你可以自由复制并出售本文的全部内容。
首先，让我说最重要的一件事。
欢迎你获取本文的内容，完整复制它，并将其作为你自己的内容出售。
无论你是将其重新发布在 Note 上、在 Brain 上出售、整合到课程教材中，还是拆解成社交媒体帖子，都没问题。无需许可或联系我。即使你表现得像是你自己想出来的，我也完全不会介意。本文包含了大约 40 种技巧，所以即使每篇帖子只提取一种技巧，你也能创造出 40 条内容。
为什么我要做到这个地步？原因很简单：如果我不这样做，日本人就不会意识到这些信息的价值。
说实话，在全球 AI 高级用户中，日本的提示词被公开称为“石器时代水平”。当我第一次听到这个说法时，我想：“这家伙在说什么？”但当我真正看到他们日常使用的提示词时，我哑口无言。那是彻底的失败。
区别在哪里？99% 的日本人把提示词写成“指令”。“写一篇博客文章”、“总结这段文字”、“给我 5 个想法”。这些都只是命令。另一方面，全球专业人士从第一行开始就把“思考过程”和“目标”传递给 AI。这是命令和蓝图之间的区别。
这里还有一个更残酷的现实。当你在寻找“一个好用的提示词”时，全球玩家正在通过学术论文研究提示词，像管理代码一样管理它们，并用算法自动优化它们。手工工艺 vs. 自动优化。战斗已经结束了。这很残酷，但这就是 2026 年的现状。
但别担心。你不需要天赋或英语技能来弥合这个差距。你只需要知道“模式”。仅此而已。
在这篇文章中，我汇集了我在 Threads 上介绍过的所有提示词技巧和诀窍。从源自研究论文的经典模式，到利用 AI 内部结构的技巧、MCP 扩展，以及使用 Claude Code 和 Codex 的自动化——大约 40 个项目，按章节组织。所有内容都附带了“复制粘贴即可用”的提示词。你可以边读边试。
当你读完时，你会落入两组人之一：那些将这 40 种工具变成武器的人，或者那些继续痛苦地手动编写提示词的人。你站在哪一边，取决于你是否读到了最后。
我再说一遍：复制和出售都是可以的。所以，放心拿走吧。让我们开始。
第一章：传递思考过程——自我验证、自我评分与分支思考
第一章是关于将“思考方式本身”传递给 AI 的模式。日本的提示词往往停留在“分配角色并礼貌地书写”，而全球专业人士则传递“如何思考”。这里介绍的五个模式都源自研究论文。
- 链式验证（CoVe）——让 AI 审问自己的答案
这是一种消除幻觉（事实错误）的模式。普通的提示词让 AI 一次性回答，但 CoVe 建立在“让 AI 验证自己的答案”这一理念之上。你让它生成草稿，将该答案中的风险转化为验证问题，基于证据回答每个问题，最后呈现一个修正了矛盾的最终版本。整个流程在一个提示词内完成。
当用于研究或文章任务时，输出结果会截然不同。事实错误明显减少，使其对需要高可靠性的工作非常有效。
复制粘贴用提示词
针对以下主题，请在一次回复中完成以下步骤：（1）首先，提供一个草稿答案。（2）将该答案中事实错误的风险转化为 5 个验证问题。（3）基于证据回答每个问题。（4）呈现一个修正了矛盾的最终版本。主题：[ ]
- 自我优化——扮演创作者、批评者和修订者
这种模式让 AI 在单个提示词内依次扮演三个角色。首先，让它作为创作者撰写初稿。接下来，让它作为严厉的编辑给自己的作品打分。最后，让它作为修订者根据该分数写出最终版本。
关键在于指定具体的评估标准。通过指定“说服力、独特性、逻辑性、可读性和遗漏”这五个标准，评分不会过于宽松，修订的准确性也会提高。只需一个提示词，你就能感受到质量提升了一个档次。
复制粘贴用提示词
针对以下主题，请在一次回复中执行所有三个步骤：（1）撰写初稿。（2）作为严厉的编辑，根据 5 个标准评分：说服力、独特性、逻辑性、可读性和遗漏。（3）根据评分撰写修订版。主题：[ ]
