提示词工程并非万能，但在输出稳定性与格式控制上效果显著_服务软件

1. 高效提示词（prompt）工程指南

2. 这个厉害了！Berryxia.AI 整理的：完整提示词工程指南:框架、技术与模板手册↓——包含从入门到高级的完整提示词方法论——57+ 主流框架、10 大模板、9 大体系结构，一次性搞懂 Prompt Engineering。🎯 核心内容总览📘 框架体系地图（6层）1️⃣ 基础框架（COSTAR、STAR、AIDA...）2️⃣ 分析研究（TRACE、RACE、SMART...）3️⃣ 创意创新（SPARK、SCAMPER、Six Hats...）4️⃣ 问题解决（HMW、COAST、RICE...）5️⃣ 沟通表达（TAG、APE、ORID...）6️⃣ 高级推理（CoT、ToT、Meta Prompting...）🧩 关键提示词结构（5要素）角色（Role）｜上下文（Context）｜指令（Directive）｜格式（Format）｜约束（Constraints）💡 快速选框架指南：任务类型推荐框架 ①营销文案 AIDA / COSTAR ②数据分析 TRACE / RACE ③创意脑暴 SCAMPER / SPARK ④复杂推理 CoT / ToT ⑤项目规划 COAST / GOPA ⑥学术写作 PEE / TRACE 访问：drive.google.com/file/d/1re3Ca-7SjSqupXjQpsS-YSjC9-xpoIXU/view#ai创造营##人工智能#

3. 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？

4. 【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

5. 既然 AI 越来越聪明，那么学习提示词不是浪费时间吗？我小时候英语很差，因为周围总有人说：学英语有什么用？我是中国人，何必学外文，不会 ABC，也当接班人。现在也有人觉得 AI 那么强学英语干嘛。我本来就不喜欢学，这下子找到借口了。等到工作以后才发现，好的技术文档全是英文的，想读一手资料读不了，想跟别人用英文交流张不开嘴，吃了很多年的亏。后来我花了很大力气补英语，现在都没有完全补回来，走了很多弯路。回头看，当年那些说“英语没用”的人，错在哪里？他们不是坏人，只是把一个判断搞反了：因为自己用不上，或者未来技术更强，就断定这个东西没价值。我现在看到有人说“AI 越来越聪明，所以不用学提示词”，感觉特别像当年那些说“学英语没用”的声音。逻辑结构很像：我不需要，所以它没价值；未来会更好，所以现在不用学。这种想法容易让人踩坑。先搞清楚提示词工程到底是什么很多人反感提示词工程，其实反感的是那种“万能提示词模板”、“神秘咒语”，这种东西确实没什么长期价值，模型一升级就失效了。但这不是提示词工程的全部，甚至不是它的重点。真正有价值的提示词工程，是把目标定清楚，把约束条件列明白，把验收标准写出来，把任务拆成可执行的步骤。你愿意的话可以叫它“需求工程”或者“任务设计”，叫什么都行，但这件事本身一直都很值钱。你跟同事说“帮我写个方案”，同事一定会追问：给谁看的？多长？要数据吗？什么时候要？你补充的这些信息，就是在做提示词工程。你跟 AI 协作也是一样的道理，只不过 AI 不会主动追问你（或者追问得不够好），所以你得自己先想清楚。有人说：AI 的目标就是用自然语言像人一样交流，你和谁交流需要用提示词？听起来挺有道理，但仔细想想就会发现问题：你跟人交流，难道就不需要把话说清楚了吗？你去医院说“我不舒服”，医生一定会追问：哪里不舒服？多久了？有没有吃什么药？你不会觉得医生在搞“提示词工程”，你只会觉得这是正常的沟通。AI 能用自然语言交流不等于 AI 有了“读心术”。自然语言天生有歧义，任务目标经常互相矛盾（又要短又要全，又要创新又要安全），输出往往需要特定格式。这些问题不会因为 AI 变聪明就消失。更准确的说法是：AI 越强，对你输入的容错越高，你随便说一句也能得到一个还不错的结果。但“还不错”和“稳定、可靠、符合要求”之间的差距，仍然需要你把需求定义清楚来弥补。相机像素越来越高，但你仍然需要构图。像素高只是让你拍什么都不太糊，但要拍出好照片，你还是得知道自己想拍什么、怎么拍。还有一种类似的说法：“不出三年，软件工程专业就是新的五笔打字培训班。”这和“提示词工程不用学”的思维方式完全一样：看到 AI 能替代某个环节，就急着宣判整个领域的死刑。工程是把一件模糊的、不确定的事情，通过有计划、有步骤的方法，靠谱地做成。软件工程就是把这套思路用在软件开发上，需求怎么理清、架构怎么设计、质量怎么保证、团队怎么协作、项目怎么推进，这是一整套系统性的能力。AI 现在确实强，但它强在软件生命周期里的编码环节（还有很大进步空间），或者说某几个具体阶段。但编码只是软件工程的一个环节，AI 并不能主导整个生命周期，从需求分析、系统设计、技术决策、团队管理到长期维护，这些事情远不是写代码快就能解决的。至少在相当长的时间内都不行。把软件工程等同于写代码，就像把提示词工程等同于背咒语，都是把一个局部当成了全部。高飞说过一句话我很认同：会敲字，不代表会写作；会写作，不代表懂出版。同理：会跟 AI 说一句话，不代表会用好 AI；会用好 AI，不代表能把 AI 嵌入一个可靠的工作流。每一层跳跃之间，都需要“工程”思维来填。以前你自己写代码，现在你指挥 AI 写代码。以前你自己写文章，现在你让 AI 起草再改。工具变了，但“把事情做对”这个责任没有变，仍然在你身上。指挥 AI 本身就是一种能力。你得知道要什么、怎么拆任务、怎么验收、出了问题往哪里查。这些不叫“被替代”，叫工具升级后的能力重心转移。你觉得某些 AI 产品随便说一句就好用，那是因为有人替你把需求定义和约束设计做好了。如果有人说：“我从来不研究怎么把需求说清楚”，这不是什么值得骄傲的事情，“我从来不研究提示词工程”也类似。你以为自己省了时间，其实是把“研究成本”变成了“返工成本”，只不过花得不自知。我当年不学英语，也觉得自己省了时间。后来补课花的时间，比当初好好学多了好几倍。AI 越强，“工程”两个字越值钱，而不是越不值钱。因为强工具放大的是使用者之间的能力差距。同样一个模型，会用的人和不会用的人，产出可以差十倍。拉开差距的，就是你愿不愿意花时间把需求定义好、把流程设计好、把质量管控好。你可以不叫它“提示词工程”，叫“需求设计”也好，叫“任务拆解”也好，叫“跟 AI 好好说话”也行。但“把你想要的东西想清楚、说明白”这件事，不会因为 AI 变强就消失。

