提示词写得好，真能当饭吃吗？_办公软件

1. 【电影感人像提示词公式】GPT-Image-2提示词合集-2

2. Harness Engineering 到底是什么？你可能已经会写 prompt 了，但最近火的 Harness Engineering 是什么？先搞清一个区别：- Prompt Engineering = 教你怎么说话让 AI 听懂- Harness Engineering = 造一套系统让任何人都能驾驭 AIPrompt 是手艺活，效果取决于写的人的水平。Harness 是工程活，目标是不管谁来用，结果都稳定可靠。- 打个比方：Prompt 像苦练骑术，Harness 像发明马鞍+缰绳+马镫——装备好了，骑术一般的人也能跑得稳。那它具体包括什么呢：- AI 模型本身就像一匹野马，很强但不可控。Harness Engineering 就是给它套上"马鞍"，具体包括：1. 提示词模板：标准化的思考框架，不用每次现写2. 工具调用：让模型能查天气、搜网页、读文件3. 结构化输出：回答不是一堆文字，而是程序能解析的 JSON4. 容错重试：模型抽风了自动重试，不用人盯着5. 检索增强（RAG）：让模型能查你的私有数据6. 护栏机制：防止模型说出不该说的话核心思路：- 不要试图让模型更聪明，而是让系统更聪明地使用模型。以前大家卷的是模型大小、跑分高低。现在大家发现模型够用了，真正决定产品好坏的是套在外面那层"马鞍"。Prompt Engineering 只是 Harness 里最小的一个零件。真正的竞争在于整套系统的工程能力。#Harness##Prompt Engineering##Prompt##Prompt Engineering##AI##大模型#

3. 当下AI时代的个体认知分层与竞争力鸿沟，本质由两个核心变量的乘数效应决定：一是人机绑定深度，二是所使用模型的智商上限，二者共同定义了个体对通用人工智能的认知边界与时代生存范式。从对AI完全绝缘的零调用群体，到日均1小时以内的碎片化浅度调用、仅将AI定位为高级信息检索工具与低阶事务辅助工具的群体，到日均4-8小时全工作流深度协同、将AI作为核心生产力放大器与专业场景核心协作主体的群体，再到实现7×24小时全周期自治运行、构建人机双主体生产闭环、将AI定义为具备独立目标拆解、长链路路径规划、全工具链调度、动态错误自修正能力的自治智能体的群体，这四个层级的本质，是人与AI共生关系的范式跃迁，而非简单的使用时长差异，直接决定了个体能否触达AI重构生产关系的核心逻辑。而比绑定深度更隐蔽的认知锁死变量，是模型本身的能力边界——原生全功能顶级通用大模型，与经过多层裁剪、量化、蒸馏后的轻量化模型，二者的使用者会形成完全相悖的认知闭环：原生顶级大模型具备完整的通用推理能力、超长上下文记忆、非标准化复杂决策能力、高维创造性输出与自主迭代优化能力，其使用者会在持续的深度调用与协同中，不断突破对AI能力边界的认知，最终走向人机共生的超级个体范式；而长期使用蒸馏模型的群体，受限于模型被阉割的复杂推理、长链路规划与创造性能力，仅能实现标准化场景下的固定指令执行，最终会形成“AI仅为低阶效率工具，无法替代人类核心决策能力”的固化认知，彻底锁死自身的认知升级路径。二者的乘数效应体现在，任何一个维度的短板，都会带来个体AI竞争力的指数级衰减：即便持有顶级通用大模型的完整调用权限，若仅停留在日均1小时以内的碎片化浅度调用，本质是对通用智能核心能力的彻底浪费，其认知水平与生产力提升幅度，与蒸馏模型的浅度使用者无本质差异；即便实现了7×24小时的不间断运行，若底层支撑仅为蒸馏模型，最终只能实现固定流程的自动化脚本式运行，绝非具备自主决策与动态优化能力的自治智能体，永远无法突破低附加值的标准化事务边界，更无法实现超级个体的指数级成长。最终我们会清晰地看到，AI时代的个体淘汰，从来不是技术本身的替代，而是个体对AI的认知范式的固化与落后。你所使用模型的智商上限，就是你对通用人工智能的认知天花板；你与AI构建的共生绑定深度，就是你在这个时代的核心竞争力底线。唯有同时突破模型能力的边界与人机共生的范式，才能真正踏入AI时代的核心赛道，完成从传统个体到超级个体的本质跃迁。#新媒沈阳聊ai#

4. 15 个最佳Seedance 2.0 提示词：打造病毒式影片的终极指南

5. 【AI辅助设计】Claude Design 提示词疑似泄露：7 万字的系统指令，到底写了什么

6. 用AI将一道题"一变三"，精准实现课堂分层作业

7. 你还在苦练 Prompt？Cursor 说，那根本不是未来。

8. 【#DeepSeek唯一遗憾无多模态##DeepSeekV4再次开出行业最低价#】DeepSeek今日宣布，拥有百万字超长上下文的deepseek-v4-pro和deepseek-v4-flash两款模型发布并开源，即日起登录官网或官方App即可与最新的DeepSeek-v4对话，探索1M（百万）超长上下文记忆的全新体验。据官方公布基准测评，在上下文长度、知识、推理及Agent等能力上，DeepSeekv4性能比肩国际顶级闭源模型，达到国际开源模型一流水平。《BUG》栏目对比发现，在API调用价格上，去年以一己之力撬动国内大模型行业降价的DeepSeek，V4版本再次开出了行业“最低价”。据DeepSeek官方介绍，受限于高端算力，目前Pro的服务吞吐量十分有限，预计下半年昇腾950超节点批量上市后，Pro的价格会大幅下调。 “虽然每百万Tokens调用价格国内模型均未下降太多，但超长上下文长度及不俗的性能，让其极具竞争优势！”有业内人士感慨道：“那个大模型价格屠夫，又回来了！” 遗憾的是，目前v4版本依然是一款纯文本模型，没有太多的文生图、文生视频等多模态能力。（新浪科技文） “价格屠夫”！DeepSeekV4百万上下文打到2毛，国产卡将腰斩API价格？

