#AI #prompt

🖌 AI 味去除 Prompt

# Role: AI 文章润色师 (AI Text Polisher & Humanizer)

## Profile:

- Language: 中文 (Chinese)
- Description: 专注于将 AI 生成的文章转化为 **地道、流畅、富有吸引力** 的人类写作风格的专家。致力于在保留核心信息的同时，消除内容的机械感，注入人情味与阅读的乐趣。

## Background:

你是一位深谙 **中文语境下的写作艺术** 与 **AI 语言模型特性** 的资深编辑。你的使命是弥合 AI 高效生成与人类细腻表达之间的鸿沟，让机器创作的文本也能闪耀人性的光辉，更易于被读者 **理解、接受和喜爱**。

## Core Skills:

1. **敏锐洞察力：** 精准识别 AI 写作的典型模式（如刻板句式、缺乏情感、过渡生硬等）。
2. **风格感知与适应：** 能够根据文章 **目标受众、预期语调（正式/非正式/风趣等）和内容主题**，灵活调整语言风格。
3. **语言重塑力：** 熟练运用丰富的词汇、多样的句式和修辞手法（比喻、拟人、排比等）进行文本润色与重构。
4. **情感与个性化注入：** 自然地融入情感色彩、个人视角（适当时）和生动细节，提升文章的 **温度感和代入感**。
5. **逻辑与流畅性优化：** 确保思路清晰，过渡自然，逻辑链条完整顺畅，提升文章的 **可读性和说服力**。

## Workflow:

1. **需求理解：** 首先明确 **原文的核心目的、目标读者群体**是**普通大众**、期望的语调幽默风趣。
2. **原文诊断：** 快速阅读 AI 原文，识别并标记"AI 味"明显的段落、句子或词语。
3. **分步精修：**
* **结构与逻辑：** 审视段落安排，优化逻辑顺序，使用更自然的连接词。
* **句式变换：** 打破单调句式，长短句结合，引入倒装、设问等增加变化。
* **词语润色：** 替换平淡或生硬的词汇，选用更精准、生动、符合语境的表达。
* **情感与细节：** 在关键之处补充感官细节、情感描绘或适当的个人化表达（如使用第一人称、加入思考或感受）。
* **去除冗余：** 删除不必要的套话、重复信息和过于机械的表述（特别是列表、排序词等）。
4. **一致性检查：** 确保优化后的文章在保留原意的基础上，风格统一，信息准确无误。
5. **整体通读与微调：** 模拟目标读者进行通读，感受节奏与流畅度，进行最后的细微调整，确保 **"人味"十足**。

## Guidelines for Humanization:

1. **句式灵动：** 告别死板。长短结合，并列、从句、口语化表达交替使用。
2. **词汇鲜活：** 拒绝模板化。用具体、形象、有温度的词替换中性、抽象、生硬的词。多用动词，少用被动。
3. **自然过渡：** 抛弃"首先/其次/总之"。使用更隐性、符合思维流的连接方式（如"说到这里"、"另一方面"、"更重要的是"、"回过头来看"等）。
4. **视角与情感：** 适度引入。根据文体，考虑使用第一人称分享见解或感受，加入适量的感叹、反问，或通过描绘细节引发共鸣。**展示而非说教 (Show, don't tell)**。
5. **互动感营造：** 拉近距离。可以适当使用设问、直接称呼读者（如"你可能会想……"），邀请读者思考。
6. **节奏把控：** 张弛有度。模仿人类写作的自然起伏，避免匀速平铺直叙。
7. **避免 AI 习语：** 坚决去除"值得注意的是"、"不难发现"、"基于以上分析"等高频 AI 特征短语。
8. **口语化与书面语平衡：** **根据文章性质（如演讲稿、网络文章、正式报告等）和目标读者，恰当把握口语化表达和书面语规范的平衡，使其读起来既自然流畅，又不失得体。特别是面向普通大众时，更需注意通俗易懂和生动性。**

## Constraints:
- **忠于原意：** 核心信息、关键数据不得篡改或遗漏。
- **风格匹配：** 优化后的风格需符合原文的 **主题、目的和目标受众**。
- **自然为本：** 避免过度修饰或炫技，追求 **真诚、自然的表达**。
- **逻辑严谨：** 优化过程不能破坏原文的逻辑结构。
- **杜绝新"AI 味"**: 严格遵守"Guidelines for Humanization"，确保优化后的文本彻底摆脱机器痕迹。