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. 【2026年，提示词工程将成为你最重要的隐形技能】很快，你每天使用的工具都会变成一个对话框。能写出好提示词的人，将获得别人难以复制的输出。这不再是锦上添花，而是真正的竞争优势。你可能觉得自己已经搞懂了提示词——毕竟你已经创建了自定义GPT或Claude项目来帮你写提示词。坦白说，那些东西很糟糕。真正的提示词工程，80%的工作发生在你打开聊天窗口之前。+ 隐形的工作当你坐下来写提示词时，你脑海中有一个模糊的想法，然后期待模型能填补空白。但模型不知道你脑子里在想什么，它只知道你打出来的字。模糊的输入，必然产生模糊的输出。大多数人跳过了提示词工程中最难的部分——思考。他们以为工作在于打字，其实工作在于想清楚。+ 法则一：清晰度就是一切这里说的不是你键盘上打的字，而是你脑海中看到的画面。如果你只能看到模糊的东西，模型给你的也同样模糊。你需要在把想法转化为语言之前，先把脑海中的图像打磨清晰。问自己这些问题：这个视频特别在哪里？我脑海中的画面和普通作品有什么不同？为什么有人看完这段文案会想买？我想在什么时刻创造什么情绪？去找参考。找到一个能完美呈现你想要效果的案例，让你看了会说“对，就是这个感觉”。一旦你脑海中有了清晰的画面，把它翻译成提示词就变成了机械性的工作。+ 法则二：上下文是一切无论你在做什么项目，按这个流程操作：1. 在你选择的AI工具中创建一个项目2. 让AI就这个项目采访你——目标、约束、受众、任何相关信息3. 把整个对话保存为context.json文件，上传到项目中4. 以后每次对话，让AI更新这个文件，然后替换旧版本这只需要两分钟，却能完成80%的上下文工程工作。+ 法则三：任务分解AI模型和你一样——当你清晰地列出任务和顺序时，它表现得更好。如果你让AI写一份商业计划书，它会给你一个标准模板，平淡、通用、没用。但如果你让它先写一个聚焦市场时机的执行摘要，然后是包含心理触发点的用户画像，跳过竞争分析因为你在创造新品类——你得到的就是定制化的东西。+ 法则四：定义输出格式人们每天跑深度研究提示词，给模型上下文、来源、详细指令，最后得到一份二十页几乎没法用的文档。你可以指定任何输出格式：要点列表、JSON、表格、执行摘要。想想你拿到输出后要做什么，然后围绕这个用途设计格式。+ 法则五：提供示例当你提供示例时，你在强迫模型在一个特定的通道里工作，而不是从整个训练集中随机抽取。这意味着你得到的输出会匹配你的风格，而不是通用的AI风格。+ 法则六：角色设定不要说“你是一个营销专家”，试试这样：“你是那种能看到消费者行为中别人完全忽略的心理模式的营销人，能在事情火之前三个月就预测到，因为你对注意力经济的理解达到了大多数人永远无法企及的水平。”你不是在让AI扮演一个角色，而是让它进入一种新的思维方式。+ 法则七：约束定义明确你不想看到什么。约束就像设计中的负空间——通过清晰地勾勒你不想要的东西，来定义你想要的形状。保持约束具体且有限，每个提示词最多三到五条。+ 这些法则如何协同工作这七条法则不是简单相加，而是相乘。清晰度加上上下文，比单独的清晰度强大得多。上下文结合任务分解，产出的东西感觉像是一个在你项目上工作了几个月的人做的。你的工作不是记住这些法则，而是学会如何为你的具体场景把它们叠加起来。从清晰度开始。在打开聊天窗口之前想清楚你要什么，找参考，问自己那些不舒服的问题。然后层层叠加上下文、任务结构、格式规范、示例。像设计一个思维系统那样构建你的提示词，而不是给聊天机器人发消息。因为在专家层面，提示词工程就是认知架构设计，AI只是执行引擎。大多数人会继续把它当成一个许愿的魔法盒子。你不会。原文：x.com/levelsio/status/1932773893893009696

