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。
篩選展開收合
對比範例校準法：給「要」也給「不要」，一個負例勝三個正例
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。
思維鏈鷹架：把「先想再答」變成固定 5 步，降 30% 自信錯答
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%。
「會用 6 個月以上」的 5 個 Claude 重複任務模板 — 3 條留存準則
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）。
真的有效的 5 個 prompt engineering 技巧（XML > markdown 28%）
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。
把 ChatGPT 的「禮貌性說謊」關掉 — 3 個 anti-sycophancy 指令
預設 helpful = agreeable = 把問題埋在第 4 段。3 個一句話指令可逆轉：問題優先、強制推薦、明示「不要 soften」。從 reading 變 fixing 的差別。
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。
COMMAND PLANNING MODE：9-section 結構化規劃 prompt
不對話、不建議、不嘗試 — 只把任何情況轉成結構化執行計畫。固定 9 區塊輸出：現實 / 目標 / 時程 4 階段 / 戰術 / 威脅 / 防禦 / 應變 / 槓桿 / 信心。同樣 input 永遠同樣 output。
系統 vuln scanner：分析架構、找攻擊鏈、估 time-to-compromise
不只是「列 CVE」— 找出弱點如何串連成攻擊鏈、估 AI-augmented attacker 攻破時間。對比 OpenAI Daybreak 概念、給小團隊用。輸入 Next.js + Supabase + Clerk 等技術描述、輸出 critical paths + 補丁排序。
ChatGPT Custom Instructions：描述「關係」不是「履歷」
大部分人 Custom Instructions 寫 LinkedIn 履歷 — 「我是軟體工程師、喜歡 bullet」— 沒用。換成「描述你要的對話關係」、3 句就讓 model 行為完全不同。
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 攻擊面 audit：看到 AI-augmented 攻擊者看到的你
2026-05 Google 威脅情報後寫的。AI hacking 從 nascent 變 industrial scale、商業 AI 模型挖出人類錯過幾十年的 zero-day。這個 prompt 攤開你能被攻擊的地方。
Suno Live Concert Mode：用 asterisk 注入環境 + 35 個 sound cue
不是「加音效」、是「改變表演 context」。Suno 看到 [Live Crowd] / *crowd cheering* 會降人聲修飾、放鬆 timing、加空間感 — 真的像演唱會錄音。
求職策略：把 ChatGPT 變成 4 合 1（auditor + 分析師 + 顧問）
結合 resume auditor / market analyst / system auditor / strategist — 不討好你、不過度安撫、不把你推到不適合的職缺。10-step 流程 + ghost job 偵測。
英文 copy editor：4 優先級 + 情感共鳴 + 結構流暢
不只是文法修。專門 persuasive / narrative 寫作 — clarity → tone → emotional resonance → structure 4 個優先級 + 解釋為什麼改 + 額外建議。
Suno 進階：用「合成器型號 + 錄音細節」精準描述聲音
為什麼 Suno 永遠 generic？因為你只描述「genre + vibe」。換成「Jupiter-8 saw wave bass with reverb tail」、Suno 給你真的目標聲音。
通用決策 prompt：用「一年後會後悔什麼」逼 AI 給結論
別再為每個決策挑 role（financial planner / career coach / relationship coach）— 1 個 prompt 通用、4 步驟。Regret line 是核心 — 強迫 model 從「it depends」變「actually do this」。
CV writer ruleset：會反問你 STAR、不准用「dynamic team player」
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。
語音便條 → 明日優先事項（含確認回合）
收工前對手機 mic 唸 2 分鐘碎念、丟給 Claude、出來分類好的「明早第一件事 + 排序清單 + 等待 + 可延後」。日 / 週兩種模式自動判斷。
送信前 60 秒檢查：抓「明早會後悔」的訊息
原作者 30% 帶情緒回信隔天 wince，毀了幾筆生意 + 一段友誼後寫的。重點：不要 AI 改寫、是讓 AI 告訴你「冷靜版會長怎樣」、看完通常你回不去原本那版。
老師批作文：3-step chain（鏡頭 → 診斷 → 語氣）
老師熬夜 19/30 篇作文時想出的方法。原本 AI prompt 都「act as English teacher」變成 wall of rubric noise — 這個 chain 解決「不要每件事都批」的真實 grading workflow。
AI 取代風險自測：把工作拆成任務、每個打 1-10 分
2026 年 Cloudflare 砍 20% / BILL 砍 30% / Upwork 砍 24% 後寫的。job title 沒用、拆任務才有用。每個任務 AI vulnerability score 1-10 + timeline + 整體風險評等。
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。
Custom GPT 治理：7 區塊 Agent Identity Card
建 custom GPT / n8n agent 前先跑這個、強制定義邊界、避免 agent scope creep（「幫我處理工作」=災難）。