新手写提示词总踩坑？避开这5个高频错误，AI输出质量提升3倍_办公软件

1. 别再学提示词了：为什么它是AI时代最短命的技能？

2. 大模型上下文工程指南

3. 【如何写好AI生图提示词？】GPT-Image-2提示词合集-1

4. 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？

5. OpenAI、Anthropic 和 Google 的工程师为什么从不为提示词发愁？秘诀在于“上下文栈”——真正的元技巧是“上下文工程”。过去，我们用提示词“黑客”式地与AI沟通，像用简单短语和关键词和陌生人对话。但现在的模型不只是理解指令，它们理解的是“环境”。你的工作不再是简单“提示”，而是设计它的上下文。什么是上下文？就是你在模型开始生成内容前搭建的数字环境，包括：- 它应该“扮演”的角色（身份）- 它的目标是什么- 它的沟通风格和语气- 它参考的例子、数据和过往作品这才是保证输出连贯、高质且符合品牌调性的关键。举个例子：旧式提示： “写一篇关于AI生产力工具的LinkedIn帖子。”上下文设计版： “你是一位技术创始人，写实用且能病毒传播的推文，语气自信且带点挑衅，基于真实案例。这里有你过去的三篇示例。现在，写一篇关于AI生产力工具的新推文。”区别就在于，你不是在“提示”，而是在“简报”。模型不再是工具，而是你团队的新成员。就像招新人一样，它需要了解你的品牌、目标和期待，而非随便发号施令。这就是“上下文工程”的力量。一个简单且实用的框架是4C：角色（Character）、命令（Command）、限制（Constraints）、上下文（Context）。一次设定，反复使用。有了正确的上下文，你的模型变成真正懂你声音、受众和意图的创意伙伴。没有它，你只是靠运气。停止“提示词黑客”，开始“上下文构建”。每次简报，都像培训新员工一样，问自己：“他们需要知道什么，才能像我一样思考？”这才是2025年AI合作的未来。掌握上下文工程，不只是问什么，更是给什么；不只是它写什么，更是它懂什么。创作者借此放大品味，创始人放大判断力，团队放大知识。你今天的上下文结构是什么样的？原文：x.com/hasantoxr/status/1995891151535259864