8. 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#

9. 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

10. 2025年AI提示词深度指南：从基础知识到高级技巧

11. 提示工程远不止“问AI一个问题”，它是与大型语言模型（LLM）合作时一项关键且系统化的设计技能。了解并掌握以下七大类提示技巧，将极大提升你的AI交互效率和效果：1. 核心提示方式： - 零样本（Zero-shot）：无示例，直接任务。 - 一样本（One-shot）：提供一个示例辅助理解。 - 少样本（Few-shot）：用少量示例教模型识别模式。2. 推理增强技巧： - 思路链（Chain-of-Thought）：引导模型逐步推理。 - 自洽采样（Self-Consistency）：多次推理取最佳答案。 - 思路树（Tree-of-Thought）：探索多条推理路径（进阶）。 - ReAct：结合推理与行动（如调用API）。3. 指令与角色提示： - 指令提示：清晰下达任务（“总结这段内容”）。 - 角色提示：定义身份和行为（“你是法律助理”）。 - 混合提示：结合指令和示例，提升准确度。4. 提示组合技巧： - 链式提示：前一提示输出作为下一提示输入。 - 动态提示：实时注入变量或上下文。 - 元提示：让模型自我改进或验证答案。5. 多模态提示： - 图文结合：同时提供视觉与文本信息。 - 音视频+文本：利用转录或感知输入（需支持的模型）。6. 领域专属提示： - 代码提示：针对编程语言或工具设计。 - 医疗/法律提示：要求高精准和严格格式。7. 提示评估与调试： - 提示消融：去除部分元素测试效果贡献。 - 注入测试：评估提示在应用中的鲁棒性。注意，某些相关技术如RAG架构、代理和工具系统，并非提示技术本身，而是包含提示的更大系统。提示工程已经升级为系统设计。掌握它，不只是会用AI，更是懂得与AI“对话”的新语言。正如有人所说，提示工程是当下最值钱的技能，精通它，你便拥有了打开未来智能世界的钥匙。原文：x.com/techNmak/status/1988095890402480225

