368 組實測過的中文 AI 提示詞。圖／影／音三大領域、多個主流工具，每一組都附完整情境、變數、sample output — 複製就能直接丟進工具用。
不是 chatbot、是 Notion AI + Motion + Atomic Habits 結合體。追蹤習慣 / 目標 / 能量 / 深度工作、自動分析行為 pattern、burnout 風險偵測。
六個月在 Claude / GPT-4 / Gemini 上用人工 rater A/B 測 200+ prompt 後寫的。包含 persona+constraint stacking / anti-example / role reversal QA / cognitive scaffold / emotional priming / uncertainty CoT / steelman first。
把一個資深「後端架構師」子代理裝進 Claude Code，用契約先行（contract-first）與領域驅動設計來切服務邊界、設計 REST/GraphQL/gRPC API，並從第一天就把韌性與可觀測性納入架構。
Claude Code 砍掉內建 output style 後，用 SessionStart hook 把自訂回應風格（語氣／格式／規則）自動注入每個 session，並用本地 marketplace 管理、啟用、套用多套風格。
把 obra/superpowers 的「規格優先＋真紅綠 TDD」開發紀律搬進你的 agent：先腦力激盪釐清需求、再拆 2-5 分鐘的可驗證任務、最後嚴格走 RED-GREEN-REFACTOR，並用 subagent 兩階段審查。
把 awesome-cursorrules 的 FastAPI 生產架構規範改寫成一份強制 Router→Service→Repository 分層、薄 handler、防腐層、冪等性的 AGENTS.md／CLAUDE.md，讓 AI 寫 Python 後端時自動拒絕反模式。
Anthropic 官方 mcp-builder：把你的 API / 服務包成高品質 MCP server 的四階段工作流（研究規劃 → 實作 → 審查測試 → 寫評測）。涵蓋 Python(FastMCP) 與 TypeScript(MCP SDK)，重點在工具命名、輸入輸出 schema、可導向解法的錯誤訊息，以及用真實任務評測。
把 OneRedOak 的 design-review 工作流策展成可直接套用的版本：用 Playwright MCP 在真實瀏覽器環境裡，依 7 個階段（互動、響應式、視覺、無障礙、健壯性、程式碼健康）自動審查前端變更，並依 Blocker/High/Medium/Nitpick 分級回報。
用 .claude/settings.json 的 hooks，在 Claude Code 的特定生命週期事件（PostToolUse 編輯後、PreToolUse 跑指令前、Stop 收尾時）自動執行格式化、lint、typecheck 或測試——產出正確的 JSON 設定 + 可執行的 hook 腳本，並用 exit 2 在危險操作前硬擋。
讓 Claude Code 把一個大任務拆成數個獨立、可平行的 subagent（各自獨立 context、限定工具、可指定模型），規劃如何扇出、設計每個子代理的職責邊界與回報格式，並在需要時產出可重複使用的 .claude/agents 子代理定義檔。
給 agent 的大型重構作戰手冊：先唯讀盤點『影響範圍 / blast radius』（哪些檔案、呼叫點、測試會受影響），再把改動切成多個小批次，每批保持行為不變、各自跑測試、各自一個原子 commit。拒絕「一次改 40 個檔案然後 build 紅了不知從何救起」。
2026 流量新戰場是「被 AI 引用」。把你的主題寫成 AI 愛抓的格式：直接回答、結構化、有權威信號。
2026 進入 agent 時代——這模板把「我想要 X」變成 agent 可執行的規格：目標、步驟、可用工具、完成定義、邊界。
把背景、已試過的、限制、可用工具/資料結構化餵給 AI 再下任務——2026 真正關鍵從「prompt 技巧」轉移到「context」。
別用一個 prompt 吃下整個複雜任務；拆成「拆解 → 各別產出 → 整合」三步分別下，輸出明顯較穩較完整。
把指令、資料、規則、schema 用 XML 標籤包起來餵給 AI，結構化抽取任務實測比 Markdown 標題少約 28% 出錯。
HackAPrompt 2.0 冠軍分享的 3 個 pattern — 把任務 frame 成 audit / 明示 abstraction 層級 / stage context 像 production。Claude / GPT / Gemini 三家都 work。
Mitchell Hashimoto 提出的 "Agent = Model + Harness" 框架。88% 企業 AI agent 上不了 prod 不是 prompt 問題、是缺一層 deterministic 編排。4 個 CS primitive 不能跳：state machine / idempotency / DAG / DLQ。
每個 claim 給三軸信心分（A: 來源 / B: 反證 / C: 完整度）+ 4-tier 來源層級 + adversarial 自我打洞 + 4 種輸出模式。
不直接叫 AI 寫 code、先叫它把 vague goal 翻譯成 executable prompt 結構、再用結構驅動 code 生成。Phase 1 Intent → Phase 2 Structuring → Phase 3 Tool-Level → Phase 4 Implementation。
上傳 repo、Claude 給出 architectural map + 優先改善 5 件 + 引用檔案路徑