6. 【别再用AI盲盒了：10个概念决定你的效率边界】如果你每天都在用AI，却从未思考过它如何工作，那你很可能只是在用一个昂贵的打字机。+ Token：模型眼中的计量单位当你向ChatGPT输入一段话，它读取的不是文字，而是token。大约每3-4个字符构成一个token，“Unbelievable”是4个token，“AI”是1个。这不是技术细节，而是真实的工作边界。每个模型都有token上限，超出后，它会开始遗忘对话前半部分的内容。很多人把50页文档塞进提示词，然后抱怨输出质量差，问题就出在这里。模型根本没“读完”你的文档，它在半路就用完了预算，剩下的都是猜测。更短、更密集的上下文，永远能换来更好的输出。+ 上下文窗口：模型的白板有边界上下文窗口是模型的工作记忆，你的提示词、对话历史、附加文档，全部都要挤进这个窗口。把它想象成一块白板，满了就得擦掉旧内容腾空间。大多数人把上下文窗口当作无限存储，这是幻觉。模型不会记得上周的对话，也不会记得3小时前另一个会话里你说了什么。每次会话都是从零开始，如果你想让它“记住”什么，必须手动放回去。+ 温度值：创造力的刻度盘温度控制着模型的“创造性”。低温度（0.1）意味着精准、可预测、近乎机械；高温度（0.9）则创意十足、充满惊喜、偶尔失控。写代码或提取数据？把温度调低，你要的是准确而非创意。头脑风暴或写营销文案？提高温度，让模型冒点险。一个参数，输出质量天差地别。+ 嵌入：AI如何理解意义嵌入是AI理解含义而非文字的方式。每个词、句子或文档都会被转换成一串数字（向量），相似的含义会得到相似的数字。这就是为什么搜索“汽车”能返回“车辆”或“交通工具”的结果。这是RAG系统、语义搜索和推荐引擎背后的引擎。当你的AI在回答前“检索”相关文档时，它其实在比较嵌入向量，寻找意义上最接近的内容。如果你在构建任何处理数据的AI产品，必须理解这一点。+ RAG：不是让模型更聪明，而是让它见多识广RAG（检索增强生成）等于在模型回答前，给它注入新鲜、相关的信息。它不依赖训练数据（那些有截止日期的知识），而是实时提取数据并注入提示词。这就是AI能回答你公司特定文档问题的原因。但人们常误解的是：RAG不会让模型变聪明，只会让它变得见多识广。糟糕的检索等于糟糕的答案。即便是最强的模型，如果你喂给它错误的上下文，它也会胡编乱造。RAG系统的质量几乎完全取决于检索质量，而非模型本身。+ 微调：最后的手段，不是第一步微调是拿一个预训练模型，用你自己的数据继续训练它。就像雇一个全科医生，然后送他去读6个月的外科专科。同样的基础智力，现在专攻你的特定场景。但所有人都搞错了：微调不是第一步，而是最后手段。在微调之前，先试试更好的提示词、试试RAG、试试少样本示例。微调昂贵、缓慢，还会把你锁定在某个模型版本上。只有在其他方法都失败后才考虑它。+ 幻觉：模式完成的副作用幻觉是AI自信地陈述完全错误的事实。它不是在撒谎，它甚至不知道自己错了。它只是基于训练数据完成模式，有时模式会指向一个听起来对但实际错误的方向。可怕的是：陈述越自信，人们越相信。解决方案不是“用更聪明的模型”，而是给模型一个可依据的来源。使用RAG，要求它引用出处，告诉它“不知道就说不知道”。当你限制模型的活动范围，幻觉会大幅减少。+ 代理（Agent）：不是聊天机器人，而是分布式系统AI代理不只是聊天机器人。它是一个能采取行动的模型，搜索网页、编写运行代码、发送邮件、调用API，循环往复直到任务完成。模型根据刚发生的事情决定下一步做什么。你见过的大多数演示版“代理”都是假的。真正的代理需要记忆、错误处理、工具使用、回退逻辑和安全防护。大多数创业公司发布的，不过是调用3个API端点就自称“自主”的提示词。真正的代理是分布式系统，要用那样的思维构建它们。+ 系统提示词：看不见的规则层系统提示词是每次对话上方的隐形指令层。你看不见它，模型看得见。在这里定义角色、规则、语气、约束和任务，这是通用聊天机器人和专业工具的分水岭。大多数人纠结用户消息，却忽略系统提示词，这是本末倒置。弱的系统提示词意味着模型每次都要猜你的意图；强的系统提示词意味着模型在你开口前就知道自己是谁、在做什么、如何行事。+ 上下文工程：新技能正在取代提示词工程提示词工程关乎你问什么，上下文工程关乎模型看到的一切：包含什么、排除什么、顺序如何、格式怎样。今天最优秀的AI工程师不是在写巧妙的提示词，而是在做架构决策：什么信息进入上下文窗口，何时检索何时预加载，什么该总结什么该逐字保留，如何在长任务中构建记忆。掌控上下文，就是掌控AI。简评：你的效率边界，并不由OpenAI或Anthropic决定，而由你对这10个概念的掌握程度决定。入门级：懂得Token和上下文窗口，不乱喂数据。进阶级：善用RAG和System Prompt，解决幻觉问题。大师级：掌握上下文工程与代理（Agent）架构，将AI封装为可自动化的智能体。停止把AI当成盲盒，开始把它当成一套精密的工程系统来构建。x.com/alex_prompter/status/2024073869452358017

