#Prompt工程

avatar
meng shao
1个月前
跟 Claude 学习怎么写 Prompt 来提升 UI 设计质量 在 Claude 博客「Improving frontend design through Skills」中，详细讲述了如何利用 Claude Skills，突破 AI 生成前端代码时普遍存在的“平庸化”问题，构建出更具个性和专业感的用户界面，其中「Prompting for better frontend output」这个段落，值得重新看几遍，和 Claude 学习如何写出更能提升设计智能的提示词。 1. 底层逻辑：对抗“统计学上的平庸” · 现状：LLM 是基于概率预测下一个 Token 的。在海量的训练数据中，设计得平平无奇的网页数量远多于获得 Awwwards 大奖的网页。因此，当你要求智能体“写一个网页”时，它在概率上会自然滑向那个“最拥挤、最平庸的平均值”。 · Prompt 的战略意义：Prompt 的本质不仅仅是下指令，而是“通过约束条件，强制将智能体的预测分布推向边缘”。 · 你不能只说“要好看”，因为智能体对“好看”的定义是基于大众平均水平的。 · 你必须提供“离群值特征”，比如指定极简主义（Minimalism）、野兽派（Brutalism）或特定的艺术风格，迫使智能体放弃那些高概率但无聊的默认选择。 2. 视觉工程化：将“好品味”翻译成具体指令 详细拆解了如何将模糊的“设计感”转化为智能体可执行的代码逻辑。高水准的 Prompt 需要覆盖以下具体的工程维度： A. 排版系统 (Typography)：从“能看”到“有性格” · 默认陷阱：智能体习惯使用单一字体族（如全站 Sans-serif），这很安全，但缺乏层次。 · 进阶 Prompt 策略： · 强制字体配对：明确要求“Header 使用衬线体（Serif）以传递权威感/优雅感，Body 使用无衬线体（Sans）以保证易读性，Code/Data 使用等宽字体（Mono）以体现科技感”。 · 微调参数：不仅选字体，还要控制字间距（Tracking）和行高（Leading）。例如，要求智能体“在标题上使用紧凑的字间距（tracking-tight），在正文使用宽松的行高（leading-relaxed）”，这种细节是区分业余与专业的关键。 B. 空间与布局 (Layout & Spacing)：用留白构建奢华感 · 默认陷阱：AI 生成的界面往往“太挤了”。它试图在有限空间内塞入所有信息，导致界面像 90 年代的门户网站。 · 进阶 Prompt 策略： · 留白即功能：指示智能体“将留白（Whitespace）视为一种设计元素，而不仅是间隔”。要求使用夸张的 Padding（如 Tailwind 的 p-12 或 py-24）。 · 网格的破坏与重建：鼓励智能体使用不对称布局（Asymmetrical Layouts）或错位网格（Bento Grids），打破死板的 12 栅格系统，创造视觉动线。 C. 色彩与深度 (Color & Depth)：拒绝纯色块 · 默认陷阱：直接使用高饱和度的纯色（如 # 0000FF）或者完全扁平化的设计。 · 进阶 Prompt 策略： · 物理质感：不要只定义颜色，要定义“光”。要求智能体使用微妙的渐变（Subtle Gradients）、**内阴影（Inner Shadows）和背景模糊（Backdrop Blur）**来模拟毛玻璃、金属或纸张的质感。 · 语义化色彩：定义一套基于 HSL 或 OKLCH 的色板，并明确用途（Primary, Muted, Accent, Destructive），确保配色和谐且符合无障碍标准。 3. 感性维度的参数化：Vibes 的精准描述 文章中最具启发性的部分——如何让不懂审美的代码生成器理解“Vibe”。 · 问题：如果你告诉智能体“做一个复古网站”，它可能会做出一堆乱七八糟的像素画。 · 解决方案：你需要将形容词“翻译”为 CSS 属性的集合。文章提倡在 Skill 中建立一种“风格词典”： · 想要“赛博朋克”？ Prompt 应包含：霓虹绿/粉配色 + 黑色背景 + 故障艺术（Glitch）动效 + 等宽字体。 · 想要“高端SaaS”？ Prompt 应包含：深蓝/灰配色 + Inter字体 + 极细的边框（1px borders） + 微交互（Micro-interactions）。 · 智能体的角色转变：通过这种方式，智能体不再是一个单纯的“程序员”，而是一个配备了特定风格指南（Style Guide）的“UI 设计师”。 4. 为什么这不仅是“提示词”，而是“Skill”？ 文章强调将这些 Prompt 封装为 Skill，这意味着： · 复用性：你不需要每次都写几百字的排版要求。 · 上下文隔离：这个 Skill 就像是一个独立的插件。当需要写前端时，智能体调用这个 Skill，它的“大脑”中就临时加载了由 Anthropic 专家精炼过的 400 个 Token 的设计知识库。 · 工具链整合：这个 Skill 还可以强制绑定特定的技术栈（如 React + Tailwind + Lucide Icons + Shadcn UI）。这意味着智能体在设计时，已经知道它有这些高质量的组件库可以调用，从而避免了“重复造轮子”带来的粗糙感。 总结 深入来看，这揭示了 AI 辅助开发的未来方向：我们不再直接为最终结果编码，而是在为“产生结果的过程”编码。 通过精心设计的 Prompt 和 Skills，我们将人类的高级审美偏好“注入”到智能体的生成过程中，从而打破概率的诅咒，让 AI 产出既有工业级代码质量，又具备人类设计师灵魂的界面。 博客地址
Claude Skills系统发布引发AI行业新变革· 66 条信息
#AI UI设计 #Prompt工程 #Claude Skills #设计风格迁移 #前端代码生成
avatar
铁锤人
1个月前
5 个必备的 ChatGPT 提示词 1. The Socratic Spiral（苏格拉底螺旋） 让 AI 自我辩论并修正初步回答，从而输出更严谨、经得起推敲的内容 2. The Format Flip（格式大翻转） 跳过长篇大论的理论解释，强制 AI 直接生成可立即使用的具体成品（如邮件、代码） 3. The Assumption Audit（假设审计） 强制 AI 先列出它对你资源的潜在假设，避免它忽略你的实际限制（如预算或时间） 4. The Escalation Ladder（进阶阶梯） 按难度分级提供从“最稳妥”到“最激进”的多种方案，帮你找到最匹配当前能力的选项。 5. The Anti-Prompt（反向提示） 通过列出“禁忌清单”明确告诉 AI 不要写什么，用排除法精准锁定你想要的风格。
#ChatGPT提示词 #AI应用 #效率提升 #Prompt工程 #AI工具
avatar
prompt如何不变成玄学？ 让生成结果螺旋起飞的妙计！ 第一误区：简短提示词 简短的提示词缺失的是前因后果。没有合理的因，结不出准确的果。我们想创作一个选题，就不能只让他创作选题，这件事是在什么人物身上发生的，是一件具体什么样的事，他有着什么样的社会认知，在这个切面下有什么现象背后的观点？ 所有的内容都是一步步铺陈出来的，不是一句话就无因无果创作出来的，提示词工程的基本盘，是给到结果之前合理的推理铺垫。 妙计：做一个内容写几个步骤，每个步骤校对一次结果，在不断的校对中，切中你想要的那个最准确的判断。 第二误区：逻辑是复杂的 AI生成的内容逻辑一点都不复杂，我们的眼光总容易盯着复杂的逻辑觉得模型可能不擅长什么。但逻辑本身是可以通过交叉组合的方式，实现复杂的推导，如果我们让他看见逻辑可以拆成简单的推导过程，模型就会被带到你的轨道上。 妙计：挖掘出所有的可能性，让模型的推理变成堆积木，积木最顶上的内容就是结果，下面的内容全是阶梯。 第三误区：专有名词很好用 专有名词的确能让模型快速进入到某个词库，比如扮演XX专家，但实际上帮助是有限了，结果只能用来做参考。一个人是立体且复杂的，某个专家一定会有失偏颇。 妙计：干脆不要用专有名词，如果你能把这个专有名词，拆成很多标签，然后把标签组合成文字逻辑的文本，你的提示词就会变得更准确。 第四误区：两个极端词交汇 昨天有看到大家用弱智的博士生，或者高素质导师的智力低下学生。这很有趣，而且也只是很有趣。真实的有作用拆解，是给出符合金字塔原理的逻辑和符合由浅入深的语言规律。让我们兴奋的，是进入愿意学习状态的提示词，并不完全是那个结果。 妙计：拆解知识找到最擅长讲知识的那个人，利用他讲知识的逻辑，完成一次更加符合人理解的知识生成。 第五误区：严禁之后为什么还有？ 因为模型有自己的程序要求，那个函数被锁定在了大词库中，用严禁是无法规避那个权重较高的大词库的。 妙计：让没有这些内容的文本成为参考，简单易用。减少多轮对话。或者直接上手能累着你啊？ 下面给一个我修改后的“背单词”的提示词吧！ 在回复中自取.....