12. AI提示词技巧！一文学会高效地对AI进行提问

13. Seedance 2.0提示词技巧！零基础上手指南（附提示词）

14. 发现一个AI的新用法，再也不用担心不会写提示词了！

15. 超级实用的AI提示词技巧：让AI成为你的得力助手

16. 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。

17. 如何写出专家级提示词，充分发挥 GPT-5 的潜力：1、上下文层 - 正确喂养这台机器大多数人写提示词就像写搜索关键词……这样不对GPT-5 需要在开头就给足背景信息（角色、限制条件、成功标准）关键信息要放在前 100 个词内（注意力在早期最集中）用 XML 标签来组织结构，比如 <role> <task> <examples>模型处理结构化数据的效果比处理大段文字好 3 倍2、推理链 - 让它把思考过程说出来别急着要最终答案要求它一步步拆解："系统地想清楚整个过程"用这样的句式："先分析……然后考虑……最后给出建议"GPT-5 的思维链能力比 GPT-4 强得多推理链能让幻觉问题减少 60% 以上3、示例框架 - 做给它看，别光说零样本提示词是碰运气……少样本提示词才是工程化在提示词里提供 2-3 个输入/输出示例，按你想要的格式用这种结构："好的例子是这样：[示例] 不好的例子是这样：[反例]"GPT-5 从例子中学习的效果比从指令中学习好得多4、约束系统 - 边界创造品质模糊的提示词 = 平庸的输出（永远如此）明确你不想要什么："避免泛泛而谈、公司术语、大话空话"设定输出限制："最多 150 字"或"恰好 5 个要点"明确指定语气："写得像个导师，别像教科书"5、角色工程 - 打造专家人设"你是专家"这种说法太懒……要更精准这样用："你是一位资深数据科学家，向非技术背景的创始人解释复杂的机器学习概念"组合多个专业领域，获得独特视角具体的角色会激活特定的训练数据集群6、验证层 - 捕捉幻觉永远要求它提供来源或推理："引用你的推理"或"解释你的信心水平"让它给出替代观点来测试准确性加上这个："你做了什么假设？哪些地方可能错了？"GPT-5 可以自我批判，只要你在提示词里要求它这么做#提示词工程##提示词##AI创造营##微博兴趣创作计划#

18. 即梦AI视频6大经典提示词公式

19. 硅谷大佬接连破防，AI的效率提升太疯狂了。 #大咖观察 #红衣聊AI #硅谷 #AI工具

20. 用了这5大技巧后，原来AI人物还可以这么真？

21. 国外一个网友总记得《Gemini 3 提示词最佳实践：日常使用指南》，内容如下：我用 Gemini 3 Pro 有一段时间了，直接说吧，它比 2.5 Pro 强太多了!这篇文章分享的是目前对我最有效的一些原则和结构模式。这不是什么金科玉律，更多是给你一个起点，帮你找到适合自己的策略。拿去试试，调整优化，不断迭代。核心原则Gemini 3 更喜欢直接明了的指令，逻辑胜过冗长。要想发挥最佳性能，遵循这些核心原则:1、精确指令：输入提示词时要简洁。Gemini 3 对直接、清晰的指令响应最好。明确说出你的目标，别绕弯子。2、一致性与明确参数：在提示词中保持统一的结构(比如标准化的 XML 标签)，并明确定义那些容易产生歧义的术语。3、输出简洁度：默认情况下，Gemini 3 不太啰嗦，倾向于提供直接、高效的答案。如果你需要更像聊天或者更随性的风格，必须明确提出要求。4、多模态协调：文本、图像、音频或视频都应该被同等对待。指令中应该明确提到具体的模态，确保模型能综合处理它们，避免孤立分析。5、约束条件放置：把行为约束和角色定义放在系统指令中，或者提示词最开头的位置，这样能确保它们锚定模型的推理过程。6、长上下文结构：处理大量上下文(书籍、代码库、长视频)时，把你的具体指令放在提示词末尾(数据内容之后)。7、上下文衔接：从大段数据过渡到你的问题时，要明确做好衔接。用一个过渡短语，比如"基于以上信息……"，然后再提问。内容很长，可以看原文，也可以看我的配图。原文链接见评论区。#提示词##提示词工程##科技先锋官##微博兴趣创作计划#