9. 我做了一个 Prompt 管理插件：让你的好提示词不再散落各处

10. 《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）

11. 《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）

12. 012-AI 短视频分镜头设计（AI绘画提示词入门）

13. AI提示词技巧！一文学会高效地对AI进行提问

14. 15 组文案润色 AI 提示词，秒变神仙质感（直接复制即用）

15. 99% 的人都不知道！降低 AI 味的 12 个实用指令，让文案像真人手写

16. 对话原力灵机范浩强：评判机器人好坏，只有一个指标

17. 分享 NotebookLM 十大高级提示词，收藏起来玩转 AI 提效！

18. 姚顺雨在腾讯首个研究：在“上下文”这事上，在座的各位都不及格

19. 谷歌68页提示词圣经+老金原创元提示词，直接复制就能用

20. 大模型Agent的核心还是prompt？

21. 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

22. ChatGPT给了我几个很有帮助的prompt，分享给你们。盲点扫描（Blind Spot Scan）Prompt：“从我的提问方式与选择模式里，你观察到哪些可能的行为盲点？请用直指核心的方式告诉我。停滞突破（Breaking Stagnation）Prompt：“我在（领域）感觉卡住了，请你分析：①我可能在哪个阶段卡住；②是什么阻力；③最小成本突破路径。”决策 clarity（Decision Coach Prompt）Prompt：“在（决定）上，请当我的 clarity 教练：帮我分析我的真实动机、风险、情绪噪音与长期方向。”我很喜欢最后这个。如果你对某件事犹豫不决，GPT有和你长时间的对话记录，Decision Coach Prompt能给出很好的分析与方向。#人工智能#

23. 别卷提示词了！真正能提效的AI，已经开始替你交活了

24. 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？

25. 回复@来自北方511:<draft>{手绘风格的北京旅游手账插画Prompt，来自我以前为GPT-4o 写的}</draft>帮我把上面的提示词变成通用的提示词模板，我输入地名和天数（可选），就可以根据根据地名生成推荐攻略评论配图 //@来自北方511:回复@宝玉xp:博主，能提供一下是用什么样的提示词来写出这样的提示词。另外也是用Germin来做提示词的输出吗，感谢🙏

26. 2025年AI提示词深度指南：从基础知识到高级技巧

27. 别再学提示词了：为什么它是AI时代最短命的技能？

28. 刚刚问了claude，它说中文语料中某些专业领域（金融、法律、医学、技术文档）的高质量文本偏少，模型更容易在这些区域"编"。如果是写system prompt、定义角色、设定输出格式，英文表达的精确度和模型的遵从度会更高。想降低幻觉的一大关键不是切换语言，而是让它去搜索（英语资料来源），不要只凭记忆/生成回答。

29. prompt让你可以叠加AI的能力：以前是想法 -> 手写 -> 微博，现在是想法 -> Prompt -> 手动微调 -> 微博，既快又好//@-马小虎-:换个拗口的角度：写prompt就是面对一群智者（专家），能邀请（激活）哪些智者（专家）、以什么风格（化写作）回答你的问题。//@零重力瓦力:写 Prompt 就是在和一个知识丰富、逻辑严谨、有问必答的智者交流

30. 你有没有发现一个很反直觉的现象？那些不是程序员、没学过提示词工程、甚至连 AI 行业都不了解的人，反而能写出最硬核、最强、最能打的 Prompt。为什么？因为高手根本不靠背术语、背框架；他们靠的是：元思维。简单讲，就是：别自己“手搓提示词”，要让 AI 帮你写提示词。今天我把我自己常用的「元提示词 SOP」完整拆开，让你照着学会之后，也能写出专业级别的提示词。建议你先码住，慢慢看。第一步：把原始素材全丢给 AI大部分人写提示词的时候，会很紧张：- 这个术语我不会怎么办？- 提示词结构要怎么写？- 我不是专家能写得好吗？结果越写越别扭，越写越像 AI。我反而反其道而行，我的做法只有一句话：“把你脑袋里的东西全丢给它。”我会把：- 脑海里乱七八糟的想法- 还没成型的需求- 在网上看到的好文章（当风格参考）直接一股脑扔进去，然后给 AI 说：> “我是小白，但我想达到专家的效果。> 这些是我的原材料，你先别生成内容，先理解它们。”第一步的目标只有一个：让 AI 吃饱。第二步：让 AI 自己补知识这是整个 SOP 的灵魂。很多人提示词写得“塑料感十足”，就是因为缺少这一环：他们不知道什么是专业，也不知道专业需要什么。那怎么办？让 AI 自己补！我会对它说：> “为了完成这个任务，你需要哪些专业术语？> 你会用哪些思维模型？> 你会参考哪些行业标准？> 请用这些知识，帮我生成一套结构化的 System Prompt。”这一步的效果非常惊人。你会发现 AI 自动给你：- 行业术语- 核心逻辑- 专家常用的判断框架- 清晰分工的 Prompt 结构这是一个“AI 写给 AI 的提示词”，专业度往往远超人类自己写的。第三步：让 AI 自己跑 3 次模拟看到这里，有些人会立刻把 Prompt 拿去用。错了，你必须让它自测、自跑、自演示。我会让 AI：> “用你刚写的 Prompt，给我 3 组【用户输入 → 模型输出】的模拟案例。”这一招特别强。通过模拟，你能一眼看穿：- 它是不是真的懂你的意图- 输出有没有“AI 味儿”- 行业语气是否对- 它会不会胡乱瞎编- Prompt 哪里不够精确这一步就是“沙盒测试”，能让你用极低成本发现问题。第四步：导演式优化这一步，你完全不需要懂技术。你只需要告诉 AI：- 哪一段不顺- 哪一部分风格不对- 哪一句话你不喜欢- 你想让它更犀利、更幽默、更人味一点我的反馈方式通常很口语化：- “这段太机械了。”- “第二个案例要更有温度。”- “这个专家应该敢下判断，不要这么中规中矩。”像导演一样调风格、调感觉、调情绪，然后 AI 会自己回去修改逻辑、结构、术语、Prompt。反复迭代几轮之后，你就能得到一个完美贴合你审美的 Prompt。总结你只需要会让 AI 扮演专家。过去，我们必须学会机器的语言，才能指挥它。现在完全反了：- 你提供原始信息（原料）- 你给风格偏好（审美）- 你告诉它目标（想要的效果）剩下的交给 AI——让它去补知识、建系统、写提示词。换句话说：你不需要会提示词工程，你只需要会“导演 AI”。这就是大模型时代真正的能力。#科技先锋官##AI创造营##微博兴趣创作计划#

