284 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。
提案產生器 / 會議處理器 / 內容再利用 / 週五回顧 / 收工 reset — 試了 40 個只有這 5 個沒被丟掉、各省 30+ 分鐘 / 次。
把「我想找上個月買超過 3 次的客戶」這種白話,轉成可執行 SQL + 解釋,附上你資料表結構就更準。
把猶豫的選項丟給 AI,它幫你列關鍵考量、加權評分、點出你可能忽略的風險,給一個有理由的建議。
寫給陌生對象的開發信:一句相關開場、一句痛點、一句具體價值、一個低門檻 CTA,避開「我們公司成立於…」的死亡開場。
一鍵生整頁銷售文案骨架:抓注意的 headline、放大痛點、堆疊好處、處理疑慮、強 CTA,直接套你的產品。
一支影片生 5 組「標題 + 縮圖該寫什麼」,標題製造好奇、縮圖補資訊不重複,兩者合起來比單獨更想點。
把客戶最常見的拒絕,各給一個不硬推、先認同再重框的回應腳本,話術自然、不像背稿。
讓 AI 當資深工程師審你的 code:依正確性 / 安全 / 效能 / 可讀性四面向給具體問題 + 修法,不是空泛稱讚。
要 AI 先產草稿,再切換成嚴格審稿人挑自己毛病,最後依批評改寫——等於在一個 prompt 內跑三輪打磨。
把你心中的評分 rubric 先寫給 AI,它會用那把尺自我對齊、自評、把不到標的地方改掉,更貼近你要的水準。
在 prompt 裡明確點名「這類任務 AI 最常見的失敗模式」並要它主動避開,2026 實測降錯約 28-30%。
同時示範「想要的輸出」和「不該出現的輸出」,讓 AI 對兩端校準;語氣與精準度任務上,一個負例常勝過三個正例。
強制 AI 回答前依「重述→列假設→逐步推→自查→結論」5 步思考,複雜推理的自信錯答實測降約 30%。
18 個月實測 60 個 Claude workflow 後的留存規律 — 煩但不痛、輸出有去處、input <30 秒。5 個 6 個月以上沒丟的實際模板(Friday review / meeting follow-up / 客戶週報 / Monday briefing / pipeline update)。
AI engineer 跨 GPT-4 / Claude / Gemini 數百小時測試後的 5 個可量化技巧 — CoT 鷹架、persona+goal+anti-goal、XML 比 markdown 準 28%、negative examples 比 positive 強、prompt chaining 完勝 mega-prompt。
寫 CV 痛點不是版型、是「列責任不列成就」+ AI 加碼把你寫成「dynamic team player」。這個 ruleset 強制 AI 不准在拿到 evidence + positioning 前產草稿、會一題題問你下去。
Product Requirements Document 第一版。3 句話問題陳述 → 5 個 user stories → API contract → 成功指標。工程師看了可以直接開工的 spec。
給目標職缺 JD + 你的 5 個實際工作事件,Claude 產出 5 組 STAR 格式的面試回答 — 面試前一晚準備、腦袋裡預演。
給 Claude 你過去 90 天的郵件 / 會議筆記 / Slack 訊息摘要,它產出一份「季度自我檢討」— 成就、失敗、學習、下季目標。績效考核前 30 分鐘搞定。
給 Claude 來賓 bio + 節目主題 + 你想挖的角度,它產出完整 60 分鐘訪談提綱 — 15 個主問題 + 預備追問 + 開場 / 結尾設計。
你有一份通用履歷、同時想投 10 間公司。Claude 幫你針對每家 JD 重新編排重點,不變事實。
不是「幫我看這段 code」這種類似小朝六。一個動作拿到 PR 動規模、安全、性能、可讀性四個面向的評評。
給主題、長度、平台,自動產出可直接給 Sora/Runway 的分鏡 + 提示詞。