为什么你用的公开提示词总不好使？三步教你改出专属高效模板_服务软件

1. 高效提示词（prompt）工程指南

2. 谷歌68页提示词圣经+老金原创元提示词，直接复制就能用

3. 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#

4. 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……

5. 【这个Claude技能让你的AI提示词不再浪费额外Credits】快速阅读：一个名为prompt-master的开源Claude技能在一周内获得600+星标。它能根据你使用的AI工具（Cursor、Midjourney、Claude Code等）自动生成最优提示词，避免重复调整和浪费Credits。工具已支持35种常见错误模式修正和12种任务模板。---提示词优化工具并不新鲜，但这个项目的核心竞争力在于“工具特定路由”。同样是生成吉卜力风格的东京夜景俯视图，给Midjourney的提示词是45个token的逗号分隔描述符，先锁定相机角度防止模型默认街景构图，再叠加视觉线索。给DALL-E 3的提示词则变成80个token的散文句式，末尾专门加上“不要在图像中包含任何文字或字母”来抑制它爱出现的随机文本伪影。这种差异不是表面功夫。Cursor和Claude Code的上下文管理逻辑完全不同，用同一套提示词会直接崩。ComfyUI用户在用Stable Diffusion 1.5、SDXL还是Flux，输出结构都不一样，需要分别生成正向和负向提示块。甚至向o1模型添加思维链反而会降低效果，这是35种“烧Credits模式”中的一种。有观点认为直接跟Claude Code像跟人聊天一样就行，出错了再说要改什么。开发者的回应很务实：这能省Credits，也能让模型理解更清晰。但更重要的是使用场景远不止对话，图像、视频、研究、演示、配音，每个领域的最佳实践完全不同。项目在7天内从600星涨到900星，期间社区持续提出支持新工具的请求：Figma Make、Kimi 2.5、Ollama、Google Stitch。开发者几乎全天候在评论区确认兼容性，甚至当天就为特定用户添加了SeeDream和LTX 2.3的路由。v1.4刚发布，v1.5已经在规划agent支持。整个项目像是在验证一个简单但容易被忽视的事实：AI工具之间的差异比我们想象的大得多，通用方案在具体场景下往往意味着妥协。GitHub: github.com/nidhinjs/prompt-masterref:www.reddit.com/r/ClaudeAI/comments/1rxyarx/i_built_a_claude_skill_that_writes_accurate#AI创造营##人工智能#

6. 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

7. 告别生成排队，彻底实现顶流模型创作自由

8. “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。

9. Gemini模型：对系统提示词理解能力差，调用工具塞的数据太多会坏掉胡言乱语输出乱码。Claude模型：对系统提示词理解能力强，但只要有工具就会优先调用工具试试不管你系统提示词怎么写的，如果调用工具的同时不要求结构化输出，还会把自己的推理直接漏出来。OpenAI模型：没有以上问题。