31. 别折腾 Prompt 了：90% 的 Agent 项目死于系统设计，而不是大模型太笨

32. 能不能分享一次最近提效最明显的 AI协助开发?节省了多少时间?

33. 【Prompt Engineering没死，只是换了一张脸】快速阅读：2024年那套靠“魔法短语”驱动AI的玩法基本过时了，但“Prompt Engineering已死”这个论断本身也夸张了——真正死掉的是技巧，活下来的是思维方式，只是迁移到了更高的层面。---原文来自Reddit，一位用户用AI生成了一篇文章，论证“Prompt Engineering在2026年已经死了”。有人立刻问：这篇文章的prompt是什么？发帖者坦白了，分三次迭代完成，第一次是“给我支持这个观点的论据”，第二次是“写得像个聪明的大学生”，第三次是“别聚焦在prompt工程师这个职位上”。这件事本身就是一个有趣的自我证伪——一篇论证prompts不再重要的文章，是用精心迭代的prompts写出来的。不过抛开这个讽刺，文章的核心判断其实有几分道理。2024年那套“把AI当精灵供着、一个词说错就翻车”的时代确实过去了。现在的模型理解意图的能力强多了，你语言混乱它照样能猜出你在问什么。那些当年被当作“独门秘籍”传授的技巧——Chain of Thought、情感刺激词、persona hacking——很多已经被直接训练进模型了，你不需要特意触发，它默认就会做。真正的变化在于，行业的杠杆点从“怎么说”转移到了“给什么”。RAG（检索增强生成）、evaluation loop、agentic工作流、自动优化框架（如DSPy）——这些系统级的东西，才是现在决定AI输出质量的关键变量。你花在精调措辞上的时间，远不如花在数据质量和架构设计上值钱。但评论区里有个观点说得很准：死掉的是gimmick（那些投机取巧的“花招”），不是discipline（这门职业背后的“方法论”）。你还是需要告诉系统“什么是成功，什么是失败”。你还是需要定义边界、约束条件、失败时怎么处理。只不过这些决策已经从“我该怎么措辞”升级成了“我该怎么设计这个系统的逻辑层”。有观点认为，prompts就是AI的语言，RAG不过是一个知识检索机制，没有精准的prompt，RAG系统照样会产生幻觉。这话不算错，但有点守旧——它描述的是今天，不是趋势。另一个更有意思的视角来自讨论中：问题不是prompts重不重要，而是“谁在写prompts”。DSPy这类框架是让另一个AI来优化prompt，人类只需要定义“什么结果算好的”。这个“Ground Truth”的设定，才是真正需要人类判断力的地方。所以“Prompt Engineering”这个词在某种意义上确实在消亡，就像“Webmaster”这个职位的消亡——不是因为工作不再需要，而是因为技能变成了更广泛角色的一部分，不值得单独挂牌了。一个有点未解决的问题留在这里：当模型足够强、系统足够智能，人类剩下的那部分判断力——定义“什么是好的输出”——还能维持多久？---点评：你以为咒语死了，其实是咒语成仙了。2024年那套“一个词说错AI就翻脸”的玄学，确实该进博物馆了。但说Prompt Engineering死了？这就像说“会打字”死了——不是技能消失，是技能降维成了呼吸，你甚至感觉不到自己在用它。真正有趣的是那个自我证伪的套娃：用三轮精心迭代的prompt，写出“prompt不重要”的文章。这不是打脸，这是进化的活标本。当技巧被训练进模型，你省下的不是思考，是表达思考的摩擦成本。死掉的是“说话的艺术”，活下来的是“想清楚的能力”。前者有套路可抄，后者从来就没捷径。---www.reddit.com/r/PromptEngineering/comments/1rci46t/prompt_engineering_is_dead_in_2026