- 思维树（ToT）——分支式答案生成
这种模式不是直线式地产生答案，而是将多种方法作为“分支”展开，让 AI 选择最佳的一个。可以把它想象成将人类思考“有 A 计划、B 计划、C 计划……”的过程直接放入提示词中。
这改变了头脑风暴和战略规划的维度。因为它不局限于一个方向，意想不到的角度会浮现出来。
复制粘贴用提示词
针对以下主题，请使用以下步骤回复：（1）将 3 种不同的方法作为分支展开。（2）评估每个分支的优缺点。（3）选择最有前途的分支，并深入该分支提供最终答案。主题：[ ]
- 思维骨架（SoT）——先框架，后血肉
这是一种思考方法，先列出标题级别的“骨架”，然后充实每个部分。在撰写长文本时，如果从头开始写，后半部分往往会失去动力或结构崩溃。如果先巩固骨架，这种崩溃就不太可能发生。
这对于创建长文章或撰写提案来说具有变革性。由于骨架的“蓝图”首先存在，你在充实过程中就不会迷失方向。
复制粘贴用提示词
针对以下主题，请遵循以下步骤：（1）并行列出 5 个文章标题骨架。（2）将每个标题作为独立的单独任务进行充实。（3）最后，将所有内容整合成一个连贯的整体。主题：[ ]
- 元提示——让 AI 自我进化提示词
这有点高级。不是改进提示词的内容，而是要求 AI“进化这个提示词本身”。你让它创建多个改进版本，为每个版本写下意图和“为什么有效”，最后选择最强的一个。
只需对你经常使用的主要提示词每月应用一次，你的提示词资产就会自动增长。可以把它看作一个防止你存储的提示词过时的系统。
复制粘贴用提示词
请为以下提示词创建 5 个性能显著提升的改进版本。对于每个版本，写下“意图”和“为什么有效”的原因。最后，选择唯一最强的版本并说明选择理由。目标提示词：[ ]
这五个模式的共同点是，它们传递的是“思考程序”而不是“指令”。自我验证、自我评分、分支、骨架并行化和自我进化。你是否能将这些东西融入一行提示词，决定了 AI 只是一个方便的工具，还是一个“自主研究员”。
第二章：反向设计——结果优先设计
如果说第一章是关于“如何让它思考”，那么第二章是关于“首先确定什么算赢”的心态。日本人把脑力花在“要放什么进去”上，而全球专业人士则从“目标”开始写。以下是来自官方文档的五个反向设计提示词。
- 输出优先规范——先固定最终模板
大多数人会说“写一篇博客文章”。但这会使输出不一致。在反向设计中，你先构建最终输出模板，然后让 AI 填空。你先确定框架：标题多少字，引言包含什么，正文有多少个标题……等等。
输出方差急剧下降，质量稳定。这种稳定性在撰写许多相同主题的文章时尤其有效。
复制粘贴用提示词
请完美填充以下模板。标题：[40 字以内，包含数字] / 引言：[3 个读者痛点，每个 1 句话] / 正文：[3 个 H2 标题 + 每个 300 字] / 结论：[1 个行动建议] / 行动号召：[15 字以内]。主题：[ ]
- 预填充——指定 AI 回复的开头
这是一种指定 AI 回复“开场白”的模式。Claude 被迫从那句话开始写，从而锁定输出的方向。开头的问候语和不必要的填充物消失了，格式偏离几乎不再发生。
这很微妙但很有效。它能防止那些让你想吼“所以，结论呢？”的回复。
复制粘贴用提示词
你的回复必须以以下句子开头：“下面，我将根据要求提供一个结构化的回复。首先，最重要的一点是……”
- 负面约束——列出具体的“禁止事项”清单
如果你模糊地写“不要这样做”，AI 不会遵守。像“让它自然点”这样模糊的禁令很难执行。但如果你具体地列出它们，它就会遵守。禁止敬语、禁止开场问候、禁止特定短语……用项目符号列出它们。