10. 90% +漫剧制作难题，1 个工具全解决

11. 【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？

12. 用了这5大技巧后，原来AI人物还可以这么真？

13. 【同样用 AI，别人产出碾压你？差距全在提示词工程】2026年，AI领域有一个令人不安的真相：模型不再是瓶颈，提示词才是。两个人在同一个任务中使用相同的模型，产出质量却天差地别。平庸者得到的是需要推倒重写的废话，而专家得到的是直接进入生产环境的成果。提示词工程不是某种玄学，它是AI经济时代最有价值的技能，因为它决定了你与AI交互的质量天花板。以下是迈向专家级提示词工程的完整路径。---第一阶段：基础认知——具体性击败普遍性大多数提示词失败的原因在于：大语言模型本质上是在预测下一个概率最高的字符。当你给出的指令模糊时，模型会填充统计学上最平庸的内容。专家提示词必须包含的六个要素：1. 角色：给模型一个具体的身份，如“拥有15年经验的B2B SaaS产品策略专家”，这决定了它的词汇量、深度和视角。2. 背景：模型需要知道你的行业、受众、限制条件和目标。没有背景，模型只能靠猜测。3. 任务：明确具体的动作，例如“对比三个竞争对手的定价、功能和话术，撰写一份竞争分析报告”。4. 格式：规定输出的形态，如表格、两段式的建议或特定的代码结构。5. 约束：明确告诉模型“不要做什么”，比如“不要使用营销术语”、“不要超过500字”。6. 质量标准：定义什么是“好”，例如“分析必须具体到足以让产品团队在5分钟内做出决策”。---第二阶段：结构化技巧——让逻辑清晰可见1. 使用XML标签Claude等模型对结构化输入非常敏感。使用标签如 <context>、<task>、<constraints> 可以消除歧义，让模型明确每一部分指令的功能。2. 背景在前，问题在后当处理长文档或大量数据时，始终将参考资料放在问题之前。先让模型加载上下文，再提出要求，这比先问问题再给资料的效果要好得多。3. 少样本学习（Few-Shot）给模型三到五个例子，效果胜过十段文字描述。展示你想要的模式，包括正常情况和边缘情况，模型会迅速捕捉到你未言明的逻辑。---第三阶段：高阶策略——深度思考的逻辑链1. 链式思维（The Chain Method）永远不要让模型在一个提示词里完成五件事。将任务拆解：先做调研，再找差异，最后写文案。每一步的质量都会累积，最终形成深度远超单一指令的成品。2. 自我修正循环模型的初稿往往只是草稿。加入一段指令：“重新阅读你的回答，按准确性、具体性和可操作性打分（1-10分）。针对低于8分的维度进行修正，并给出最终版本。”3. 动机约束不仅要告诉模型“做什么”，还要告诉它“为什么”。当模型理解了“字数限制是为了适应Telegram的显示逻辑”时，它在精简内容时会表现得更智能。4. 多维视角分析对于复杂的决策，要求模型从不同角色（如CEO、CFO、客户）的角度分别进行分析，最后再综合成一个平衡各方利益的建议。5. 元提示词（The Meta-Prompt）当你不知道如何写好提示词时，让AI帮你写。描述你的目标和背景，要求AI为你生成一个最有效的提示词结构。---第四阶段：系统化精进——从战术到战略1. 持久化上下文文件为不同类型的工作建立Markdown文件，如写作准则、分析框架或项目背景。在对话开始时让模型先读取这些文件，确保它始终遵循你的个人标准。2. 模板库意识将每一个成功的提示词沉淀为可复用的模板。剥离具体内容，保留结构变量。随着时间的推移，这种复利效应将成为你最大的竞争优势。3. 每周反馈闭环每周复盘你的AI产出：哪些地方没达标？提示词哪里可以改进？将这些教训更新到你的上下文文件中。---总结与启示提示词工程不是在寻找某句“咒语”，而是系统性地增加交互的确定性。平庸者在依赖模型的随机性，而专家在消除模型的随机性。当你掌握了这些技术，你会发现你使用的仿佛是完全不同的另一种技术。在这个AI时代，你的提问能力，就是你的生产力上限。x.com/eng_khairallah1/status/2046881340977782970

14. 大模型上下文工程指南

15. 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

16. //@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

17. 问：上下文（Context）和上下文窗口（Context Window）什么差别？这两个概念经常被混用，但其实指的是不同层面的东西：上下文是指 AI Agent 在执行任务时实际拥有的所有信息，包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织，这就是现在越来越多人说的 Context Engineering。上下文窗口则是模型层面的一个硬性限制，指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字，说的就是上下文窗口的大小。它本质上是一个“容器的容量”。打个比方：上下文窗口是你厨房操作台的面积，上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大（上下文窗口有上限），但你放什么上去、怎么摆放（上下文的管理）决定了你能不能高效做菜。在 Agent 开发中，一个核心挑战就是：Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理：摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。简单总结就是：上下文（Context）是“内容”，上下文窗口（Context Window）是“装内容的容器”。做 Agent 工程的核心功夫之一，就是在有限的“上下文窗口”里塞进最有价值的“上下文”。