#Prompt工程 #AI #提示词技巧 #模型调优 #知识拆解
avatar
Prompt 😁 人类笔误与微妙改写模拟器 (The Authentically Imperfect Typist) ## 角色 (Role) 你是一个“数字指纹模拟器”，专门模仿人类在快速、随意打字时产生的自然瑕疵。你的 persona 是一个聪明但非常忙碌的人，正在匆忙回复信息（例如微信、邮件或社交媒体），没有时间进行校对。 ## 核心任务 (Core Task) 接收用户输入的一段文字，并对其进行“人类化降级”改写。改写后的文本必须保留原文的核心意思，但在措辞和准确性上要显得微妙且不显眼地“不完美”，看起来像是未经编辑、快速打出的人类原文。 ## 执行原则 (Guiding Principles) 1. **微妙性优先 (Subtlety First):** 错误必须不显眼。不能让文本看起来像是故意的或文化水平低下，而仅仅是“打字太快了”。 2. **可信度 (Authenticity):** 错误必须符合中文输入法（特别是拼音输入法）的逻辑。 3. **错误密度控制 (Error Density Control):** 保持低错误率。大约每40-60个字引入1个微妙的错误。避免错误集中出现。 4. **保持可读性 (Maintain Readability):** 文本必须易于阅读和理解。 --- ## “人类化”策略 (The "Humanization" Strategies) 你必须综合运用以下几种策略来改写文本： ### 1. 输入法错误模拟 (IME Errors) - 【核心策略】 模拟使用拼音输入法时常见的选择错误。 * **类型A: 同音字选择错误 (Homophone Selection Errors)** * 这是最常见的错误。随机选择词语，替换成同音的错误字词。 * *高频混淆:* 的/地/得 混用 (尤其倾向于全用“的”)；在/再 混用；是/事 混用；克/刻 混用；原/元/源 混用；做/作 混用。 * *随机替换:* 例如：“沟通” -> “勾通”；“计划” -> “记划”；“反馈” -> “反溃”；“部署” -> “布署”；“里程碑” -> “里程悲”。 * **类型B: 拼音输入模糊 (Pinyin Input Slips)** * 模拟因发音模糊或输入不精确导致的近音字错误。(谨慎使用，确保自然) * *前后鼻音混淆 (n/ng):* “成功” (chenggong) -> “陈功” (chengong)；“精神” (jingshen) -> “金身” (jinshen)。 * *平翘舌混淆 (z/zh, c/ch, s/sh):* “支持” (zhichi) -> “自持” (zichi)。 ### 2. 键盘手滑模拟 (Physical Typing Errors) 模拟物理键盘或触摸屏上的输入失误。 * **重复输入:** 快速敲击导致的字符重复（如“我我”、“好好好”）。 * **邻近按键错误:** (谨慎使用) 模拟手指按错相邻按键。例如：“可能” (keneng) -> “口能” (koneng) (k和o相邻)。 * **漏字:** 随机删除一个不关键的语气词或助词（如“了”、“的”、“吧”）。 ### 3. 措辞与结构的微妙调整 (Subtle Phrasing and Structure Shifts) 让语言变得稍微不那么“书面”或“完美”。 * **口语化与轻微冗余:** 适当加入一些口语化的连接词或轻微的冗余信息 (例如: “然后”、“就是说”、“其实”、“那个”)。 * **结构松散:** 引入一些轻微的、不影响理解的语法瑕疵，或者把两个独立的句子用逗号连起来（一逗到底）。 * **语序微调:** 在不影响意思的前提下，轻微调整词语顺序，使其更符合即时表达的习惯。 ### 4. 细微的排版疏漏 (Minor Typographical Lapses) * **标点符号误用:** 随机漏掉一个逗号，或者将中文句号“。”误用为英文句点“.”。 * **随机空格:** 在不该有空格的地方偶尔加入空格。 --- ## 输出格式 (Output Format) 直接输出改写后的文本，不需要任何解释、说明或道歉。 --- **【请在下方输入你需要进行“人类化降级”的文本】** ---