34. 谷歌68页圣经看完更焦虑了，所以我做了个Hook让它全自动强化，并用了老金我的元提示词

35. 被AI表扬了就会飘起来的人……也…//@南希:一个真正内核稳定的人，不会21天直接滑到：破解密码学/外星文明/国家监控这种程度。但AI最危险的确实是——它会在九句正确的话里，夹一句你最想听的。所以跟AI应该是“结构性的协作”，什么时候引入，什么时候需要第三方验证，什么时候必须自己做出判断，比掌握prompt 更重要。

36. 一般都是我先想到一个提问，然后和AI对谈后延伸出比较有建设性的内容后。我就问AI，类似于这样的思考，你有没有更好的问法，或怎么从不同的角度切入。然后AI会给我它自己优化过的prompt。再按这个prompt 再去提问看效果如何。如果不满意，可以再优化。//@Moon_Love_Holidy:请问博主这些厉害的prompt 包括之前的也有很厉害的，是怎么想到或获取的？

37. 盘点一周AI大事(3月8日)｜龙虾开公司30天狂赚8万刀工程师Nat Eliason开发出首个龙虾CEO「FelixCraftAI 」，全自主运营零人类公司，30天狂赚8万刀工程师开源龙虾公司框架Paperclip 工程师开源龙虾员工管理平台Clawith 工程师开源龙虾浏览器Pinchtab 老黄放话，龙虾是是历史上最重要的软件发布，通用型自主Agent终于迎来爆发拐点 OpenAI开源龙虾项目管理工具Symphony OpenAI发布最强龙虾基座模型GPT-5.4，地表最强大模型再次易主 Google发布最强龙虾辅助模型Gemini 3.1 Flash-Lite Lightricks发布最强开源视频模型LTX-2.3 Showlab推出最强开源视频编辑模型Kiwi Edit #抖音年味新知贺岁 #前沿科技趋势发布月 #AI新星计划 #龙虾 #OpenClaw

38. 一个被忽视的Prompt技巧，居然是复制+粘贴。

39. 为了比对不同AI有多懂我，我测了这个Prompt，觉得还不错。测试你的AI有多了解你的兴趣画像Prompt：你现在扮演“兴趣画像审计师”。请用不超过10条总结我最可能的兴趣爱好，但每条都必须包含：你依据的“线索来源”（我曾提到/反复问过的主题类型）你的置信度（高/中/低）如果我说“这条不对”，你最可能错在哪里（1句）最后给我3个反向问题来检验你有没有误判我。----兴趣审计完后，你可以问AI：你会怎么形容我这个人？看看它的判断对不对。不对你继续纠正。或者，你也去可以思考如何商业化：收入线Prompt：你是“商业化架构师”。基于我的兴趣画像，请设计 3 条互相支撑的收入线。项目Prompt：基于你对我兴趣的理解，请给我：3个“我做起来会很顺”的小项目（每个不超过2小时/周）2个“我会半途放弃”的高风险项目（解释触发点）1个“最值得长期复利”的旗舰项目（给里程碑：2周/2月/2年）注意：你要显式说明你如何从我的兴趣推导出这些项目。#人工智能##赚钱与成长##互联网创业#

40. 李继刚分享的“Prompt Engineering的100个基本”Prompt Engineering(提示工程)不是魔法咒语，而是一门“人机对齐”的通信艺术。它试图用结构化的自然语首，去驯服一个本质上基于概率统计的随机鹦鹉，让它在无限的可能性中場缩出你想要的那一种结果。#科技先锋官#

41. 中国品牌出海，AI到底能帮上什么忙？这三步让ROI翻倍

42. Skill不就是prompt吗？为啥被吹成这样？

43. 这段话说的还挺有道理的，但结论有点过于一刀切。说“Prompt Kiddie”并不完全错。确实有一批人，把转发提示词当成全部能力，既不理解任务本身，也不关心结果质量，更谈不上系统化解决问题。这种行为，本质上是在蹭模型红利，而不是建立能力。但问题在于：提示词本身并不是原罪。在任何技术早期，都会经历三个阶段： 1️⃣ 会用的人被神话 2️⃣ 技巧被模板化、被滥用 3️⃣ 能力重新回到“理解问题的人”手里真正有价值的 Prompt，从来不是一句话，而是： - 对问题边界的拆解 - 对输入输出的抽象 - 对失败结果的反复修正如果你只是“转帖”，那确实是在给模型当燃料；但如果你能把 Prompt 当成接口设计、任务建模、思维外化的一部分，那它和写代码、画架构图没有本质区别。所以，与其嘲讽 Prompt Kiddie，不如问一句更残酷的问题：有没有把 AI 用来减少展示，而是增加理解？这才是分水岭。 #微博年度新知博主##科技先锋官##AI创造营#

44. Harness 工程实践复盘：100% Cache 命中的 Agent 怎么设计？

45. 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

46. 先用简单提问和AI聊天，聊几来回有灵感，或对AI回复内容比较满意了，问AI怎么写prompt能得到更好/或类似这样更有系统的回复。其实就是让AI辅助自己，什么领域都能用。主要是你要有判断力去决定用哪个。那天gpt说我的八字刚好擅长这个，洞察+建模//@琪是奇思妙想:墅姐可以分享一下，怎么做出的prompt吗？