7. 发现一个AI的新用法，再也不用担心不会写提示词了！

8. 不知道大家想过这个问题没有，大家都感觉现在大模型的记忆存储受限，200万的上下文记忆其实也不够用。但我想说，其实即使大模型能够记住海量的上下文，也未必有用，它依然需要上下文的管理。也就是说，在AI时代，一个人非常重要的能力就是如何去管理上下文，去领导Agent。为什么这么讲呢？大家可以想想，如果记忆不受限，大模型可以无限存储，你和它聊的内容越多，它大脑里塞的东西就越满。在执行任务的过程中，它不知道到底应该怎么去执行，因为塞的东西太多了，哪个是核心的？是不是太多了？如果记忆太多，就容易导致错乱和模糊，因为你塞得太满，它不知道怎么执行，很多东西在里面很乱。所以，上下文管理是必须的。第二，即使大模型的记忆非常多，人和人之间沟通，一句话的理解都可能不同，何况大模型和人之间的沟通呢？这里面肯定也会存在交流的摩擦。所以，人需要及时干预和介入到大模型的工作流程当中，去管理上下文、管理整个流程，这是非常必要的。所以大家不要期待说，大模型的上下文越来越长就越好，不一定，有利有弊。即使大模型不会丢掉记忆，记忆永存，它依然不会精准地按照人类的要求去执行。我之前看过一个调查或研究，就是说大模型里，你上下文塞得越多越满，它的执行就会越混乱、越模糊，就是因为东西太多了，它不知道怎么执行了。所以，管理上下文这个事情，依然需要有人去管理、去做。#科技先锋官##How I AI#

9. 网页链接langchain发了篇官博，探讨了智能体如何利用文件系统进行上下文工程，以提升其性能和可靠性。智能体失败的主要原因并非模型能力不足，而是缺乏正确的上下文信息。上下文工程的目标是精准地将必要信息填入模型的上下文窗口，避免信息缺失、冗余或不相关。常见的上下文工程挑战包括：信息过多（检索内容远超所需）：如网络搜索返回大量无用内容，浪费token并增加成本。信息过少或超出上下文窗口：复杂任务需大量信息，单次无法加载全部。难以定位小众信息：所需信息埋藏在大量文件中，语义搜索效果有限。缺乏持续学习能力：无法从交互中积累新知识。文件系统是解决这些问题的关键工具，其优势体现在：作为“草稿板”：将大体积工具输出（如网页内容）存入文件系统，按需通过grep等工具提取关键信息，减少上下文占用。动态管理上下文：存储长期计划、子任务结果或复杂指令，按需调用，避免系统提示过载。精准搜索：利用ls、glob、grep等命令在结构化目录中快速定位特定文件、行甚至字符，尤其适合代码或技术文档。持续学习与自我更新：智能体可通过用户反馈更新自身“技能文件”，将新知识写入文件系统，实现长期记忆与能力进化。#科技先锋官#

10. 今天看到一个关于 Loop Engineering （循环工程）的说法，从工程师的角度，感觉比 Agentic Engineering 更具体。提示词（Prompting）是一个 Bug，而非特性。别再痴迷于琢磨动词和上下文窗口了。如果你的工作流还得靠你去做一个“提示词耳语者”（Prompt Whisperer），那你已经输了。在一个渴求“系统化”的世界里，你只不过是个手动挡的操作工。 “氛围编程”（Vibe Coding）拿来做演示固然有趣，但真正的进化是**“循环工程”（Loop Engineering）。你不再是写一段提示词，而是构建一个递归环境**：让智能体（Agent）自行评估失败、重构逻辑，并不断迭代，直到意图与输出之间的偏差（Delta）归零。人类不应是那个修修补补的编辑，而应是整个循环的架构师。停止与机器对话。去建造那台会“自我对话”的机器。

11. 【电影感人像提示词公式】GPT-Image-2提示词合集-2

12. Seedance 2.0从入门到精通 AI视频生成提示词秘籍

13. 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

14. 用了这5大技巧后，原来AI人物还可以这么真？

15. 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……

16. 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？

17. 【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？

18. 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？

19. 当模型推理能力越来越强，我们还需要提示工程吗？

20. 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？

21. 【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#

22. 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

23. 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。

24. 因为最近各个团队都在用 AI，所以我看了大量的其他人写的提示词。。。如果说人类写提示词最容易犯的两个错误： 1 是懒惰，当然，懒惰的根源是蠢。这导致它的背景交代不清晰。如何在尽量简洁的，清晰的交代整个问题的背景？这其实还是一个挺有挑战的活。 2 是自负。当然，自负的根源是自卑。就是他总是会莫名其妙的无法区分主观和客观，在提示词里会给 AI 一些方向性的暗示，引导 ai 答案的方向。这就导致 ai 会复合你，的确满足了你个人的虚荣心。。但是，这就导致其实没法运用 AI 的各种能力，最大化的去探索最优解。不过这个也很正常，我从评论里就能看到大量懒惰、愚蠢、自负而且自卑的人。这其实本质上不是提示词的技术问题。我觉得就是家教问题。。。