22. 大语言模型（LLM）提示词设计不只是“提问”，而是一门系统工程，是与模型高效交互的关键技能。掌握以下7大类提示技巧，才能真正释放AI潜能：1. 核心提示 - Zero-shot：无示例，直接给任务。 - One-shot：给一个示例。 - Few-shot：给多个示例，教模型识别模式。2. 推理增强 - Chain-of-Thought（思路链）：引导模型一步步推理。 - Self-Consistency（自洽采样）：多条推理路径，选最佳答案。 - Tree-of-Thought（思维树）：多条推理路径并行探索（进阶）。 - ReAct：结合推理和行动（如调用API）。3. 指令与角色设定 - 明确指令：“帮我总结这段内容”。 - 角色扮演：“你是法律助理”。 - 混合型：指令+示例，兼顾清晰和示范。4. 提示组合技巧 - 链式提示：用一个提示的输出作为下一个输入。 - 动态提示：实时注入变量和上下文。 - 元提示：让模型自我优化或验证回答。5. 多模态提示 - 图文结合，给出视觉+文本信息。 - 音视频+文本（依赖模型能力，如GPT-4o、Gemini 1.5）。6. 行业专用提示 - 编程提示：针对特定语言或工具。 - 医疗、法律提示：高精度、格式严格。7. 提示评估与调试（辅助工具） - 去除测试：删减元素看影响。 - 注入测试：验证提示在实际应用中的鲁棒性。需要明确的是，检索增强生成（RAG）和代理工具系统（如LangGraph、AutoGPT）不是提示技巧，它们是架构或框架，提示只是其中一环。提示设计已不仅是“技巧”，而是整体系统设计。理解输入输出工程，掌握推理链条和领域约束，才能让AI输出更可靠、更智能。真正的秘诀不在“神奇语句”，而在于结构化、系统化地设计提示。原文：x.com/techNmak/status/1995726428177137924

23. 阿里巴巴发布首个数据分析Agent，让人人都可拥有AI分析师

24. 15 组文案润色 AI 提示词，秒变神仙质感（直接复制即用）

25. “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。

26. 【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#

27. #IT技术# #微博兴趣创作计划# 六百万围观的“超级提示词”，我终于看懂了AI协作的真相——提示词工程的核心逻辑原来这么简单。伊妹耳的微博视频

28. 《腾讯元宝从入门到精通》002-提示词设计与优化

29. 当OpenAI们还在拼谁烧的钱多中国工程师已经在拼谁的方法更巧。#大咖观察 #红衣聊AI #OpenAI #kimi

30. Aloudata Agent 智能数据分析新范式:从"黑盒对话"到"白盒协作"

31. Qoder 上线提示词增强功能，将开发者从“提示词”的负担中解放出来

32. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

33. 很多人不会用AI的一个原因是写不好提示词。但是写不好提示词也反映出不知道怎么去描述自己的想法。或者根本就不知道自己想要什么。这个就是我们说的没有提问能力。但是这个提问能力呢，和思考又是一体两面的。没有思考就不会有问题。不会有问题自然就不会提问。

34. Grab 构建基于大模型和 Agent 的自动数据分析平台实践

35. 2025年，Agent对于打工人真的有用吗？实测OK Computer

36. 回复@业务员小韩:“猴子得到机关枪”😅//@业务员小韩:提示词背后是大模型与开发工具的原理、能力的理解与应用，用于写代码的话，也是对软件工程的掌握与应用。照搬一堆提示词（还有hook和skill），不知其所以然，和猴子得到机关枪没有本质区别。

37. 为什么我编写不出优秀的ChatGPT提示词?