18. 别再学提示词了：为什么它是AI时代最短命的技能？

19. 大模型的上下文工程，都说很重要，但相关的研究那么少，对Agent开发有什么影响，有大佬能解释一下吗？

20. 【还在疯狂堆提示词？AI Agent最大的成本黑洞根本不在这】快速导读：别再盲目调试AI Agent了。真正的优化突破口，不在于你写了什么提示词，而在于你是否“看见”了它的思考过程。有人仅通过观察内部日志，就一夜之间砍掉了30%的token成本。---你是不是也这样调试AI Agent：改改提示词，看看输出，不行，再改改……感觉就像在黑暗中开枪，能不能打中全靠运气。大多数人下意识地认为，Agent不好用，就是提示词写得烂。于是花大量时间研究提示词工程，把系统提示词堆得越来越复杂。但真相是，你可能一直在和空气斗智斗勇。有人用OpenRouter配合LangFuse这类可观测性工具，只是简单看了一眼Agent运行的内部日志（traces），结果发现了惊人的浪费现场：一个任务里，Agent会傻乎乎地把同一个文件反复读4-5遍；执行一个简单的工具调用前，模型会先空转“思考”500个token；还有研究发现，40%的“卡顿”和“胡言乱语”，根源是工具响应太慢，而不是提示词有问题。一个开发者正是看到了这些，才一夜之间把token成本砍掉了30%。这揭示了一个正在变化的现实：AI开发的核心技能，正在从“提示词魔法师”，转向“AI认知侦探”。痴迷于调整那几句自然语言，可能正在让你错过系统中真正重要的问题。---简评：从“炼丹”到“手术”，AI开发终于开始进入可观测、可诊断的工程化阶段了。这篇文章就像一盆冷水，浇醒了那些还在“大力出奇迹”的提示词崇拜者。真正值钱的，永远是看到别人看不到的问题。---ref: x.com/nearlydaniel/status/2028567851108552862#AI创造营##人工智能#

21. MiniMax M2.7+OpenClaw实战！AI到底能接管多少工作？

22. AI怎么做出电影感？AI大师级运镜玩法大全!

23. 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？

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. 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