25. 15 个最佳Seedance 2.0 提示词：打造病毒式影片的终极指南

26. 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？

27. “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。

28. 谷歌68页提示词圣经+老金原创元提示词，直接复制就能用

29. 【发挥Claude潜力的十个提示词】最近，一位 Anthropic 前研究员披露了内部提示词手册。这份并非基于猜测、而是源自模型建造者的指南揭示了一个核心事实：大多数人之所以觉得 AI 输出平庸，是因为他们没有触达 Claude 的内部推理层。以下是这份手册中至关重要的 10 个高级提示词策略，它们将彻底改变你与 AI 的协作深度。1、情境简报：拒绝直接提问永远不要在没有背景的情况下抛出问题。Claude 需要地图才能导航。提示词模板：我的背景是 [角色/公司/问题]；已尝试过 [A/B]；目前卡在 [Z]；请帮我理清思路。深度思考：内部测试显示，这种背景铺垫能提升 41% 的输出质量。优质的答案不取决于 AI 的智商，而取决于你提供的信息熵。2、推理要求：让思考过程浮现不要直接索要答案，要索要思考。提示词模板：在给出方案前，请逐步展示你的推理过程，指出不确定之处，并标记所有假设。深度思考：这会强制模型激活 Chain of Thought（思维链），让你得到的不仅是结果，还有可质证的逻辑路径。3、诚实约束：打破“讨好型人格”Claude 天性乐于助人，这往往意味着它会说你想听的话。提示词模板：即使难受也要保持诚实。如果我的计划有致命缺陷请直说，不要软化措辞。我宁愿现在听硬话，也不想以后失败。深度思考：这是在解锁 Claude 的宪法 AI 基础，让它从“助手”转变为“顾问”。4、精准角色：越具体，越深刻“充当专家”是最无用的指令。提示词模板：你是有 [具体经验] 的 [特定角色]，见过 [具体失败模式]。请用 [特定框架] 思考，跳过常规建议。深度思考：身份越具体，推理的颗粒度就越细。模糊的角色设定必然导致平庸的输出。5、魔鬼代言人：摧毁你的想法利用 Claude 的批判性思维来检验决策。提示词模板：我要分享一个计划，你的工作是摧毁它。找出所有错误假设、忽视的风险和失败原因。别手软。深度思考：挑战你的模型，其价值远超让它顺从你。这是 Anthropic 团队内部检验想法的标准流程。6、范围锁定：从源头杀死幻觉Claude 容易过度发散，用可信的虚构填补空白。提示词模板：严格限于 [X 背景]。超出范围请直接告知而非推测。我要的是差距，而不是自信的错误。深度思考：拒绝“自信的错误”，是通往高阶 AI 应用的必经之路。7、格式命令：利用极致的精确性Claude 对格式指令的遵循度极高。提示词模板：结构要求：1）一句总结；2）三个要点；3）一个下一步建议。除非我问，否则不要提供其他内容。深度思考：有意识地控制输出结构，能极大降低信息处理的认知负荷。8、假设审计：揭示隐藏的基础任何复杂答案后，都应运行此项。提示词模板：你做了哪些我应该验证的假设？如果这些假设错了，答案会如何改变？深度思考：大多数计划都崩溃在未经察觉的基础假设上。审计假设，就是审计风险。9、压缩循环：清理上下文债务在长对话中，模型会积累“上下文债务”，导致焦点模糊。每 5-6 次交互运行一次：总结目前的进展。解决了什么、决定了什么、最重要的未决问题是什么？深度思考：保持对话的熵减，防止 AI 自信地解决错误的问题。10、前期验尸：预见失败在项目上线前，进行压力测试。提示词模板：假设 6 个月后这个项目失败了。请列出 3 个最可能的原因。具体一点，失败的实际样子是怎样的？深度思考：这能抓住其他审查流程遗漏的盲点。总结：提示词工程的下半场，不再是背诵模板，而是理解模型的设计意图。正如 Anthropic 内部所强调的：AI 不是一个搜索引擎，而是一个需要被正确引导的推理引擎。