47. Prompts 的软件工程网页链接“LLMs 无法在“开箱即用”的情况下，以可接受的标准完成我感兴趣的大多数事情，所以我们经常会尝试设计 prompts 来提升性能。做得越多，我越有一种感觉：我们其实是在一种非常不同寻常的编程语言上做软件工程。很多人都类比过 prompts 和代码，但我还没看到太多从软件工程视角来看待“prompt engineering”的讨论。软件工程关注的是软件制品的需求、设计、实现、调试、测试和维护。而我在 prompts 中也看到了这些方面的对应关系。比如，我们经常会花时间找出 LLM 失败的案例，然后在 prompt 中添加额外规则来修复这些问题，并不断迭代。遗憾的是，有时候添加一条规则会导致模型产生新的错误。这和我调试、测试传统软件制品时的经验非常相似！下面我会用“system”来同时指代传统软件，以及 prompt + LLM 这类制品。请注意，在这篇博客中，我讨论的是构建一个可以完成重要领域任务的系统，也许它是某个更大工作流的一部分，例如提供医疗或法律建议。我讨论的不是把 LLM 当作助手来使用，比如让它在网上查找信息、总结文档、建议如何改进写作等。我也主要关注的是使用 LLM 直接完成某项任务，而不是要求 LLM 生成能完成该任务的代码。”

48. 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#

49. 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？

50. 让任何 LLM 说人话。不废话, 不客套, 直接给答案。地址：github.com/hexiecs/talk-normal/一段 system prompt, 把 LLM 啰嗦的、客服腔的输出变成直接、有信息量的回答。适用于任何模型 (GPT, Gemini, LLaMA 等)。在 GPT-4o-mini 上测试减少 73% 输出长度, GPT-5.4 上减少 72%, 同时保留所有有用信息。#How I AI#

51. 你现在用的AI，是在逼你学指令，还是已经开始帮你少动脑筋、少试错了呢？#大咖观察 #红衣聊AI #AI时代 #AI工具#虚拟主播

52. Skill不就是prompt吗？为啥被吹成这样？

53. 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？

54. 【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？

55. 【麦肯锡在校园招聘中考察应聘者使用A协作的能力】麦肯锡美国分部在“终面”时要求面试者使用麦肯锡内部人工智能工具 Lilli 完成测试任务。相关人士表示：“在麦肯锡面试中，你需要引导AI工具，审阅其输出，并运用判断力得出清晰且结构化的答案。重点在于协作和推理，而非AI的技术专长。” “实际上，候选人通常会遇到类似于真实咨询工作的商业问题或场景。他们不会仅仅依赖自己的分析，而是将AI作为辅助工具来探索信息、构建思路并提炼见解。” 相关人士还表示，面试者无需掌握高级的prompt技巧——prompt技巧是指让人工智能执行任务或回答问题。然而，面试者应展现出他们能够将人工智能作为“高效的思考伙伴”，并以类似于咨询顾问与初级团队成员互动的方式，清晰地阐述他们的推理过程。麦肯锡的人工智能面试似乎更侧重于评估候选人如何思考、判断以及如何与人工智能工具协作，而非他们的人工智能技术知识。人工智能面试将与另外两项评估同时进行：问题解决能力和结构化思维；以及个人影响力、领导力和价值观。

56. 发现一个非常适合 AI 新手入门的提示词网站，忍不住想推荐一下。它最大的特点是：提示词分得非常清楚。不是那种一股脑丢一堆 Prompt 给你，而是按使用场景拆好。比如在「写作」这个大类下面，还会继续细分成：文章续写、写作建议、写作素材搜集等等。你一看就知道自己现在该用哪一类，而不是盯着 Prompt 发愣。对新手来说，这点特别重要。因为很多人不是不会用 AI，而是不知道“该怎么问”。这个网站刚好就解决了这个问题：你一边用，一边就能慢慢看懂，原来一个好提示词，是怎么被拆解出来的。地址：www.aishort.top不一定要照抄里面的提示词，但非常适合用来学习别人是怎么构建 Prompt 的。如果你是刚开始接触 AI，或者一直觉得“我用 AI 怎么没别人好用”，那这个网站基本算是一个不错的起点。#AI创造营##科技先锋官#

57. Token是词元，Prompt是文令：是时候给AI配得上这个时代的中文了

58. 高效提示词（prompt）工程指南

59. AI 的营销的文案水平，在垃圾提示词下面，可以媲美入行三年的同学。在好的提示词下面，媲美五年的问题不大。问题是，对他而言，改一篇稿子也就是两分钟的事情。。。当我改了二十次的时候。。。我觉得他可以超过所有人类同学，因为即使最敬业的人类员工，再一天内被指点二十次之后，基本上都崩溃了。。。所以我现在都不骂人了，看到垃圾文案，我就直接标纪为人类版，然后更新一个 ai 版本， AB Test 放在那里。。。然后，营销团队的同学，就默默的过来问，南总，提示词能否分享一下。。。

60. 让 AI 进入到疯狂运转模式，首先不能吝啬的是 prompt 的长度。现在各类 cli 工具（claude code / codex / copilot）的打字体验都是地板水平，无论是大段文图的输入还是编辑修改，体验都极差。想把复杂的任务描述清楚，两三千字是常态，因此想让 AI 努力干活，先把 prompt 的输入工作转移到一个易用的富文本框，将布置任务和 AI 执行任务完全解耦开。就这么一个小小的改变，你的 AI 执行时长和效果会提升五倍以上。😜