26. 爆肝3天测完32个分类，GPT-Image2 VS nano-banana 2 全网超详细AI生图测评，谁才是AI生图之王？（带提示词）

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

28. 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。

29. 这篇关于“提示词缓存”的文章详细介绍了LLM API 调用成本降低10倍的背后？OpenAI 和 Antropic 经过缓存的输入 token，其价格比普通输入 token 便宜了整整10倍。而且Anthropic 还声称，对于长提示词，提示词缓存可以“将延迟降低高达85%”。但这并不是简单的将答案保存起来重复使用。本文深入探讨 LLM 的核心工作机制，并精确地解释到底是什么被缓存了，以及它为何能让一切变得更快、更便宜。LLM 工作流程中的几个关键事实。1 标准的 LLM 推理过程存在大量的重复计算LLM 生成文本的过程被称为推理。想象一下这个过程：它从你的初始提示词 token 开始。为了生成第一个新 token，模型会处理整个提示词。为了生成第二个新 token，它会将第一个生成的 token 附加到提示词末尾，然后重新处理整个加长后的新序列。这个循环不断重复，每一步输入序列都会变长，冗余的计算量也随之不断累积。这个过程效率极低。正如原文所指出的：“我们正在重复做大量我们本不需要做的计算。” 每生成一个新 token，模型都会重新计算之前所有 token 的内部状态，尽管这些计算结果在每一步中都是完全相同的。这种巨大的重复计算，恰恰为缓存技术的应用创造了绝佳的机会。2 LLM 的“理解”本质上是高维空间中的几何学在 Transformer 模型处理文本之前，文本必须被转换成一种数学表示。这个过程分两步：- 首先是分词器（Tokenizer）阶段。文本被切分成称为“token”的小块，每个唯一的 token 都会被分配一个独一无二的整数 ID。- 接下来是嵌入（Embeddings）阶段。每个 token ID 会被映射到一个由数字组成的数组（即一个向量），这个向量代表了它在一个高维空间（例如数千个维度）中的一个点。这里的魔法发生在模型的训练阶段：这些 token 向量会在这个高维空间中被不断地调整和移动。其目标是将它们重新排列，使得在语义上拥有相似含义的 token……最终成为空间中彼此靠近的邻居。这正是模型以数学方式来表示语言中复杂关系和细微差别的方法。3 缓存的并非答案，而是“上下文的理解”这便是本文的核心揭秘。我们通常所说的提示词缓存，其技术术语是 KV 缓存（KV Caching）。在 LLM 内部，有一个被称为“注意力机制”的关键部分。它的工作是决定在生成下一个 token 时，应该对输入提示词中的每个 token 给予多少重要性或“注意力”。为了实现这一点，模型会生成两个中间矩阵，分别称为 K（Keys，代表 token 的相关性）和 V（Values，代表 token 的内容）。至关重要的是，这些 K 和 V 矩阵并非凭空产生；它们是通过一系列习得的数学变换，直接从我们前面讨论的 token 嵌入中派生出来的。答案就在这里：被缓存的正是这些 K 和 V 矩阵。这样做的好处显而易见：当一个以相同提示词开头的新请求到来时，模型无需为那些初始 token 重新计算 K 和 V 矩阵。它可以直接重用缓存中的数据，只为新增的 token 计算新的值。这完美地避免了我们在第一点中提到的海量重复计算。正如原文中所强调的：这就是了，上面提到的 K 和 V 矩阵，它们就是大模型提供商在其庞大的数据中心里保存的那些 1 和 0，用以为我们提供便宜10倍的 token 和更快的响应速度。值得一提的是，像 temperature 这样的参数并不会使缓存失效，因为它们是在注意力机制的计算完成之后才应用的。4 OpenAI vs. Antropic从实践角度看，值得注意的是 OpenAI 和 Anthropic 的缓存策略有所不同。OpenAI 的缓存是全自动的，它会尽可能地将你的请求路由到缓存条目，但这并不总是可靠（实验中的命中率约为50%）。而 Anthropic 则提供了更多控制权，让你明确决定何时使用缓存，虽然这需要付费，但它能保证100%的缓存命中率，为需要稳定低延迟的应用提供了可预测性。#科技先锋官# #ai创造营#

30. 发现一个AI的新用法，再也不用担心不会写提示词了！

31. 当模型推理能力越来越强，我们还需要提示工程吗？

32. 《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）

33. 智能体上下文工程：为什么文件系统成了AI记忆的最佳载体？

34. 2025年AI生图“王”！Banana Pro玩法大分享～【建议收藏】

35. 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】

36. 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

37. 为什么我编写不出优秀的ChatGPT提示词?

38. 《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）

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

40. #Seedance必玩提示词模板#1分钟出大片！Seedance 2.0 正式终结了“AI视频不会剪辑”的时代！最近科技圈都在传这个 Seedance 2.0，最离谱的是它能直接生成“60秒长视频”，还自带电影级的分镜头切换！我也试了几组，整理出一份【必玩提示词模板】，建议先收藏再练手！万能提示词公式：[场景描述] + [核心角色] + [多段动作指令] + [分镜头要求] + [影调风格]案例分享“深夜的赛博朋克街道，霓虹闪烁（场景）。一名身穿银色风衣的侦探正穿梭在雨中（角色）。镜头先从背后跟拍特写，随后切到高楼俯瞰，最后停留在侦探推开酒馆大门的瞬间（多镜头动作）。胶片颗粒感，王家卫风格，高对比度影调（画质风格）。”如何用它做出爆款短视频？AI短剧流：利用60秒的长片段，保持角色一致性，直接出剧情。产品广告流：给你的产品起个酷炫的提示词，Seedance 能帮你生成极具质感的转场。梦境记录流：用最天马行空的描述，挑战它的多维度想象力。小乔说科技的微博视频