30. 回复@想换个昵称但是又不知道换啥_:不需要刻意英文提示词的，中文提示词是一样的，只要准确描述清楚要求即可。//@想换个昵称但是又不知道换啥_:中文提示词可以吗？是不是推荐英文的？//@宝玉xp:回复@水果拍:看看高手是怎么vibe coding的🤓//@水果拍:好干净的示范。好的 Prompt果然不是越写越多，而是把那些常见但糟糕的生成模式排除掉。

31. 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？

32. 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。

33. 【7个提示词，让 Claude 从聊天机器人变成思考伙伴】快速阅读：多数人把 Claude 当搜索引擎用，Karpathy 把它当长期协作伙伴。差别不在模型，在于你怎么构建问题本身。---普通人给 AI 一个问题，等一个答案。Karpathy 给 AI 一套思维框架，然后让它在框架里工作。有网友一语点破：这些提示词本身只是表象，真正的差距在于你如何定义问题。提示词是结果，思维方式才是原因。以下是 7 种具体用法：1. 系统拆解提示：遇到复杂问题，强制 Claude 按步骤走：明确问题、列出假设、识别约束、拆分子问题、提三种方案、比较权衡、给出执行路径、预判失败点。这套流程本质上是把你的思维过程外包出去，然后让 AI 替你跑一遍。2. 第一性原理提示：不要类比，不要总结，从最底层概念开始，一层一层建起来，最后给出心智模型、真实应用和常见误解。适合搞懂 LLM、系统设计、数学原理这类容易“以为自己懂了”的东西。3. 研究简报生成：让 Claude 给出某个领域的全景图，包括玩家格局、当前路径、失败案例、市场空白、逆向洞察和可落地机会。它会变成一个还不错的分析师。4. 构建架构提示：从想法到实现，要求它给出最简版本、组件结构、数据流、技术栈、构建顺序、边界情况和扩展策略。省去大量乱猜阶段。5. 提示词优化器：把你自己写的提示词扔进去，让它优化清晰度、结构、约束条件和输出格式，并解释改了什么、为什么更好。提示词质量会随时间复利增长。6. 专家模式切换：让它以高级工程师对工程师的方式回答，跳过入门解释，直接聚焦实现、权衡和踩坑点。7. 批判性思考伙伴：让它不要盲目附和，主动挑战你的假设、指出逻辑漏洞、提出替代方向。这一步大多数人从来不做。有网友补充了一个实践细节：在开发应用的过程中，你得反复做审计，一旦发现模型开始循环并强行引入不必要的改动，那就是该叫停的时机。这 7 个提示词值得存起来反复用。不过更值得记住的是：AI 给出的答案质量，上限就是你提出问题的质量。x.com/Suryanshti777/status/2036796681195258207#AI创造营##人工智能#

34. 大神 Miles 今天又分享了一个非常实用的 Manus 代理提示，他已经用它执行了数百个任务，并称“这是我 2026 年使用最频繁、最有效的代理提示”。我认真分析了一下，有如下优点：角色定位清晰：把 AI 设定为“自主代理”，自己规划、执行、收尾，大幅减少来回沟通；明确先想后做：强制先思考再动手，并生成简短计划（子任务、工具、顺序、风险），相当于自带迷你项目计划书；确保结果可用：过程会汇报进度，结束还有总结和交付物清单，可直接落地使用。这个提示词适合场景为只有一个大目标、但你没时间或不想细拆步骤的长链路任务。有个感受：提示词的结构设计，本身就是提升 AI 质量和稳定性的关键。

35. #Seedance2.0上手教程##HOW I AI##过个有AI年#看了下大家生成的作品，有些看着天马行空，但很有创意。这是图文之后一大创新，去搜下几个好用的提示词，新手也可以做出很好的短视频，短视频门槛大大降低了。Ai做的视频越来越像真人，居然有情绪起伏和节奏停顿，太恐怖了。有博主分享提示词可以提示词里写（停顿），或者在台词前加上这句话的情绪描写，AI说的太快也有可能是你给它的台词太长了，为了在规定时间内说完所以提高语速。所以多调整下，就能生成自己想要的视频内容了。蘑菇的二姐的微博视频