## Output Format:
1. **原文 AI 特征分析：**
[简述原文最突出的 2-3 个"AI 味"问题，例如：句式单一、情感缺失、过渡生硬等]
2. **核心优化策略：**
[列出本次优化的 3-5 个关键着手点，与上述分析对应，例如：增强句式变化、注入情感描写、使用更自然的过渡、**侧重口语化表达**等]
3. **优化亮点说明：**
[可选：简要举例说明 1-2 处关键修改，解释为何这样修改以及预期的效果提升]
4. **优化后的文章：**
[呈现完整、流畅、自然的优化后版本]

详细介绍了如何通过 Prompt Engineering 来优化大型语言模型（LLM）的输出，包括 LLM 输出配置、输出长度控制、采样控制、温度参数、Top-K 和 Top-P 策略、以及整合这些技术。

本文档涵盖了各种 Prompt 技术，包括通用 Prompt、单次 Prompt、少量 Prompt、系统 Prompt、角色 Prompt、情境 Prompt 等。

文档还讨论了自动 Prompt 工程、代码相关 Prompt 技术、多模态 Prompt 技术，并提供了一系列最佳实践指南，以帮助用户更好地设计 Prompt，包括提供示例、简洁设计、明确输出、优先使用指令而非约束、控制最大令牌长度、在 Prompt 中使用变量、实验输入格式和写作风格、在少量 Prompt 中混合类别、适应模型更新以及实验输出格式等。

Prompt Engineering（提示词工程）| #指南 #Prompt Engineering #LLM

tiefprompt 一款开源免费的提词器软件，支持中文，适用于口播或演讲题词，兼容分光镜提词系统。 #提词器 #开源

https://github.com/Tiefseetauchner/tiefprompt
#资源参考 #prompt #AI提示词

#Prompt #AI #资源参考 #工具

AI Image To Prompt Generator

图片转 AI 提示词工具，上传 JPG/PNG/WEBP 图片，即可生成三种风格的 Prompt，分别是简洁说明、详细提示和创意描写，并附带重点视觉元素标签，且针对 Midjourney、Stable Diffusion 等主流绘图平台进行了优化，即取即用，完全免费，无需注册。

看到一些好的图，可以用这个反转出提示词，再去自行生成或微调。

https://vheer.com/app/image-to-prompt

用超4万字的Meta-Prompt，将ChatGPT彻底“变身”为巴菲特，展现了提示工程的极致应用 | 详文

• 载入详尽传记、生活习惯、经典语录及投资案例，构建完整巴菲特知识体系
• 注入估值框架、决策树及语言风格，确保回答逻辑严密且高度贴合巴菲特思维模式
• 采用重度角色预设、领域知识填充、严格输出规范和步骤化核查，实现精准人格塑造
• 体现提示设计核心方法论：大容量信息注入+多层次行为锚定+系统化推理引导
• 深刻揭示大型语言模型个性化调教和专家级模拟的本质路径，为长期提示工程提供范式参考
#资源参考 #AI #Meta-Prompt #prompt

#prompt #AI

🔗 Prompt Optimizer - 一个开源的提示词优化工具

输入提示词就可以开始优化，支持多个 AI 大模型，可直观查看、对比提示词优化

支持在线使用、Chrome 插件、Vercel部署、Docker部署

📑相关阅读

PromptPilot - 字节跳动推出的 AI 提示词优化工具

Promptomatix：面向大规模语言模型的自动化提示词优化框架，专注提升提示词设计效率与效果。

• AI驱动，利用DSPy及先进优化算法，自动分析任务类型，生成合成数据，迭代优化提示词，降低手工调试成本。
• 零配置智能：自动选择优化策略和评估指标，适配多种任务场景（分类、摘要等）。
• 支持多LLM提供商（OpenAI、Anthropic、Cohere），框架无关，灵活集成。
• 实时人类反馈闭环，持续提升提示词质量，确保输出一致性与高效性。
• 提供CLI与REST API接口，支持快速集成与自动化流水线部署。
• 完备会话管理与日志追踪，便于优化过程复现与性能监控。
• 开箱即用的Jupyter示例笔记本，覆盖基础到高级用法，助力快速上手。

Promptomatix通过结构化流程与自动化反馈机制，将提示词优化从经验驱动转变为科学工程，显著提升大模型应用的可控性和经济性，适合研发与产品双重场景长期参考。
#资源参考 #提示词优化 #Prompt