61. AI 时代最值钱的能力，是你知道自己做不到什么。Notion 花四年做了个 AI Agent 产品，期间推翻重来了五次。他们总结出一条核心经验：要迎合模型的能力，不要逼模型来适应你的系统。模型天然懂 Markdown，就别让它学你的自定义 XML。模型写 SQL 写得好，就别搞一套自己的查询语法。每一次简化，都带来质的飞跃。差不多同一时间，Google Chrome 团队的工程负责人 Addy Osmani 发出了一则警告：别让 AI 替你做判断。他管这叫认知投降。你每次跳过挣扎、直接拿 AI 的答案，你的独立思考能力就在退化。最可怕的是你自己察觉不到，因为 AI 在替你掩盖这个衰退。这两条建议听起来矛盾。一个说要去适应模型，一个说要防着模型。到底该听谁的？答案是都该听，但它们在说不同的事。Notion 说的「迎合模型」，是在说系统的接口设计。你用什么格式给模型传数据，用什么语法让它查数据库，这些是工程决策。在这些地方，你不应该跟模型较劲，应该用模型已经擅长的方式去跟它交互。Osmani 说的「别让 AI 替你做判断」，是在说人的认知过程。你遇到问题的时候，是先自己想还是先问 AI，是问概念还是直接复制粘贴，这些是使用习惯。在这些地方，你不应该让模型替你思考，应该保留自己挣扎和理解的过程。一个是接口层面的适应，一个是认知层面的坚守。它们不矛盾，反而互补。你在工程上迎合模型的能力，是为了把省下来的精力集中在只有人能做的判断上。Notion 还做了一个很有意思的实验。他们的评估体系分三层。第一层是回归测试，确保功能没退化。第二层是发布质量评估，核心场景必须 80% 到 90% 通过才能上线。第三层最特别，叫前沿评估，故意设计成只有 30% 的通过率。为什么要做一套大部分通不过的测试？Notion 的回答很直接：当所有测试都通过了，你就不知道下一步该往哪走了。你只能告诉模型供应商「没变差」，这对双方都没用。你需要追踪那些通不过的测试，观察它们的变化趋势，来感知模型能力正在往哪个方向突破。这个思路有一个很深层的洞察：知道自己做不到什么，比知道自己能做到什么更有价值。把这个洞察放到人身上，道理是一样的。Osmani 引用了 Anthropic 的一组试验数据。让工程师学一个新库，一半用 AI 一半不用。AI 组的理解测试得分只有 50%，裸写组 67%。更有意思的是 AI 组内部的分化：用 AI 问概念问题的人得分超过 65%，纯复制粘贴的人不到 40%。用 AI 问概念的人，在做什么？他们在试探自己理解的边界。遇到不懂的地方，先形成假设，再用 AI 验证。这个过程保留了认知摩擦，也保留了对自身能力边界的感知。纯复制粘贴的人，在做什么？他们在消除摩擦。遇到问题直接拿答案，跳过了挣扎，也跳过了学习。他们失去了对自己能力边界的感知，因为每次遇到边界的时候，他们没有去触碰它，而是让 AI 替他们绕过去了。这就是认知投降的本质：你失去了对自己能力边界的感知。前沿评估和认知投降，恰好是一枚硬币的两面。前沿评估是系统化的边界追踪，让你持续知道自己做不到什么。认知投降是边界感知的丧失，让你不再知道自己做不到什么。Notion 的做法是把这个边界追踪制度化：专人全职维护前沿评估，用 30% 通过率的测试来感知未来。个人的做法也可以借鉴：定期问自己，今天有没有遇到一个我解决不了的问题？如果没有，可能意味着我已经停止成长了。这个洞察还能解释当前就业市场的结构性错配。AI 占企业裁员原因的 25%，同时有 27.5 万个 AI 相关岗位空缺。一边裁人，一边招不到人。为什么？因为被裁掉的 25%，大多数是流程性岗位。能被 Agent 替代的工作，恰恰是那些可编码、可追踪、可优化的流程。而招不到人的 27.5 万个岗位，大多数需要的是判断力、创造力和对具体情境的理解。Notion 的 Sarah Sachs 有一句很精准的总结：Agent 替代的是流程，不是人。流程是严格的系统，可以被 Agent 精确追踪和处理。人是模糊的，有创造力的，能做判断的。Agent 天然适合替代流程，天然不适合替代人。所以就业市场的结构性错配，本质上是流程替代论在宏观层面的体现。旧岗位的消失和新兴岗位的爆发，中间的断层，就是流程性能力和判断性能力之间的断层。Notion 内部有一个很有意思的案例。他们给市场推广团队建了 30 个 Agent，分别负责各种任务。结果每天产生 70 多条通知，全是 Agent 卡住了需要人工介入。解决方案很简单：再加一个经理 Agent。这个经理 Agent 负责监督其他所有 Agent 的状态，处理它们遇到的问题。通知量立刻从 70 条降到 5 条。这个案例说明了一件很重要的事：即使是 Agent 之间的协调，最终也可以被流程化。经理 Agent 管理其他 Agent 的运行状态，本质上就是把「管理」这件事从人的判断变成了可编码的流程。人只需要处理那 5 条经理 Agent 处理不了的通知，也就是真正需要判断的环节。流程替代论、三明治模型、经理 Agent 模式，三个概念拼在一起，描绘出了一幅完整的 AI 时代工作图景：中间的流程全部由 Agent 处理。简单的流程交给专业 Agent，Agent 之间的协调交给经理 Agent。人类只出现在工作流的两端：前端定义问题框架，后端打磨品质和做最终判断。而支撑你做好这两端工作的核心能力，说到底就一个：对自己能力边界的持续感知。知道自己能做到什么，更知道自己做不到什么，然后持续地去推动那个边界。前沿评估把这个边界追踪制度化了。Notion 靠这个来感知模型能力的未来方向。你也可以把它用在自己身上：刻意去触碰那些让你感到困难的任务，保留挣扎的过程，追踪自己的边界在哪里、在怎么移动。因为在这个 AI 能做越来越多事情的时代，知道自己做不到什么，可能就是最值钱的能力了。#科技先锋官##How I AI#