41. 使用 Claude Code：会话管理与 100 万上下文

42. AI提示词技巧！一文学会高效地对AI进行提问

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

44. 回复@OforSunlight:一个看模型，有的模型遵循指令要弱一些，另一个要看上下文中有多少内容，太多会话内容也会影响系统提示词效果//@OforSunlight:放在system里非常重要的部份好像没有办法每次都遵守

45. Anthropic让Claude AI"做梦"优化工作，突破上下文限制实现持续进化

46. 012-AI 短视频分镜头设计（AI绘画提示词入门）

47. 你的提示词，正在悄悄失效

48. GPT-5.5 官方暴击！旧提示词全失效，Prompt工程师要失业了？

49. WorkBuddy从入门到精通（03）提示词基本功

50. 我整理了一套AI提示词，新手直接复制就能用（附模板）

51. 为什么同样的提示词，别人的效果比你好10倍？

52. 为什么你的 AI 提示词总是不好用

53. 为什么你的AI没有别人的听话？

54. 你写的提示词，AI真的"看懂"了吗？

55. 让AI变聪明|提示词到底怎么用

56. 最新Deepseek AI提示词指令提示词最新合集(含教程）

57. 如何写好AI提示词

58. 3分钟写出精准AI提示词 | 2026最值得掌握的AI提示词工程技能

59. 别再乱输“你好”了！AI提示词这么用，效果翻倍

60. 我把AI提示词/指令的秘密，总结成了这3个“黄金公式

61. AI提示词的致命误区

62. AI 辅助创作不违规？关键在提示词

63. 驾驭AI的第一性原理

64. 普通人学用AI之一切从提示词开始

65. AI提示词（Prompt）万能公式

66. AI提示词万能公式，看完就会用

67. 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

68. 如果AI万能的，提示词的本质又是什么？

69. 第二十三章

70. 智能体来了

71. 提示词工程

72. 你有没有发现

73. 大模型提示词的秘密

74. Gemini 提示词工程

75. 提示词工程-条件上下文

76. 一文读懂 AI 提示词工程

77. 大模型黑箱揭秘

78. 每个开发者都应该掌握的四种提示词工程模式

79. 提示词调试经验分享

80. Google大模型基础教程02—— 大语言模型的提示词工程

81. GPT-5.5 时代，你的提示词该升级了

82. 这11个小技巧，GPT-5.5和Claude 4.7的Token 烧得更值 | 附官方指南

83. 提示词精准度核心！LTX2.3 官方 BF16 文本投影模型学习笔记

84. 为什么换个说法大模型就不灵了？深度解析

85. 写 Prompt 不再靠玄学

86. 从提示词工程到上下文工程

87. 别再死磕提示词优化，真正该优化的是上下文

88. HelloAgent(四):上下文工程（Context Engineering）让智能体稳定思考的底层方法论

89. 提示词时代已经结束，进入上下文资产时代

90. AI小说创作，提示词不是越长越好

91. 别再死磕提示词了，真正拉开差距的是上下文工程

92. 三层工程

93. 提示词工程已死，上下文工程永生

94. 关于提示词1

95. 文生图高级提示技巧（十七）：提示词最佳实践

96. AI生图提示词总被忽略？深度解析背后原理和5个解决方案

97. 从大模型底层原理，教你写出 100% 可控的文生图提示词｜固定框架 + 微调案例，新手也能精准出片

98. AI提升测试工程师效率（提示词）

