PROMPTS
1346 組原創與策展 AI 提示詞，涵蓋圖像、影片、音樂與教學。可依工具、情境與難度篩選，查看各篇的說明與示例。
篩選2 項展開收合
Claude Life OS Prime：把對話視窗變成 productivity dashboard
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。
7 個跨 model A/B 測過的 prompt 技巧（不是 vibes）
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。
生成失敗診斷：從可觀察差異改一項提示詞
把期待、實際輸出與證據分開，形成單一改動與可回退的下一輪試跑。
專案拆解指令：一句需求變 WBS 時程表＋風險預警清單
把一句話專案需求、死線與人力貼進來，AI 產出三層 WBS 工作分解、倒推里程碑時程、關鍵路徑與前三大風險預警；死線不可行時直接告訴你該砍範圍還是加人。
Claude Code 後端架構師 Subagent：API 契約先行 + 微服務邊界設計
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 Output Style 救回術：SessionStart Hook + Marketplace
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。
Superpowers：腦力激盪→計畫→真·TDD 的 Claude Code 技能框架
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。
FastAPI 生產級分層架構的 AGENTS.md／CLAUDE.md 規則範本
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。
用官方 mcp-builder 蓋一台「LLM 真的用得動」的 MCP server
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。
自動化設計審查：用 Playwright MCP 跑 UI/UX/無障礙審查（design-review 子代理）
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。
Claude Code Hooks 自動化建構器：每次編輯後自動跑格式化/lint/測試
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。
Claude Code 子代理分工：把大任務扇出成可平行的 subagents
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。
多檔安全重構指令：先盤影響範圍，再分批改，每批可獨立驗證
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」。
AEO 內容：寫出會被 ChatGPT / Perplexity 引用的段落
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。
AI Agent 任務規格：把模糊需求變成 agent 能照做的明確指令
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。
Context Engineering：2026 拉開差距的不是咒語，是餵什麼料
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」。
Prompt 串接法：大任務拆三步分開問，品質高一截
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。
XML 標籤結構化法：比 Markdown 少 28% 解析錯誤
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。
紅隊視角：3 個跨 model 都 work 的高 capability prompt pattern
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。
AI Agent Harness Engineering：把 LLM 跟 deterministic 編排層分開
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。
reClaim：把 frontier model 變成有 confidence score 的研究 agent
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。
AI 開發逆轉：先請 AI 產 prompt、再寫 code（4 phase）
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。
Claude 對整個 codebase 做架構 review
上傳 repo、Claude 給出 architectural map + 優先改善 5 件 + 引用檔案路徑