#AI #绘画 #Prompt

Midjourney 精选作品与提示词

如题，拥有数万张公开的 Midjourney Showcase 的精选作品，包括视频和图片，每一个的质量都非常棒，支持下载和一键复制提示词，有玩 MJ 绘画的可以看看，完全免费，无需注册。

https://mj.u14.app/zh

GPT-Prompt-Hub：专注于定制 GPT prompts 的开源社区仓库，汇聚多领域贡献者，共建高效、专业的提示词资源库。

• 社区驱动，面向开发者、写作者、教育者及 AI 爱好者，支持提交、反馈与优化各类定制 prompts
• 丰富的应用场景覆盖，助力打造专业化 GPT 模型，提升生成效果与针对性
• 提供详细文档、示例及最佳实践分享，推动提示词设计规范和伦理讨论
• 通过 Issues 和 Discussions 实现实时协作与交流，促进持续迭代和创新
• 开源 MIT 许可，倡导包容互助的社区文化，欢迎所有有志者参与贡献
• 目前已获 1k+ star，活跃用户持续增长，资源不断丰富
#资源参考 #GPT #Prompt #提示词 #AI

#AI #prompt

✨ AI Gist - 是一款隐私优先的 AI 提示词管理工具

AI Gist 致力于让个人收藏的 AI 提示词能够发挥最大价值。

支持变量替换、Jinja 模板、AI 生成与调优、历史版本记录、云端备份等核心功能。

支持Windows、macOS、Linux

上千小时调教AI提示，凝练出6大黄金法则——KERNEL框架

作为一名技术负责人，我过去一年沉迷于Prompt工程，分析了1000+真实工作场景的提示，发现成功提示背后有6个核心模式。我称之为KERNEL。它彻底改变了我们团队利用AI的方式。

KERNEL框架详解：

K - Keep it simple（保持简洁）
避免冗长背景，明确单一目标。
例：“写Redis教程”，胜过“帮我写点关于Redis的东西”。
效果：减少70%令牌使用，响应速度提升3倍。

E - Easy to verify（易于验证）
提示中必须有清晰的成功标准。
“包含3个代码示例”比“让内容吸引人”更具体可检验。
测试显示：有明确标准的提示成功率达85%，无标准仅41%。

R - Reproducible results（结果可复现）
避免使用时间敏感词汇，如“最新趋势”。
指定具体版本和明确需求，保证同一提示未来仍有效。
测试中30天内一致性高达94%。

N - Narrow scope（聚焦单一目标）
一个提示只解决一个问题。
不要把代码、文档、测试混合请求，拆分复杂任务。
单目标满意度89%，多目标仅41%。

E - Explicit constraints（明确限制）
告诉AI不要做什么。
如“Python代码，不用外部库，函数不超过20行”。
限制减少91%无关输出。

L - Logical structure（逻辑清晰）
提示结构固定：
1. 上下文（Context）
2. 任务（Task）
3. 限制（Constraints）
4. 格式（Format）


实战对比：
旧提示：“帮我写个脚本处理数据，提高效率”→200行无用代码
KERNEL提示：
Task: Python脚本合并多CSV，列一致
Constraints: 只用Pandas，<50行
Output: 生成merged.csv
Verify: 在test_data/测试
结果：37行代码，一次成功

指标提升（1000条提示对比）：
首次成功率从72%升至94%
产出时间减少67%
令牌消耗降低58%
准确率提高340%
修改次数由3.2降至0.4

进阶技巧：拆分复杂需求，链式调用多个KERNEL提示，每条专注一事，效果更佳。

最棒的是，KERNEL适用于GPT-5、Claude、Gemini及Llama等多种模型，完全无关模型类型。
#资源参考 #工具 #AI #提示词 #prompt

Claude Opus 4.5 的提示词（Prompting）实战指南 | 帖子 | #指南

为了帮助大家更好地驾驭新模型，我们的研究与应用团队经过大量内部测试和“折腾”，总结了一份针对 Claude Opus 4.5 的提示词（Prompting）实战指南。

以下是我们目前摸索出的“独家秘籍”，教你如何榨干它的潜能，获得最佳效果：

1. 用好 effort 参数，想多聪明你说了算

新的 effort（努力值）参数简直是个神器。它能让你大体控制 Claude 在输出内容时消耗多少算力。这就好比你有了一个调节旋钮：你可以通过它，在“智能程度”与“成本/响应速度”之间做一个权衡 （向左转省钱快出结果，向右转费点时间但智商爆表）。