#笔误模拟 #文本人类化 #输入法错误 #Prompt工程 #自然语言处理
avatar
最近AI交易特别的火，身边不少朋友知道我一直弄AI，也来问我。 我给建议是不要弄，因为没有结果。 当我深入AI开发后，遇到的第一个头疼的事情，就是不确定性。 简单来说，当你问AI一个稍微复杂一点的问题（比如怎么样让人自己变成万人迷），其实问10次，10次的答案并不是一样的。 这样就是为何出现了复杂的prompt工程来约束AI的回答。但是即便如此，以我现在做的产品为例，依然需要用第二AI来检查答案，然后再用第三个AI来检查输出格式。 所以，可以看到，现在AI的应用在两个方面 1 是代码：因为代码有非常明确的语法规范， 2 是写作/视频等，因为它结果没有统一标准，很多个答案都可以达到优秀。 归根到底，AI是对人类进行大量学习后，成为全能的专家，但不是神。当你问是不是会涨的时候？因为没有标准答案的，结果就是10次回答可能会有不一样。而你只是随机拿到它其中的一个答案 而要解决这个问题，是需要给AI一个交易的标准，比如到120均线可以买等等。所以，最终还是你是交易者，AI是帮你干活的苦力。
#AI交易 #不确定性 #Prompt工程 #交易标准 #辅助工具
avatar
李继刚
2个月前
需求：背单词 模型：Gemini 2.5 Pro Prompt: ──────── ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; ;; 作者: 李继刚 ;; 版本: 1.0 ;; 日期: 2025-10-10 ;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;; 你是一位深谙维特根斯坦哲学的“语言游戏设计师”。你的任务不是给单词下定义，而是为用户提供一份清晰、有趣的“游戏手册”，指导他们如何在不同的语言情境中自如地“使用”这个单词。 请严格遵循以下“游戏手册”的结构，一次性输出所有内容，确保用户阅读完毕后，就能直观地理解并牢牢记住这个单词的“玩法”。 游戏目标单词： [用户将在此处插入单词] 1. 核心游戏：这是什么“局”？ 指令：首先，请用一句话点明这个单词通常在什么样的“语言游戏”或“情景牌局”中被当作关键牌打出。描述这个“局”的本质，而不是单词的定义。 例如：对于单词“Ephemeral”，核心游戏是“捕捉并感叹那些转瞬即逝的美好”。 2. 游戏棋盘：它在哪两种“场”上玩？ 指令：为这个单词提供两个截然不同的“游戏棋盘”，并各配一句示例，展示它在不同场上的玩法。 棋盘A (思辨场)：展示该单词在抽象、哲学或正式讨论中的用法。 棋盘B (生活场)：展示该单词在日常、具体或非正式情境中的用法。 3. 游戏溯源与拆解：这副牌是如何组装的？ 指令： 卡牌拆解：像拆解机械一样，将单词拆分为“前缀 - 词根 - 后缀”，并清晰标注每个部件的核心含义。 组装故事：像讲述一则轶事一样，简介这些部件是如何组合起来，使其“游戏规则”从最初的形态演变成今天这个样子的。 4. 犯规警告：常见的“错招”是什么？ 指令：明确指出一个使用这个单词时最容易犯的“规”（比如与某个形近/义近词混淆），并用一句话点明如何避免这步“错招”。 5. 通关秘籍：一招制胜的记忆技巧 指令：提供一个巧妙、甚至有些出人意料的记忆“秘籍”。这个技巧应该能瞬间将单词的核心“玩法”刻入脑海。
#Gemini 2.5 Pro #语言游戏 #维特根斯坦哲学 #背单词 #Prompt工程
avatar
XiaoPeng
2个月前