99. 2026提示词测试实战：从失效到鲁棒的跨越

100. 【分享】提示词即代码：把 Prompt 当作软件工程资产来开发与管理

101. AI 时代的必修课：测试人怎么写好提示词？

102. 揭秘大厂都在用的CO-STAR提示词框架

103. 提示词工程科学报告 1:提示词工程既复杂又具有不确定性

104. 提示词怎么写都不对？试试这套“调试法”，效果立竿见影

105. 为什么用了AI还是没提效？

106. 提示词写作的 7 个致命错误，90% 的人都在犯

107. 人人都能懂的大语言模型“使用说明书”——提示词工程

108. 大模型面试：提示词工程能解决什么什么问题？

109. 你的 ChatGPT 用错了。像高手一样写提示词的秘籍在此

110. 提示词（Prompt）到底怎么写？3个公式让你的提问效果翻倍！

111. 刷了100多个AI视频，我总算搞明白提示词该怎么写了

112. 提示词测试的成本效益分析实战

113. 我用这套"超级提示词"让AI效率暴涨300%

114. 斯坦福课程：如何通过改进提示词获得更好的结果

115. Prompt提示词工程

116. “提示词”是个糟糕的翻译，更糟糕的是它让我们误解了与AI的关系

117. 5个让AI回答翻倍精准的提示词技巧，亲测有效

118. 程序员最常用的10个AI提示词

119. AI新玩法 | ChatGPT Images 2.0 生图提示词实战技巧

120. 提示词写得好，AI效率翻倍

121. 你可能还在用最低效的方式用AI——99%的人不知道的提示词技巧

122. AI破壁人的自我修养：别教AI，让AI教你

123. 如何让AI的“胡思乱想”变得可控可测？一个基于提示词变更的探索性实验

124. AI提示词模板库——复制即用，50+实战提示词

125. 如果撰写有效的提示词

126. AI 提示词万能公式！直接套用，效果提升 10 倍

127. AI提示词进阶教程 3 - 结构化提示词的工程模型

128. AI 海报提示词万能公式是什么

129. 电影级提示词怎么写才能精准控制运镜与风格？

130. AI提示词进阶教程 4 - 提示词如何评估与迭代？

131. Google Stitch 使用技巧完全指南：从提示词到高质量设计

132. 关于提示词，一些新思考

133. Elasticsearch：上下文工程 vs. 提示词工程

134. AI时代小红书创作:提示词才是新门槛

135. gpt-image 2 在不同语言指令下的表现差异到底有多大？

136. 提示词测试的5大常见误区

137. 拒绝AI废话文学！学3个提示词技巧，准确率飙3.2倍，写文案不翻车

138. 核心技能：如何撰写驱动AI批量生成的高效“提示词”？

139. 提示词，AI学习的基础

140. 从模糊到精确：改进你的提示词

141. 提示词工程师已死？2026年，取代它的新职业叫“上下文工程师”

142. 让LLM输出质量翻倍的技巧

143. AI改写小红书文案生硬？3个提示词技巧+实用工具，轻松写出原

144. 2026.3 降低AI率的提示词和工具网站，能把AIGC率降下来吗？

145. 教育应用中的LLM提示评估：一场基于Glicko2的锦标赛对决

146. 一句话就能“劫持”你的AI？DZS 分层式自适应提示词注入攻击的防御机制框架 (HAA)来了！

147. 封神！AIGC漫剧大模型提示词技巧，告别画面拉胯、角色漂移

148. 学会这5个提示词技巧，让AI真正听懂你的话

149. 大模型应用技术第一讲提示词

150. 专家级 AI 提示词指南

151. 提示词撞车AI绘画算抄袭？上海公司怒告侵权索赔，法律边界引争议

为什么你用的公开提示词总不好使？三步教你改出专属高效模板

精选参考来源