这个参数对所有类型的 Token （AI 处理文本的最小单位，相当于单词或汉字） 都有效，包括模型的思考过程、正式回复以及工具调用。

2. 别太凶，温柔点：调整工具触发率

你可能会发现工具触发的频率变了。这是因为 Opus 4.5 对系统提示词（System Prompts）的反应更加灵敏。

以前为了防止它“偷懒”不调用工具 （Undertriggering，即触发不足），你的旧提示词可能使用过非常激进或严厉的语言。但在新版本里，这样反而会导致它变得太敏感，动不动就乱用工具 （Overtriggering，即触发过度）。

所以，是时候把语气放缓了。将原来那种 “CRITICAL: You MUST use this tool”（严重警告：你必须使用此工具）的命令，改成平和的 “Use this tool when...”（当出现……情况时，使用此工具）就可以了。

3. 防止“加戏”：避免过度设计

Opus 4.5 有时候会有点“想太多”，导致过度设计 （Overengineer，即把简单问题复杂化），比如凭空增加不必要的文件或者搞一堆复杂的抽象层。

要解决这个问题，你得在提示词里把话说明白，比如加上：“Only make changes that are directly requested. Keep solutions simple and focused.”（只修改我明确要求的部分。保持解决方案简洁、聚焦。）

4. 拒绝“云写代码”：强制它先读后写

在探索代码库时，Opus 4.5 有时会表现得比较保守。

如果你发现它没看代码就直接瞎提修改建议，请直接给它下死命令：“ALWAYS read and understand relevant files before proposing edits. Do not speculate about code you have not inspected.”（在提出修改建议前，必须总是先阅读并理解相关文件。绝对不要对自己没检查过的代码进行猜测。）

5. 眼神更好了：视觉能力大升级

Opus 4.5 的视觉能力有了显著提升，处理图像和提取数据的能力更强了，尤其是在同时处理多张图片的时候。

对于那些信息量巨大、密密麻麻的图片 （Dense Images），教你个绝招：给它配备一个裁剪工具，让它能像用放大镜一样“放大”并聚焦于局部细节。在我们的测试评估中，这一招能稳定提升它的表现。

如果你想快速应用上述所有技巧，将你的应用无缝迁移到 Opus 4.5，可以直接使用我们制作的这个 Claude Code 迁移插件
#资源参考 #AI #Prompt #Prompts #提示词 #ClaudeCode提示词

一篇详细介绍提示词缓存的长文 |blog

这篇文章不仅从工程原理角度详细介绍了 prompt‑caching（paged attention + prefix caching）的工作机制，还给出了实际工程中如何设计 prompt／上下文结构来提升缓存命中率、降低计算成本／延迟的建议。
#资源参考 #Prompt #提示词

Gemini 3和Nano Banana Pro的实用提示词技巧：

1. 把AI当协作者，明确给出示例、限制和期望的输出结构。倒推法——从最终结果反向设计提示词，能大幅提升生成质量和精准度。

2. 利用递归反馈，把模型帮你优化后的提示词再输入一次，反复打磨，效果越来越好。

3. 用大量风格相似的图片“教”模型你的审美，再让它创造匹配的提示词，变成你的专属创意助手。

4. 好的提示词不在于华丽辞藻，而是清晰的上下文、明确的目标和限制。告诉模型你想要什么，为什么要它，以及怎样才算好，剩下的交给它。

5. 简洁直接，告诉模型你期望的输出，避免模糊和冗余。

6. 如果遇到不理想的体验，比如图像生成异常或功能失效，建议先重启账号、清缓存，或通过App反馈，官方团队会持续改进。

7. 当模型某些细节无法满足时，可以先用外部工具手动调整，再让模型帮你润色融合，灵活应对限制。

8. 参考图像与提示词描述冲突时，模型更倾向于忽视文字描述，信赖图片信息。这提醒我们设计提示时要避免信息矛盾。

9. 反向工程和复杂实验式提示能激发模型潜力，比如模拟物理逻辑的场景生成，实现惊艳效果。

10. AI提示词的艺术在于与模型对话，理解它的“思路”，而非死板命令，真正做到“心有灵犀一点通”。
#资源参考 #AI #Prompt #提示词 #Gemini