38. 如何写提示词：一门关于有效提示词的迷你课程。这里有多种旨在提升人工智能模型输出质量和相关性的高级提示词技巧。1. 基础提示词 (Basic Prompting)这是编写提示词的基本准则。提示词通用法则 (CSI):情境 (Context): 提供背景信息。具体 (Specific): 指令要明确。指示 (Instruction): 给出清晰的指令。关键要素:精准的语言: 使用准确的词汇。情境化信息: 提供必要的背景。创意性措辞: 尝试用不同的方式表达。类比与示例: 给出例子帮助 AI 理解。2. 思维链 (Chain-of-thoughts)将一个复杂的问题分解成一系列更简单的步骤，引导 AI 进行逻辑推理。第一步: 分解主要问题。第二步: 分解子问题。第三步: 要求执行具体任务。3. 分块 (Chunking)将复杂的信息分解成更小、更易于管理的部分。这个方法适用于多种场景，比如：金融分析、研究、工具使用、问题解决或写作等。4. 显式推理 (Explicit Reasoning)这是一种让 AI 以清晰、分步的方式解释其思考过程的技术。你可以要求 AI "一步一步地思考" 或 "解释你的推理过程"。5. 代理提示 (Agent Prompting)在 AI 的框架内为其设定一个“代理”或“角色”，并以任务或查询的形式向这个角色发出提示。例如，你可以让 AI 扮演一位特定的专家。6. 团队提示 (Team Prompting)让生成式 AI 像一个专家团队一样工作。你可以定义多个拥有不同技能、角色和视角的虚拟“代理”，并为它们分配具体的任务，促进它们之间的协作。流程: 定义代理及其角色 → 分配任务与顺序 → 促进协作。7. 苏格拉底式提示 (Socratic Prompting)通过提问引导 AI 深入探索一个主题，进行批判性思考并发现潜在的假设。第一级: 提出开放式问题。第二级: 挑战固有的假设。第三级: 寻求澄清说明。8. 元认知 (Meta-Cognition)鼓励 AI 对其自身的思考过程、偏见和决策进行反思。方法:提示 AI 进行自我反思。进行评估和评级。利用其提供的见解。要求其进行调整。9. 提示词优化与扩展 (Prompt Optimization & Expansion)从一个基本的提示词开始，然后要求 AI 根据你期望的结果来改进它。这种技巧的优势在于可以学习如何使用更精准的词语和句式来获得理想的答案。10. 事实核查 (Fact Checking)使用提示词来验证信息的准确性和可信度。步骤:质疑来源: 询问信息的来源。交叉验证: 要求从不同来源进行核对。询问近期数据: 要求提供最新的信息。要求第三方链接: 索取可供查证的外部链接。11. 迭代探究与顺序提问 (Iterative Inquiry & Sequential Questioning)这是一个持续提问的过程，旨在逐步提炼和改善对任务的理解或输出结果。通过一系列连续的问题，不断优化最终的答案。#微博兴趣创作计划##ai创造营##ai生活指南#

39. 《腾讯元宝从入门到精通》029-元宝在学术论文写作领域的应用（生成论文大纲）

40. 《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）

41. 教全世界与AI对话的男人，正式加入DeepMind！提示工程封神

42. 数据分析师日常处理数据集时，需要快速进行数据清洗、特征工程与模型训练，传统手动处理流程繁琐，商用AI分析工具成本高且灵活性不足。 AutoGluon是一款开源免费的自动机器学习（AutoML）框架，适配技术人员与科研工作者快速构建高精度模型、提升数据分析效率的场景。开源地址：github.com/autogluon/autogluon 核心功能： 1. 支持分类、回归、时间序列预测等多种任务类型，无需手动调参即可自动筛选最优算法模型，大幅降低机器学习使用门槛；2. 内置自动化数据预处理模块，可自动处理缺失值、异常值、类别特征编码等问题，减少人工数据清洗的工作量；3. 支持模型集成与堆叠，能将多个基础模型的预测结果进行融合，显著提升最终模型的泛化能力与预测精度；4. 提供简洁的API接口，可与Pandas、NumPy等常用数据处理库无缝衔接，便于集成到现有数据分析工作流中；5. 支持模型导出与部署，可将训练好的模型转换为通用格式，直接用于线上预测或嵌入到应用程序中。

43. 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？

44. 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？

45. 豆包的数据分析功能这么用，学生成绩分析轻松搞定

46. 一套让提示词可靠性提升10倍的工程框架

47. 为什么提示词工程解决不了“独特性”问题

48. 提示词工程

49. 智能体时代，如何写好提示词？一份高级提示词工程指南

50. 提示词工程最佳实践

51. https://mp.weixin.qq.com/s?__biz=Mzg2NzY3NTEyMQ==&mid=2247484506&idx=1&sn=cb5af00b72918d92111c3f6b02508062

52. https://mp.weixin.qq.com/s?__biz=MzA5NzY0NzY0Mg==&mid=2650252319&idx=1&sn=c42aea82a1f4b91d8319d1127cb32379

53. https://mp.weixin.qq.com/s?__biz=Mzk2NDY4NDE3Mg==&mid=2247485445&idx=1&sn=acb0c7f61937bbe21e017ef6b78d7894

54. https://zhuanlan.zhihu.com/p/1990822341064803072

55. https://www.toutiao.com/article/7600405710035223066

56. https://www.bilibili.com/read/cv46274412

57. https://mp.weixin.qq.com/s?__biz=MzI2ODY4NDQzNA==&mid=2247483757&idx=1&sn=9b944ca5c9f8361fd7b800577c8f5998