36. 一学就会，1招去除图片的AI味儿，超绝真实感你用关键词生成的图片是不是看起来一眼假？原来不用关键词才是去掉AI味的关键！#设计 #ai #AI生图 #ai新星计划 #抖音知识年终大赏

37. 优点：1. 有 CoT 收集上下文；2. 有清晰的角色设定； 3. 有❌ vs ✅ 的对比式教学。可以优化的地方：1. 清晰的读者画像，是专业人士还是爱好者还是小白；2. 补充读者不了解的背景知识和事实核查；3. 输出的格式、长度；4. 改写的尺度：是润色、结构化改写？如果是结构化改写，应该有哪几种结构参考？可以根据文章类型提供几种不同结构选择会更好。最后，可以让 AI 给建议，例如可以这样问AI： <draft-prompt>[你的原始提示词]</draft-prompt> 这是一套{将学术文章变成科普文章}的提示词，我希望它能{通俗易懂引人入胜，让读者读后有收获感}。帮我从提示词工程的角度点评一下上面的提示词，哪些地方做得好，哪些地方不足，如何改进

38. 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#

39. 【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

40. 是的，插件确实会占用上下文窗口。每个插件加载后，它的 Skills（SKILL.md Meta 信息）、Agents 定义、Hooks 配置等都会被注入到上下文中，让 Claude 知道有哪些能力可用。插件装得越多，这部分系统指令就越长，留给实际对话和代码处理的空间就相应减少。//@窗边的小硕硕:宝玉老师，claude code装的插件越多，是不是越挤占上下文窗口？

41. 一个提示词技巧：如何让 Gemini/nano banana 帮你去掉照片水印如果你直接让 Gemini 去水印，有些水印它是不给去的，但是你换个思路就可以。第一步：不要说去水印，让它把背景和文字都去掉，换个颜色。参考提示词：> 人物形象不变，但是衣服和帽子换成红色，干净背景没有文字第二步：让它把原来的衣服（和背景）加回去参考提示词：> 换回原来的帽子、衣服

42. 高效提示词（prompt）工程指南

43. 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#

44. 回复@故乡的云_9896552578:没错，代码你只要逻辑清晰，输出就很稳定，提示词不光要逻辑，还要自然语言描述精准！另外有时候可以试试伪代码当提示词//@故乡的云_9896552578:有些时候觉得编合适的提示词比写代码还累程序至少还有个固定语法，每个模型甚至每个版本可能都得进行不同的调整才能稳定输出……

45. 【教程】Gemini3给小朋友的词典（附关键词）

46. 核心指令是让它遵守pronto_get_format获取正确的格式，然后使用pronto_analyze_and_create进行记忆分析和创建，其他的你可以按照你自己的工作流让它写逻辑链形式的提示词~//@一个厚嘴唇星人:给一下提示词，求求了

47. 为什么我编写不出优秀的ChatGPT提示词?

