个人知识库

AI提示词指南

14分钟阅读

AI提示词指南

从单条提示词模板到跨场景提示词体系的完整认知地图——覆盖”怎么写、写什么、什么时候用”三个层次

核心观点

从多篇素材中综合出来的关于 AI 提示词使用的核心认知。

  1. 模型官方指南正在趋同于”少即是多”：GPT-5.5 官方”Prompt越短越聰明”、Claude 官方”少即是多”、Google PTCF 框架（角色·任务·情境·格式）——三大厂商同时强调简洁直接优于长文描述，提示词工程从”越详细越好”的 1.0 时代进入”精准四要素”的 2.0 时代（来源：2026-06-02-bnext-100-ai-prompts-map）

  2. 提示词工程的三个进阶层级是精巧度→上下文→问题感：精巧度（结构化框架、占位符模板）解决”怎么写”，上下文工程（agents.md、memory.md、Skill）解决”用什么素材写”，问题感解决”写来干什么”——越往后越接近 PM 的核心判断力（来源：提示词工程 多篇素材综合）

  3. 场景覆盖比单条提示词更有价值：多数人不是不会用AI，而是想不到什么时候该用AI——100组提示词地图本质上是一份”什么时候该想到AI”的决策清单，17组万用提示词覆盖写作/研究/沟通/时间管理四大办公场景，先用5个跑2周再组合成”组合包”嵌入工作流（来源：2026-06-02-bnext-100-ai-prompts-map、2026-05-31-bnext-17-office-prompts）

  4. 图像提示词与文案提示词共享”正向+负向”双层骨架但维度不同：文案靠”身份+受众+痛点+重点+避雷”结构化，图像靠”画面叙述+风格关键词列表+负面词+输出比例”结构化——共同骨架是”正向要求+负向约束”，但图像多了”风格关键词列表”（中英混合）和”比例绑定”（来源：2026-05-27-bnext-chatgpt-image-2-60-prompts、提示词工程）

  5. DRAG 框架提供元决策层：提示词技巧解决”给了任务之后怎么让AI做得更好”，DRAG 框架解决更上游的问题——“这个任务该不该给AI”——高重复+低判断力的任务外包，高判断力的任务人做但用AI辅助准备（来源：2026-06-02-bnext-100-ai-prompts-map）

  6. Meta-prompting让提示词优化本身自动化：当你不知道提示词哪里不好时，不要自己绞尽脑汁改——把原始需求给AI，让它帮你改写为结构化提示词，三招覆盖模糊需求精准化、质量诊断和跨模型适配（来源：2026-06-02-bnext-100-ai-prompts-map）

  7. Prompt-as-Code代表提示词工程的工业化方向：当任务复杂度高到需要规则/脚本/素材分阶段调用，或希望全局工作流稳定调用时，应从散文式提示词升级为JSON/YAML结构化Schema——让Agent零幻觉稳定解析、无缝接入工作流（来源：提示词工程）

  8. 特定工具提示词释放被隐藏的产品潜力：NotebookLM 研究助理+简报生成+会议记录、Claude Skill 记住工作习惯+格式偏好、Perplexity 串接 Google 日历自动查客户情报——工具专用提示词的价值不是”通用对话能替代的”，而是解锁产品深度功能（来源：2026-06-02-bnext-100-ai-prompts-map）

知识体系

子方向 1：提示词写法与框架体系

从通用框架（PTCF 四要素）到专用框架（小红书 6 步公式、图像三层骨架）到工程化协议（Prompt-as-Code JSON/YAML），构成从零门槛到工业化的完整进阶路径。核心认知：不同场景需要不同维度数的框架，4维PTCF覆盖80%日常场景，6-7维框架覆盖专业场景，Prompt-as-Code覆盖自动化场景。参见 提示词工程、PTCF 框架。

子方向 2：元认知与任务分配策略

在写提示词之前需要先判断”这个任务该不该交给AI”（DRAG 框架）和”我真正要解决的问题是什么”（问题感）。这一层是提示词工程的天花板——框架和模板解决执行层，但”判断什么问题值得解决”才是真正的差异化。Meta-prompting 则在执行层提供”让AI帮你优化提示词”的自动化捷径。

子方向 3：模型官方指南与趋同趋势

GPT-5.5、Claude、Gemini 3 三大模型的官方提示词指南呈现明确趋同：简洁直接 > 长文描述、结果先行 > 步骤详述、正向指令 > 负向约束。Google PTCF 框架是最具操作性的官方结构化方案。理解各家模型的架构逻辑比记忆特定模型的提示词技巧更有效——因为模型会迭代，但”结构化喂料”的底层逻辑不变。

子方向 4：场景化提示词实战库

覆盖8大场景的100+组实战提示词构成”什么时候该想到AI”的决策地图：职场商业（营销/业务/求职/企划）、视觉生成（ChatGPT Image 2.0/Gemini/JSON风格复刻）、工具深度用法（NotebookLM/Claude Skill/Perplexity）、翻译优化（去AI味/文藻系主任5大重点）、学习成长（费曼学习法/Ikigai/30天家教计划/AI导师五重角色系统）、使用观念（防过劳/防大脑外包/企业导入策略）。其中学习成长场景的提示词结构已从单条模板演进为”三块结构化提示词（现状+目标+时间投入）+五重AI角色（体系构建/资料管理/测评/讲师/项目导师）“的完整系统设计，代表提示词工程在”个人学习系统”场景的最成熟实践。