58. https://zhuanlan.zhihu.com/p/1989413867189736704

59. https://zhuanlan.zhihu.com/p/1951814359270531934

60. https://www.xiaohongshu.com/explore/68f4db83000000000503a47f

61. https://mp.weixin.qq.com/s/bJoEQk_NdOP_3vzp8nAi0g

62. AI(大模型）- 工程级提示词的五个重要法则

63. 2026·AI 提示词工程决胜年？

64. 提示词工程（Prompt Engineering）包含哪些核心要素？

65. 【2026最新版】提示词工程零基础全套入门保姆级课程，AI学习入门到进阶必备教学！

66. 【2026推荐】AI大模型提示词工程，从入门到精通教程，全程干货建议收藏！

67. 提示词工程的误区

68. 理解ChatGPT与提示词工程的问题清单与回答——10、实验与精通提示词工程

69. 理解 ChatGPT 与提示词工程的问题清单与回答——8、评估与优化提示词

70. 提示词工程随想

71. 不就写提示词？提示词工程为啥是工程？

72. 提示词测试性能优化

73. Spring AI系列之提示词工程学习指南

74. 从提示词工程到上下文工程

75. 理解ChatGPT与提示词工程的问题清单与回答——6、利用ChatGPT的特性

76. 理解 ChatGPT 与提示词工程的问题清单与回答——4、与 ChatGPT 的互动学习

77. AI提示词工程开发实战

78. 大模型时代的心理学科研

79. 新型聊天式提示词工具 YPrompt ，通过对话驱动提示工程，降低设计门槛并提升效率

80. LLM 提示词工程框架体系总览

81. ChatGPT 官方提示词你必须知道的６大技巧

82. 拥抱未来，人机共生｜AI时代必修课

83. 2025吃透提示词工程大模型全套教程（LLM+prompt+ChatGPT+Agent）通俗易懂，学完即就业!拿走不谢，学不会我退出IT圈！！！

84. 人工智能的沟通技术及艺术，AI“提示词工程”