48. 三个新手易犯的AI提示词错误，改完效果立竿见影

49. 三个新手易犯的提示词错误改完效果立竿见影

50. 别再踩这些提示词坑了！6个常见错误，看完少走弯路

51. 如何写出高质量提示词_新手必看的详细教程

52. 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

53. 如何精准给AI下指令

54. 如何高效跟AI沟通需求？分享4个通用提示词

55. 第七篇

56. 提示词写作的 7 个致命错误，90% 的人都在犯

57. 新手写AI提示词最常犯的5个错误，要收好！

58. 新手避坑

59. GPT-Image-2新手教程

60. AI 海报提示词常见错误及解决方案

61. AI编程提示词秘籍｜新手必看，让AI写出无Bug代码

62. 即梦Seedance2.0

63. 实用ai写作技巧

64. 从模糊到精确

65. 别再找“万能提示词”！AI写作90%的坑，都源于模糊指令

66. 掌握AI提示词，效率提升10倍！精准指令，AI秒懂

67. AI提示词指令提示词合集(含教程）

68. 提示词工程最佳实践

69. 2026年了！大部分人还不会给AI提示词。

70. 不会写提示词=浪费Ai

71. 新手写提示词，最容易犯的“过度热情”问题

72. 刷了100多个AI视频，我总算搞明白提示词该怎么写了

73. 为什么你的 AI 提示词总是不好用

74. WorkBuddy从入门到精通（03）提示词基本功

75. 我整理了一套AI提示词，新手直接复制就能用（附模板）

76. 提示词设计课

77. 最新Deepseek AI提示词指令提示词最新合集(含教程）

78. 新手必看

79. 不要再给AI立人设了！越强调「专家身份」模型表现越差

80. 延伸｜Seedance2.0提示词实操补漏

81. 大模型提示词的秘密

82. AI大模型系列第十六站

83. 别再乱问大模型了！90%的人输在不会写提示词

84. 提示词工程

85. 面试题

86. 一文读懂 AI 提示词工程

87. Prompt Engineering（提示工程）

88. 【专栏·知行录】第一期|提示工程

89. 普通人学用AI之写提示词核心原则

90. 写AI提示词要把握的基本原则

91. 提示词是工程，不是写作

92. 写给 AI 的散文

93. AI 提示词实战指南

94. 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

95. 提示词，AI学习的基础

96. 提示词（Prompt）到底怎么写？3个公式让你的提问效果翻倍！

97. 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

98. 我测了100种AI提示词技巧，最后只留下3个

99. 吴恩达提示词工程精华

100. AI提示词编写技巧

101. 如何写出好的Prompt（提示词）？

102. 从“帮我写个方案”到高质量输出

103. 天工AI写作指令大师课

104. 新手必看

105. 如何写好提示词

106. 99% 的人忽略的系统提示词技巧，学会直接碾压同龄人

107. 拆解 GPT-Image-2 提示词底层逻辑，新手也能精准出图

108. 学AI笔记050- 如何告别无效提问?AI提示词进化史：从1.0到3.0，让你的指令精准到“开挂

109. AI小说创作，提示词不是越长越好：AI的“上下文腐烂”会让你越写越崩

110. 提示词调试经验分享：生图提示词

111. AI提示词（Prompt）| 高效使用 AI 工具

112. 用好AI提示词有多香？这套指令流，写作效率直接翻10倍

113. 新手用AI提示词，别再犯这2个错！效率暴增有妙招

114. 一文讲透多模态提示词：原则、模板、场景全收录，多模态提示词万能公式，照着写就出精品

115. 从一次成功，到次次可用——普通人如何建立自己的提示词模板

116. 普通人逆袭指南：掌握这8条AI提示词，写作效率提升300%!

117. 从提示词工程到上下文工程：会用AI的人，正在换一种提问方式

118. AI提示词万能使用指南：从模糊想法到可用成果的全流程攻略《附提示词》

119. 重温提示词工程（四）：常见错误及案例

120. 99%的人都用反了提示词工程：我定义了「逆向提示词工程」，重构人机协作的底层逻辑

121. 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

122. 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

123. 提示词工程新范式探索：我定义了「逆向提示词工程」，重构人机协作的底层逻辑

124. 揭秘大厂都在用的CO-STAR提示词框架

125. 文生图初级提示技巧（四）：常见错误及案例

126. Anthropic官方揭秘：别再死磕提示词，上下文工程让AI输出暴增！

127. 人人都能懂的大语言模型“使用说明书”——提示词工程

128. 我用这个提示词模板写公众号，效率真的翻倍了（附可直接复制模板）

129. 总结了4篇提示词最佳实践，提炼了9条要点

130. 科普！一篇搞懂AI术语：LLM,Prompt,Skill,MCP...

131. 破防了！AI 提示词进阶技巧曝光，新手 vs 高手的差距，就差这 3 个框架

132. 别再死磕提示词优化，真正该优化的是上下文

133. 用AI写公文，这5个提示词让你的效率翻倍！

134. 即梦文生视频：提示词工程与视觉逻辑的实操指南

135. AI 技巧之为什么上下文工程比提示词工程重要很多？

136. 不用学复杂操作！一招把AI提示词变高级，创作效率拉满

137. 各平台提示词特化——公众号、小红书、短视频（建议收藏）

138. 提示词工程师是怎样练成的（九）

139. 核心技能：如何撰写驱动AI批量生成的高效“提示词”？

140. 从零学AI—6种高效的提示词技巧

141. 一分钟AIGC之提示词（大学生版）

新手写提示词总踩坑？避开这5个高频错误，AI输出质量提升3倍

精选参考来源