prompts-chat

prompts-chat — 精选 AI 提示词发现与应用

从 prompts.chat 合集发现并应用高质量提示词，提升 AI 交互、工作流和提示词工程。

参考：prompts.chat — 一个由社区驱动的仓库，汇集了适用于各种 AI 任务和工作流的实用提示词。

何时使用此技能

• 你需要针对特定任务或领域精心设计的提示词模板
• 你正在优化 AI 工作流，并希望采用经过验证的提示词模式
• 你正在构建提示词库或管理提示词版本
• 你想查找自己不熟悉的角色、任务或使用场景对应的提示词
• 你正在通过优化提示词结构来排查回复质量问题

何时不使用此技能

• 主要任务是构建完整的大模型应用框架 → 使用 pydantic-ai、crewai-multi-agent 或 langgraph-human-in-the-loop
• 主要任务是通过 RLHF 或微调优化提示词 → 使用 dspy、openrlhf-training 或 moe-training
• 主要任务是构建 Agent 系统 → 使用 deep-agents-core、crewai-multi-agent 或 harness2 来设计 Agent 框架和团队
• 主要任务是构建 RAG 流水线 → 使用 llamaindex 或 supabase-agent-skills

说明

步骤 1：对提示词需求进行分类

确定类别和使用场景：

prompt_need:
  category: writing | coding | analysis | brainstorming | role-play | instruction-tuning | other
  use_case: single-task | template-library | workflow-pipeline | prompt-versioning
  domain: software | marketing | education | science | creative | business | other
  current_pain: quality | consistency | structure | discovery | version-control

步骤 2：获取并探索 prompts.chat 数据

访问 prompts.chat 仓库，查找相关提示词：

# Clone or fetch the latest prompts collection
git clone https://github.com/f/prompts.chat.git /tmp/prompts-chat 2>/dev/null || \
  curl -s https://api.github.com/repos/f/prompts.chat/contents/ | jq '.[] | select(.type=="dir") | .name'

# List available categories
ls /tmp/prompts-chat 2>/dev/null || echo "Use online repository"

步骤 3：评估并选择提示词

针对每个候选提示词，评估以下方面：

1. 相关性：是否符合你的任务或领域？
2. 质量：提示词结构是否清晰且组织有序？
3. 易用性：无需修改即可将其整合到你的工作流中吗？
4. 可复用性：它能否作为模板用于不同变体？

步骤 4：根据你的场景调整提示词

自定义所选提示词：

• 将占位符替换为你的具体场景
• 调整语气、长度或输出格式，使其符合你的工作流
• 在全面部署前，使用有代表性的输入进行测试
• 记录变体和版本变更

步骤 5：存储并管理提示词版本

为你的项目创建本地提示词库：

# Example structure
prompts/
  ├── approved/
  │   ├── code-review.md
  │   ├── technical-writing.md
  │   └── summarization.md
  ├── drafts/
  └── VERSIONS.md  # Track changes

记录：

• 来源（prompts.chat 或自定义）
• 版本日期
• 预期使用场景
• 已知限制或提示

步骤 6：集成到工作流中

将提示词嵌入 Agent 工作流：

# Reference prompt files in scripts
PROMPT=$(cat prompts/approved/technical-writing.md)
curl -s https://api.openai.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -d @- <<EOF
{
  "model": "gpt-4",
  "messages": [{"role": "system", "content": "$PROMPT"}]
}
EOF

步骤 7：监控并迭代

跟踪提示词表现：

• 记录哪些提示词能生成最佳输出
• 收集用户反馈或自动化质量指标
• 根据表现数据进行优化
• 将改进成果分享回社区（可选）

示例

示例 1：查找代码审查提示词

目标：使用模板提示词提升代码审查质量

Search prompts.chat for "code review" or "code analysis" category
→ Find the "Code Review" prompt
→ Adapt it with your repo's standards and style guide
→ Store in `prompts/approved/code-review.md`
→ Use in code review workflows

示例 2：为内容创作构建提示词库

目标：围绕多个主题创作风格一致的内容

Collect prompts for:
  - SEO-optimized blog post writing
  - Social media caption generation
  - Newsletter content curation
  - Video script structuring
→ Store each in prompts/approved/
→ Version and document in VERSIONS.md
→ Integrate into content pipeline

示例 3：提示词版本管理与 A/B 测试

目标：比较提示词的效果

Create versions:
  - prompts/approved/summarization-v1.md (original)
  - prompts/approved/summarization-v2.md (refined)
→ Test both on sample inputs
→ Measure quality metrics (brevity, accuracy, completeness)
→ Keep best version, document learnings

最佳实践

1. 从精选来源入手 — prompts.chat 经过了充分验证；可将其作为基础
2. 记录来源 — 跟踪提示词的来源及选用原因
3. 管理提示词版本 — 像对待代码一样对待提示词；对其进行版本管理并跟踪变更
4. 部署前先测试 — 使用有代表性的输入验证新的或修改过的提示词
5. 分享经验 — 改进提示词后，向 prompts.chat 等社区回馈成果
6. 按使用场景分类 — 按领域、角色或任务整理提示词，方便查找
7. 保持反馈循环 — 收集哪些提示词效果最佳的数据，并持续迭代
8. 避免提示词臃肿 — 定期淘汰或整合使用率低的提示词

与其他技能集成

• dspy — 将 prompts.chat 提示词用作 DSPy 流水线的种子优化器
• pydantic-ai — 将精选提示词嵌入 Pydantic AI Agent 系统
• crewai-multi-agent — 使用特定角色的提示词构建多 Agent 团队
• llm-wiki — 在持久化知识库中存储并管理提示词版本
• technical-writing — 使用提示词帮助构建文档工作流

参考资料

• prompts.chat GitHub
• OpenAI 提示工程指南
• Anthropic 提示词编写指南
• 提示工程指南（社区）