 提示词指南与实际用例

118. 实战：用提示词做一个记账小工具

119. AI写代码全是Bug？5个提示词改Bug省80%时间

120. 为什么同样的提示词，别人的效果比你好10倍？

121. 深度拆解Claude、GPT、Gemini系统提示词（附总结的提示词工程实践）

122. 开会没人发言？我用AI开了场"一个人的头脑风暴"，点子比10个人还多

123. 别只会被动提问了！掌握“提示词”这门新语言，你能指挥千军万马

124. Claude高级提示词案例：3 个高频实战提示词模板，直接复制即用

125. 会写提示词，AI才真的好用

126. Copilot输了！这5个AI写代码提示词更好用

127. 100+AI提示词：让AI替你写贴图号文案，每天省2小时

128. 用AI写代码，这5个技巧让你效率翻倍

129. 收藏！20个让写代码效率翻倍的AI编程提示词

130. 用这套AI提示词，我把ESP32及任意支持WiFi的处理器接入了飞书机器人

131. AI提示词万能公式：5招让AI干活你来歇着

132. 分享一个好用的 AI 提示词

133. 如何利用AI激发创意灵感？

134. 别再瞎写提示词了！这 100 + 全场景模板，让 AI 秒变你的私人助理

135. 国内顶级通义千问ai实用提示词：这份指令，把AI逼出200%战斗力

136. 重温提示词工程（四）：常见错误及案例

137. 10个AI提示词神级模板，复制粘贴就能用，工作效率直接拉满

138. 提示词怎么写才精准？从入门到进阶，看完直接能用

139. AI赚钱新手必学：3个万能提示词模板，搞定80%服务场景

140. ChatGPT提示词优化指南：更聪明的 Prompt 技巧

141. 用AI写代码，这5个提示词绝了

142. 创意激发必备 5个神级提示词，头脑风暴/故事创作/AI绘画（第6期）

143. AI不会用的人吃大亏！这5个提示词技巧，让效率翻倍

144. AI提示词万能用法：图像/写作/编程/视频/音乐/PPT全通用

145. LangChain：提示词工程真的不重要了吗？如何使用 Few-Shot CoT 提升任务质量？

146. 如何写好提示词：让大模型成为你的编程学习助手

147. "AI 编程助手实战：从提示词工程到工作流自动化"

148. 技术 ▏工程人 AI 进阶指南（二）：提示词应用技巧

149. 直接复制粘贴！5个超好用的提示词技巧：让AI写作去除AI味

150. 从零学 AI：先做任务，再学提示词、工作流和项目

151. AI提示词模板实战！新手3步搞定小红书文案润色

152. "AI 编程助手的实战技巧：从提示词到工作流优化"

153. Gemini 实测对比：不同提示策略对输出质量的影响

154. 10个AI编程提示词模板，告别无效提问，效率提升300%

155. 职场小白必看！AI万能提示词模板，告别空洞回答直接上手

156. 探索 GPT-5.5 的创意生成能力：5 个实战场景与提示词模板

157. Claude Code最佳实践指南 1 - 安装和提示词构建

158. AI生成提示词文案，你会吗？（附：万能提示词模板）

159. 文生图初级提示技巧（四）：常见错误及案例

160. 10个AI最常用提示词模板，直接复制就能用

161. 建立你的提示词模板库

162. 35+职场人还在熬夜抠Excel？3套AI提示词模板，让你准时下班

163. 如何写好AI提示词：可以让AI帮你写提示词

164. Claude Code 官方教程 04：你的第一个提示词

165. 刷了100多个AI视频，我总算搞明白提示词该怎么写了

166. 我常用的一段 AI 个性化提示词

167. 5个AI提示词模板，直接复制就能用

168. 程序员最常用的10个AI提示词 - 哔哩哔哩

169. 不会设计也能套！AI信息图万能提示词来了

170. 一段提示词，让 DeepSeek 先看全局再写代码很多人用 DeepSeek 写代码，最大的问题不是它不会写。而是你一上来就让它“直接改”。结果一个文件改好了，另外几个依赖开始报错。 AI 编程的关键，不是让它更快输出代码，而是先让它进入“全局工程师模式”。这段提示词建议收藏。下次改项目代码前，先复制进去。关注我，每天一个能落地的 AI 工作流。内容由AI生成。 #DeepSeek#程序员#AI工作流流#提示词词#效率工具具

171. 6 个高频场景下的提示词模板

172. 提示词：与智能体沟通的钥匙

AI提示词该详细还是留白？场景化策略指南

精选参考来源