顯示 1–24 / 28 組 · 第 1 / 2 頁
Regex 翻譯機：用白話描述 → 給你正則 + 逐段解釋
不用記正則語法——用中文描述要匹配什麼，AI 給你 regex + 每段在幹嘛 + 測試案例。
白話轉 SQL：描述你要查什麼，給你查詢語句
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。
費曼學習法：把任何難概念，講到 12 歲也懂
用費曼技巧讓 AI 教你：先用大白話 + 比喻講清楚，再點出你最容易誤解的地方，最後給一個自我檢測。
決策矩陣：在兩三個選項間卡住時，幫你結構化想清楚
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。
冷 email 開發信：不像業配、讓對方願意回的 4 行模板
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。
銷售頁文案：用 AIDA 把訪客從「滑過」變「下單」
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。
廣告標題 ×10：一個產品一次生 10 個不同角度的 hook
臉書 / Google 廣告測試素材：一次生 10 個不同切角的標題（好奇 / 數字 / 痛點 / 反差 / 急迫…）拿去 A/B。
YouTube 標題 + 縮圖文字：把 CTR 從 4% 拉到兩位數
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。
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。
銷售異議拆解：客戶說「太貴 / 再想想 / 沒時間」怎麼接
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。
Faceless 短影音腳本：30 秒抓住人、有 hook 有反轉
不露臉短影音的完整腳本：3 秒 hook、中段價值、結尾 CTA，附旁白 + 畫面提示，直接拿去配 AI 影片。
長文轉 X / Threads thread：一篇文章拆成會被瘋傳的串
把一篇長文 / 部落格 / 報告，重寫成 6-9 則的 X 或 Threads thread：第一則當 hook、每則一個點、結尾 CTA。
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。
AI Code Review：貼一段 code，抓 bug + 安全 + 可讀性
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。
個人品牌貼文批量：一個主題一次生 5 則不同角度的貼文
經營個人品牌不用每天想梗——給一個主題，一次產 5 則不同切角（故事 / 觀點 / 教學 / 反差 / 互動）的社群貼文。
會議記錄轉行動項：貼逐字稿，吐出「誰、做什麼、何時」
把雜亂的會議逐字稿 / 筆記，整理成決議、行動項（負責人 + 期限）、待確認問題，會後 30 秒交差。
Gemini 2.5 Pro：丟一張截圖，直接吐出「下一步該做什麼」
用 Gemini 2.5 Pro 多模態，把任何截圖（錯誤訊息 / 後台 / 報表 / 對話）變成具體可執行的下一步清單。
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。