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1 項展開收合
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。
自我批判迴圈：先寫、再罵自己、再改，一個 prompt 拿三輪品質
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。
評分標準驅動法：先把「滿分長怎樣」告訴 AI，它就照著做
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。
Anti-Goal 三明治法：一句話讓 AI 不再犯它最常犯的錯
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%。
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。
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。
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。
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。
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
決策備忘錄 1-pager · 給 CEO
給 CEO / BoD / VC 的一頁決策備忘錄。把你 30 頁的分析壓縮成一頁能在會議前 5 分鐘看完的清晰文件。Amazon PRFAQ / McKinsey SCQA 風格。
產品 PRD 草稿 · 一頁 Spec
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。
電商商品文案批次產出 · 30 件
給 Claude 30 個 SKU 的基本資料（名稱、品類、賣點、材質），一次產出 30 組「標題 + 賣場摘要 + 3 個 bullet feature + 詳情段落」— 小品牌上架效率 10 倍。
STAR 面試答案庫產出
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。
季度自我檢討文件 · 主管級
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。