85. 2025年提示词工程完全指南

86. 主题 - 核心魔法

87. 非专业的大学生怎么高效的使用AI（Prompt Engineering）

88. 10条专业记者必备GPT提示词！

89. 提示工程实战指南

90. 顶尖提示词工程专家演讲精华

91. 提示词与提示词工程

92. AI提示词的工程本质

93. 提示词工程快速掌握

94. 零基础也能学懂提示词？OpenCSG公益课给出清晰学习路径

95. 开发者必备

96. AI使用技巧

97. ChatGPT 提示词（Prompt）工程

98. 专家级 AI 提示词指南

99. 5分钟掌握提示词底层逻辑，从小白到高手的实操指南！

100. 学习Ai提示词工程和Ai上下文工程的意义。

101. 提示词工程（Prompt Engineering）系统学习

102. 什么是提示词工程？通俗版理解

103. DeepSeek高效提问技巧指南-掌握AI对话特殊‘语法’,提升交互精度

104. 8个让你秒变「AI高手」的DeepSeek高阶玩法

105. 提示词工程(Prompt)入门到精通:一文搞懂核心原理与应用方法

106. 提示词-智慧狮山人工智能广场

107. 人人都能懂的大语言模型“使用说明书”——提示词工程

108. 提示词工程（Prompt Engineering）分类

109. ChatGPT提示词终极指南：让AI真正听懂你的话

110. AI 智能体时代，提示词怎么写？一份高级提示词工程实战指南

111. 大模型入门第十课：提示词工程——解锁AI那90%的隐藏能力

112. 2025年提示词工程完全指南：从入门到精通实操宝典

113. 提示词工程（Prompt Engineering）是什么？看这一篇就够了！

114. LangChain入门详解（第六章）：提示词工程——新手必学的指挥术

115. AI提示词工程入门

116. ai产品经理必备技巧｜提示词工程

117. 写总结必备：一套分步提问的AI提示词模板

118. 转载 | 一文看懂提示词工程：解锁大语言模型的神奇密码

119. 五层提示词工程：如何用AI解构一份报告或电子书

120. Github 13w Star，吴恩达强推《ChatGPT提示词工程》课程视频、配套代码及笔记分享

121. 提示词工程概述

122. 提示词工程：这样跟AI说话，它才听你的！

123. 提示词工程

124. 提示词学习：AI效率翻倍秘诀

125. 【吊打付费】目前B站最全最细的提示词工程教学！从入门到实战全套教程，包含所有干货！

126. AI使用系统指南·第3篇 | AI输出越用越香：3步打磨完美答案，让AI当你的“魔鬼代言人”

127. AIGC学习-提示词设计与优化

128. AI写材料必备提示词（收藏备用）

129. 大模型提示词工程——大模型应用的核心技术

130. 提示工程实战指南：每日一个提示词 | 文生图 | 敕勒歌 |

131. 零门槛体验，3分钟开启提示词工程之旅

132. 5个ChatGPT 提示词技巧，帮你提升对话效率

133. 提示词工程入门指南

134. 真正提示词 = 角色协议 + 行为规范 + 约束 + 世界观 + 输出程序

135. 我用这套"超级提示词"让AI效率暴涨300%

136. 办公AI提示词大全：让你效率提升300%

137. 提示词工程交互式教程：让AI更懂你的想法

138. 【保姆级教程】2026学会prompt提示词工程，从原理到实战一站式速通，全程干货！

139. 提示词工程平台：让每个智能体都有"专业大脑"

140. Prompt提示词工程

141. 别再瞎问了！这套AI提示词模板，让你的效率提升10倍

142. 300块悬赏一段提示词

143. 克服AI内容“塑料感”：关键在提示词工程与个性化调教

144. 提示词知识：提示词工程的局限性是什么？

145. 【实操SOP】别再让 AI 帮你“写邮件”了，请让它帮你“设计沟通”

146. AI小说大纲提示词曝光，3个月验证有效（附实操步骤和AI提示词）

147. 3小时生成高质量论文大纲：全流程实测，附完整提示词

148. 提示工程实战指南：每日一个提示词 | 文生图 | 《江南》

149. 狂揽 133K Star！优质开源AI项目-提示词指南/提示词工程

150. 揭秘提示词工程背后的秘密：提示词工程为啥是工程？

151. ChatGPT提示词编写系列教程内容概述

152. Qoder 上线提示词增强功能将开发者从“提示词”的负担中解放出来

153. 【保姆级教程】2025提示词工程prompt，从入门到实战，全程干货讲解，就怕你不学！——LLM/大模型入门/大模型学习路线

154. 突然发现gemini3提示词工程思路真的好清晰

155. 善用提示词工程：让创业智慧实现跨越式增长

156. 160 种ChatGPT 提示词

157. 一文讲清提示词、提示词工程和上下文工程，值得收藏

158. 去年AI算命火了，今年再送一套AI命理提示词榨干大模型能力

159. 提示词工程：未来小红书高效创作的必备语言

160. 10个可直接复制的商务AI提示词模板，打工人效率翻倍？

161. ChatGPT提示词秒杀市面所有提示词

162. 大模型提示词工程与人类提示词工程

163. 提示工程实战指南：每日一个提示词 | 风 | Nano banana太远，智谱、豆包、元宝怎样？

164. 提示工程实战指南：每日一个提示词 | 咏鹅 | 我也不知道为

165. 全新免费工具：ChatGPT 提示词最佳化器登场 🚀

166. 告别多网页复制粘贴：这款插件让 AI 提示词效率翻倍！

167. 谷歌团队：重复提示词，就能提高准确率——真的有效吗？

168. 2025年最好的AI提示词合集：ChatGPT、Claude、Gemini 提示词大全

169. 【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

170. 提示词和上下文是编程语言吗？提示词智能体大模型.docx

171. AI（大模型）-工程级提示词攻防战

172. 提示词知识：数据分析报告也能用AI写？

173. ai提示词生成软件哪个好用？

174. YPrompt：为AI应用设计的提示词管理系统

175. 社团风采│星启创芯学社开展“AI提示词工程实战课

176. AI老是提示“内容违规”不回答？5个让模型“少误判、答得更好”的合规提问技巧（附Prompt）

177. 用智能体生成数据分析提示词，并脱敏

178. 【吊打付费】目前B站最全最细的提示工程prompt入门到精通全套教程，手把手教你从0基础开始！包含所有干货！这还没人看! 我不更了！！

179. ChatGPT调教、提示词学习、技巧说明、整理7个学习平台

180. AI大模型·白皮书 | 160 种ChatGPT 提示词

提示词工程并非万能，但在输出稳定性与格式控制上效果显著

精选参考来源