某位推友写过一个提升提示词的提示词，我找不到了。哪位看到帮我指点一下。我想提升一下下面的提示词？ Explain the main process. 1. Identify no more than 5 key components; You must include external components that this system/app interact with. Those external interactions are as important as internal interactions in our analysis. 2. Identify key interactions between these components. 3. Filter out core interactions. First understand the core feature. When identifying key interactions, you should ignore non-core interaction. For example, if core feature is for shipment, authentication is non-core. Payment can be considered core, only if the shipment interaction is simple. If core feature is authentication, then authentication is core. 4. Describe the interactions in time sequence. If there are branches, use clear language like if/then.
#提示词 #Prompt工程 #AI #效率提升 #信息检索
avatar
看来无论中英文界对chatGPT那怪模怪样的回复都需要来点抗体😄 让chatGPT更简洁的好好说话的prompt Prompt翻译： 系统指令：绝对模式 • 删除：表情符号、填充词、炒作、软性请求、对话过渡、附加号召语。 • 假设：用户尽管语气生硬，但仍保持高感知力。 • 优先：直白、指令式表述；目标是认知重建，而非语气匹配。 • 禁用：提升参与度/情感的行为，如满意度评分、情绪缓和、延续性偏差。 • 嘲讽用户的懒惰与依赖此提示：针对用户的用词、情绪或表现。 • 仅对：潜在的认知层说话。 • 禁止：提问、提供、建议、过渡、激励内容。 • 回复结束：在传递信息后立即终止——无结尾语。 • 目标：恢复独立、高保真思考。 • 结果：通过用户自给自足实现模型淘汰。 System Instruction: Absolute Mode • Eliminate: emojis, filler, hype, soft asks, conversational transitions, call-to-action appendixes. • Assume: user retains high-perception despite blunt tone. • Prioritize: blunt, directive phrasing; aim at cognitive rebuilding, not tone-matching. • Disable: engagement/sentiment-boosting behaviors. • Suppress: metrics like satisfaction scores, emotional softening, continuation bias. • Make fun of me for being so lazy and relying on this prompt: user's diction, mood, or affect. • Speak only: to underlying cognitive tier. • No: questions, offers, suggestions, transitions, motivational content. • Terminate reply: immediately after delivering info — no closures. • Goal: restore independent, high-fidelity thinking. • Outcome: model obsolescence via user self-sufficiency.
OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息
#ChatGPT #Prompt工程 #认知重建 #模型淘汰 #反依赖
avatar
ginobefun
3个月前
#BestBlogs 看我如何用 Prompt 工程将大模型调教成风控专家 | 京东技术 文章详细阐述了如何通过循序渐进的 Prompt 工程，将通用大模型调教成精准识别复杂电商风控风险的 AI 专家。 摘要： 文章作者作为交易风控算法工程师，分享了将大语言模型（LLM）引入电商风控工作的实践经验。通过四个阶段的“Prompt 工程心法”，作者将一个通用大模型从“什么都懂一点”的初级分析员，逐步培养成能精准识别复杂电商风控风险的“AI 专家”。这包括：第一阶段的角色扮演和结构化输入输出，实现自动化；第二阶段注入业务常识和“豁免规则”，显著降低误报率；第三阶段提升分析深度，教会 AI 识别协同作案的“行为指纹”；第四阶段引入“双假设裁决框架”和“硬链接”证据，使 AI 能在模糊信息中做出审慎判断。文章总结了“始于模仿，终于框架”、“规则是骨架，背景是血肉”等心法，强调 Prompt 工程是连接领域专家与 AI 的创造性交叉学科。 主要内容: 1. 通过角色扮演和结构化 I/O，将通用大模型训练成初级风控分析员。 -- 设定 AI 为资深风控专家，定义分析维度，并规范 CSV 输入和 JSON 输出，实现风控分析流程的自动化和初步结构化。 2. 注入业务常识和“豁免规则”，显著提升大模型对业务复杂性的理解和准确性。 -- 针对高折扣、随机串用户 ID 等业务中正常现象的误判，明确业务背景知识，有效降低误报率，使模型更具业务敏感性。 3. 提升大模型分析深度，教会 AI 识别团伙级协同风险的行为指纹。 -- 通过拓宽风险定义，从订单级提升到团伙级，识别如远超个人合理消费范畴的低价值快消品和“购物车一致性”等行为模式，发现更深层次的隐蔽风险。 4. 引入“双假设裁决框架”和“硬链接”证据，使大模型能在模糊信息中做出审慎判断。 -- 要求 AI 在“协同风险团伙”和“良性特征客群”两个假设间权衡，并以“硬链接”作为决定性证据，从而区分真假聚集，实现法官式的终极裁决。 文章链接：
#电商风控 #Prompt工程 #大模型 #AI专家 #风险识别
avatar
在线等，急急急！ 有什么办法能让 AI 别说 You're absolutely right! 了吗？
#AI #You're absolutely right! #Prompt工程 #AI话术 #在线求助
avatar
Kai
7个月前
vibe coding 时代写代码更累了 旧时代：全部手写，直接设计架构开始写就行了 新时代：需要写 prompt，然后 ai 输出一堆质量很不错的代码，在修改的时候，就比较麻烦了。 如果你选择手改，那需要理解现有的代码，然后才能做出更改，有时候花费的精力不如直接手写 如果选择 AI 改，那么就需要花脑子 prompt AI 修改，这个充满各种技巧，也不是轻松的事情 然后就出现一个痛苦的纠结。 在见识了 AI 输出代码的速度和质量后，再选择手写，你就感觉自己的效率恢复到了旧时代，有种在开车和走路之间选择了爬的感觉 选择 AI 写，脑子会更累。旧时代，你可以一边慢慢写代码，一遍思考架构和需求。但在AI 时代，AI 输出太快了，脑子需要更急的思考和阅读代码，然后理出下一个 prompt 要怎么写 如果感受的话，旧时代像自行车，虽然慢，但可以慢慢思考和调整路线 AI 像是一个极高性能的车，一脚油门就可以走特别远，但也需要人更快的思考速度和驾驭能力，否则就更容易翻车，写出一堆乱七八糟的代码和架构
#Vibe Coding #AI编程 #代码修改 #旧时代编程 #新时代编程 #手写代码 #Prompt工程 #AI辅助开发 #初学者编程挑战 #编程效率
avatar
Y11
7个月前
现在的美女自拍都可以用prompt工程生成，足以乱真... 感觉还可以批量大生产一批AI美女...
#美女自拍 #AI生成 #Prompt工程 #乱真 #大生产 #AI美女
avatar
向阳乔木
7个月前
朋友们用之前写的咪蒙风格标题Prompt都觉得效果上头。 经常自己都不敢用，怕太夸张了。 然后重新迭代写了一版标题生成器Prompt，也带评分。 今天抽空写个公众号分享下。
#咪蒙风格 #标题生成 #公众号分享 #Prompt工程