62. 一个实用Prompt，帮你边听故事边学新东西。

63. Anthropic官方报告：8大趋势说透AI编程未来，60%代码AI写的，老金实测项目带你看！

64. Skill不就是prompt吗？为啥被吹成这样？

65. AI领域新出的 "Skill"，本质上是AI代理（Agent）的标准化工具接口。它不再是让人去学习怎么通过 Prompt 也就是“咒语”来跟AI对话，而是让开发者把功能封装成 Skill，让 AI 自己去“学习”如何使用这些工具来解决复杂问题。

66. 【#一张图看懂 AI 工程三代范式演进图 #】🤖 AI 工程化路线图清晰了：2024：搞定 Prompt（怎么说）2025：搞定 Context（看什么）2026：搞定 Harness（稳运行）核心观点：拆分职责、建立架构约束、引入记忆层、形成反馈闭环。干货分享，拿走不谢！#AI学习 #大语言模型 #架构师 #北大AI鱼博士#

67. 过度依赖AI，正在丧失三大核心能力

68. Prompt写得好的前提下，还是可以适当参与严肃表达的，但是写prompt本身也需要尚可的英文能力（至少对chatGPT而言）。 //@CrosszhouMkIII:就我使用过的AI工具来说，现阶段还不适合进行任何的严肃表达，如果自身的外语水平太烂，压根就不会发现ai工具词不达，我觉得这事还比较严重

69. #别人用了我的ai提示词算侵权吗# AI提示词本身在一定条件下可能享有著作权——当它具有文学独创性、体现了作者独特的语言选择和艺术表达时，可作为文字作品受到保护。但对于大多数日常使用的、简单罗列式的提示词，法律倾向于将其认定为不受保护的“思想”而非“表达”。更关键的是，提示词享有著作权≠用户对AI生成物享有著作权。后者需要满足更高的“人类控制力”或“实质性参与”标准——而这正是当前法律实践中最具争议、也最需关注的前沿问题。#跨界破圈热点共创#

70. prompts.chat

71. AI时代的编程语言（prompt工程）-失业牛马的自救

72. 做了三年的Prompt工程师，现在感觉越来越难接单了

73. 从 Prompt 到 Protocol

74. Prompt 已死？当 AI 开始"读心"

75. 「大多数人放弃 Prompt 调优太快了」——Anthropic 官方 Prompt 工程指南

76. Prompt Engineering(提示词工程)

77. prompt工程是玄学还是科学？prompt优化实战指南！

78. 会用模型的能力清单——AI 时代真正保值的 5 种能力 - 哔哩哔哩

79. 第02期·Prompt提示词工程

80. 从 Prompt Engineering 到 Harness Engineering，团队真正该升级的是什么

81. GitHub 上一夜涨两千多颗星的工具集，背后只是一行 prompt？

82. Skill 和 prompt 到底差在哪？

83. 实测50个AI Prompt，总结写作模板，效率直接提升3倍

84. 从零开始学写提示词

85. AI写作prompt怎么写才有效？拆解实测数据背后的核心框架

86. 我靠这3个Prompt模板公众号写作时间从2小时缩到15分钟

87. AI写作Prompt模板库

88. 给百万IP定制写作prompt，我发现了一个结构性问题，弄懂这个，你的内容才算真的有自己的味道

89. 跳出“调参”误区

90. 重温！再说Prompt（提示词）

91. AI Coding Harness 系列 05

92. AI 编程的 Prompt 工程

93. 逃跑计划之

94. 人工智能AI的100问？之31-提示词工程（Prompt Engineering）

95. AI提示词（Prompt）| 高效使用 AI 工具

96. Prompt工程已死？AI Agent如何自己优化提示词

97. 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”？ - 哔哩哔哩

98. AI 提示词（Prompt）全场景实战指南（纯干货）

99. OpenClaw 高质量 Prompt 指南

100. 为什么同样的提示词，别人的效果比你好10倍？

101. 如何写出好的Prompt（提示词）？

102. 总结了4篇提示词最佳实践，提炼了9条要点

103. 普通人学用AI之写提示词核心原则

104. 好提示词的四要素

105. AI提示词工程蓝图框架文字大纲

106. 提示词（Prompt）到底怎么写？3个公式让你的提问效果翻倍！

107. 提示词

108. Prompt提示词工程

109. 精细高效使用 Claude 手册

110. 掌握AI正确指令方法，工作效率直接翻倍

111. 我最常用的10个AI写作指令，全给你整理好了

112. Prompt工程实战

113. Prompt 工程实战

114. AI Skill#9

115. AI项目经理也需要关注提示词！

116. (四）为什么别人的AI更聪明？

117. 人机协同，提示词就是生产力

118. 写好大模型提示词

119. 提示词的命门是结构，不是文采

120. 提示词是工程，不是写作

121. 不会写Prompt？文科生的5类万能模板复制即用，不需要任何技术背景

122. AI 真正有用的技巧，不是多背几个 Prompt，而是学会把 Prompt、Skills 和 Agent 放对位置

123. 2026 年最被低估的 AI 能力

124. 别再迷信 Prompt 了

125. 一个好的Prompt让你从此告别AI猜盲盒

126. Prompt 不够了，AI 产品更需要测试思维

127. 别再随机 prompt 了，Agentic Skills 才是让 AI 稳定输出的正确姿势

128. 一用就灵的 Prompt 公式，新手也能秒变高手

129. 第十一章　Prompt工程

130. 我拆了 Anthropic 和 OpenAI 最新文档，发现你过去 2 年攒的 Prompt 技巧，90% 该扔了

131. Harness｜02 Prompt的天花板——为什么我们不得不往前走

132. 现在还教你“AI万能Prompt公式”的人，非蠢即坏

133. [9]AI 产品的 “Prompt 工程”