子方向 5：从提示词到 Skill 的演进路径

提示词是临时的、偏表达意图；Skill 是持久的、编译好的程序性知识。当任务复杂度高到需要规则/脚本/素材分阶段调用，或希望全局工作流稳定调用时，应从 Prompt 升级为 Skill。AI 协作的分享形态正从 Prompt→知识库→Skill→Agent 演进。参见 Skill、提示词工程。

素材汇总

素材核心贡献详见
100組AI提示詞完整地圖（數位時代）83篇文章梳理为8大场景100+组提示词，DRAG框架+Meta-prompting+PTCF+费曼学习法首次系统引入2026-06-02-bnext-100-ai-prompts-map
17組萬用提示詞（數位時代）从 Indu Tripathi 300+提示词精选17个覆盖写作/研究/沟通/时间管理，零门槛场景清单路线2026-05-31-bnext-17-office-prompts
60組ChatGPT Image 2.0提示詞（數位時代）五大类型50组+8种风格实测，揭示图像Prompt稳定结构：场景叙述+视觉关键词+锁定指令+负面词2026-05-27-bnext-chatgpt-image-2-60-prompts
329条GPT-Image 2提示词模板（苍何）Prompt-as-Code引擎：JSON/YAML结构化Schema实现批量自动化生产，从手工作坊到工业流水线2026-05-10-gpt-image-2-prompt-templates
Claude Code Skills精选（掘金）装30+个后只留6个的选择策略，Setup Porn陷阱警示2026-05-11-claude-code-6-skills
Skill实操教程（云舒）跑通→复盘→封装→回溯四步作业法，Skill与Prompt的精确边界：调用方式+承载复杂度2026-05-27-woshipm-yunshu-skill-practical-guide
提示词工程的天花板是问题感（Silas）问题感四项操作化定义，提示词工程三段进阶：精巧度→上下文→问题感2026-05-27-woshipm-ai-interview-case-framework
写给AI的SOP（冰冰酱）Skill构建ACT-R理论+编排知识双象限+四阶段构建方法论2026-05-11-skill-sop-for-ai
用大模型搭建私人学习系统（人人都是产品经理）三块结构化提示词（现状+目标+时间投入）搭建AI导师五重角色体系，输出驱动学习法2026-06-09-woshipm-ai-tutor-system

关键概念

  • 提示词工程 — 结构化指令设计的方法论体系，本主题的核心实体
  • DRAG 框架 — 任务分类四步框架，元决策层
  • Meta-prompting — 让 AI 优化提示词本身的自动化方法
  • PTCF 框架 — Google 官方结构化提示词框架（角色·任务·情境·格式）
  • 费曼学习法 — AI 增强版学习方法论，24 小时自适应学习系统
  • Skill — 从提示词演进而来的持久化 AI 能力单元
  • 问题感 — 提示词工程的天花板，PM 的元能力
  • Prompt-as-Code — 提示词工程工业化方向（JSON/YAML 结构化）
  • NotebookLM — 工具专用提示词的典型载体
  • Claude Cowork — Claude 桌面应用协作模式

综合分析

不同素材的交叉视角

维度100组提示词地图17组万用提示词60组Image 2.0提示词
覆盖范围8大场景100+组4大办公场景17组图像生成50组
核心价值全景决策地图零门槛场景清单视觉Prompt结构化模板
进阶层级框架+元认知+工具占位符+场景覆盖三层骨架+负面词+比例绑定
共同洞察多数人不是不会用而是想不到什么时候该用同左图像Prompt的”禁止什么”和”必须保留什么”同样重要

三篇来自同一来源（數位時代）的素材形成”全景→办公→视觉”的同心圆结构：100组地图提供全局视角，17组万用提示词聚焦日常办公高频场景，60组Image 2.0深入视觉生成垂直领域。

趋势与判断

  1. 提示词工程正在从”技巧层”进化为”系统层”：单条提示词→提示词集合→工作流→Skill→Agent，每一步都在提升复用性和自动化程度。当前多数用户仍在”单条提示词”阶段，但头部用户已经进入”Skill+Agent”阶段
  2. 模型官方指南趋同意味着”跨模型迁移成本降低”：三大厂商同时强调简洁直接，用户不需要为每个模型记忆不同的写法，掌握PTCF四要素即可跨模型通用
  3. “想不到什么时候该用AI”是最大的效率损失：比”不会写提示词”更根本的问题是”不知道这个场景可以用AI”——场景覆盖清单（而非提示词模板库）才是非技术用户最需要的

未解决的问题

  1. 提示词工程与上下文工程的边界正在模糊：当 agents.md、memory.md、Skill 等上下文资产足够丰富时，日常指令可以压缩到一句话——此时”提示词”的概念是否还有意义？
  2. 模型快速迭代导致技巧有效期缩短：GPT-5.5 的”结果先行”建议是否适用于下一代模型？框架层面（PTCF）的保质期应该比技巧层面（具体写法）更长

相关页面

关系图谱

快速导航

反向链接