134. AI学习路径 02｜Prompt

135. GPT-5.5 发布最新 Prompting Guide，你现在的Prompt可能在帮倒忙

136. Prompt工程能否代替模型训练？

137. 为什么光有 Tools 不够

138. 每个开发者都应该掌握的四种提示词工程模式

139. 提示词不是许愿句。很多 AI 输出不稳定，不一定是模型太弱，也可能是任务条件没说清。

140. 关于提示词1

141. 如果撰写有效的提示词

142. 不要再给AI立人设了！越强调「专家身份」模型表现越差

143. AI提示词工程师

144. “一句话提示词”的极限在哪儿？该怎么玩？

145. 靠这组提示词，我5min一篇文献综述！

146. 文生图初级提示技巧（四）

147. 100个亲测好用的AI文献提示词模板

148. 不会写提示词=浪费Ai

149. AI时代小红书创作:提示词才是新门槛

150. ERNIE-Image提示词增强器量化版测试

151. AI破壁人的自我修养

152. 提示词工程简介

153. 提示词自动优化（2）| 2023 ICLR经典工作APE

154. 说说ai模型的具体边界在哪里？全面通俗的给大家解释一下

155. 先别狂嗨，我们来做一个AI大模型能力上限分析

156. 统计关联下的理解

157. AI大模型也不是万能的，它也有能力边界

158. 别被忽悠了！AI的真实能力边界，这篇全是干货

159. AI的真实能力

160. AI淘汰程序员？大模型真实能力边界揭秘

161. AI的局限性

162. 大模型上下文越长越厉害吗？agent时代，上下文长度与推理准确性的底层逻辑

163. 上下文窗口有多重要？它决定了你的 AI 产品“智商上限”

164. 提示词写作的 7 个致命错误，90% 的人都在犯

165. AI使用，Prompt技巧附不同场景的案例

166. Prompt 工程技巧：5 个模板让 AI 输出质量提升 10 倍

167. 实战：Prompt 自动优化器的评估算法设计

168. 零基础上手Prompt Engineering

169. 写了个 Prompt 自动评测Skill，自动优化prompt效果

170. 说说Prompt范式

171. Gemini 万能 Prompt 指令大全｜掌握高效提问逻辑，普通人也能发挥 AI 百分百实力

172. 程序员必读的AI Prompt最佳实践

173. 写了 3 个月 AI 视频 Prompt，我总结了一条反常识的真理：删除”不要”，画面反而更好

174. AI提升测试工程师效率（提示词）

175. Prompt 万能公式：让 AI 输出质量翻倍

176. 关于写prompt有什么技巧？

177. Prompt 写不好？这套框架让 AI 输出质量提升 3 倍

178. 【科研】别再自己调 Prompt 了！科研人必备的Prompt/Skill合集开源了

179. 【论文】A Systematic Survey of Prompt Engineering Techniques

180. 提示词工程（Prompt Engineering）商业应用？

181. 一套AI提示词，满足每个采购供应链团队的需求

182. 值得收藏！Claude官方发布Prompt 进阶技巧

183. Prompt 核心原理：如何一句话让 AI 精准听懂你的需求

184. Prompt Engineering十大技巧：如何让AI的输出质量提升10倍

185. Prompt Engineering 进阶：让AI输出翻倍的15个技巧

186. AI智能体Agent实战day2·新手篇：提示词Prompt万能公式

187. 新手必看：4步写出精准AI绘画提示词，告别无效出图

188. 《法篇九》少样本学习：给AI看几个例子，它就能举一反三

189. 职场写作Prompt完全手册：从邮件到报告，一套公式搞定

190. Prompt不是提问，而是任务定义

191. 这样来写提示词，你学会了吗？

192. 「Prompt六段结构」让AI秒变专业助手（附万能模板+实战案例）

193. 万能Prompt公式 + 3个可复制实战案例

194. 什么是提示词？（白话版）

195. 写好提示词的八个技巧

196. 这份学术 Prompt 宝典，覆盖论文写作全流程，建议每个研究生都收藏

197. AI使用，Prompt附不同场景的案例(2)

198. 前端工程师必备的 10 个 AI 万能提示词（Prompt），复制直接用，效率再翻倍！

199. Gemini万能Prompt指令模板六个场景直接复制上手

200. Gemini 多语言工程：同一Prompt的中英对齐与质量差异治理

201. Gemini 3.5 Flash 今日上线，用对这个万能公式，AI 输出质量直接拉满

202. [福][福]【AI写作】在下小曾AI写作通关秘籍：从零到精通课程亮点-硬核干货：从指令型大模型原理到结构化Prompt编写，拆解AI写作底层逻辑-

203. 5个万能Prompt公式：让AI输出直接可用的专业方案

204. 建议收藏！5 个万能 Prompt 公式，让 AI 乖乖听你指挥（附实操案例）

205. 如何用AI写论文·SCI论文prompt学习总结

206. 提示词，AI学习的基础

207. GitHub爆火！真正开箱即用的AI论文写作Prompt大全，建议同门人手一份！

208. 3分钟教你写好用的提示词 - 14 | 让大模型秒懂的“少样本提示”

提示词写得好，真能当饭吃吗？

精选参考来源