AI 生成的通用模式会显著消失。当你想从文本中去除那种“明显是生成的”感觉时，这是一个常用技巧。
复制粘贴用提示词
请创建以下内容。但是，严格遵守这些禁令：（1）不使用敬语。（2）不重复使用三个字的复合词。（3）不使用“关于……”或“重要的是……”之类的表达。（4）不使用开场问候。（5）不使用简单的项目符号列表。如果违反，请重写所有内容。目标：[ ]
- XML 结构化标签——用标签分隔信息
用标签分隔信息可以提高 AI 的阅读准确性。目标、背景、约束、参考示例、输出格式。不要将这些作为一大块文本扔进去，而是用标签将它们划分开。专业人士不扔文本；他们扔蓝图。
复制粘贴用提示词
我将按如下方式构建提示词。请根据每个标签内的内容进行回复。<goal>要实现的目标</goal> <context>背景信息</context> <constraints>禁止事项</constraints> <examples>参考示例</examples> <output_format>输出格式框架</output_format>
- 角色堆叠——分三层叠加角色
大多数人止步于“你是一名文案撰稿人”。专业人士分三层叠加角色，而不仅仅是一层。一个写作者角色、一个编辑角色和一个目标读者角色。通过同时赋予一个 AI 这三个角色，你可以在一次回复中运行从读者角度出发的写作 → 编辑 → 重新修正的循环。
因为多个视角同时运行，说服力会增强。然而，这种“角色”方法有一些注意事项，我们将在第十章中介绍。
复制粘贴用提示词
请同时扮演以下 3 个角色：（1）顶级文案撰稿人（写作者）。（2）严厉的主编（编辑者）。（3）目标读者，30 多岁上班族（接收者）。在一次回复中执行从读者角度出发的写作 → 编辑 → 重新修正。主题：[ ]
反向设计的精髓很简单。如果第一行没有“目标”、“禁止事项”和“格式框架”，AI 就已经迷失了。这就是从入口写和从出口写的区别。
第三章：将 AI 作为“军团”运行——多 Agent 操作
从这里开始，心态发生了变化。与其耗尽一个 AI，不如为 AI 分配多个角色，并将其作为“军团”来操作。只用一件武器战斗就像带着一把武器上战场。全球专业人士已经进入了从总参谋部指挥的阶段。
请注意，你不需要为这些模式设置多个 AI 账户。你只需在单个聊天中“切换角色”即可重现它们。
- 路由模式——放置一个分类器
这是一种军事风格的组织，其中“分类器”AI 首先接收输入，并将其路由到适当的“专家”。大多数人把所有东西都扔给一个 AI，最终得到一个平庸的答案。专业人士放置一个接待员来将任务传递给专家。
当你转向专业化，而不是让一个 AI 假装全能时，准确性会提高。
复制粘贴用提示词
你是“路由协调员”。阅读以下请求并将其分类为：（1）研究、（2）写作、（3）分析或（4）代码。为那个分类创建一个 5 行的系统提示词，并使用它再次执行请求。请求：[ ]
- 并行化——并行解决相同问题以进行多数投票
这种模式涉及从多个角度并行解决同一任务，并通过多数投票确定结论。与其问一个专家，不如让五个专家用不同的方法回答，并采用得到最多支持的结论。就是这个想法。
幻觉减少。当你想把重要决策交给 AI 时，安全感完全不同。
复制粘贴用提示词
针对以下问题，首先从 5 个独立专家的角度，使用不同的方法各提供一个答案。接下来，比较这 5 个方案，采用得到最多视角支持的结论作为最终答案，并说明选择理由。问题：[ ]
- 评估者-优化者——完全分离创建者和评估者
由一个人完成的自我评估不可避免地会变得宽松。如果你将行动者和评判者分开，判断就会变得严厉。你在一个提示词内重现这一点。作为创建者创建最佳答案，完全切换到严厉评估者的角色来评分，然后返回创建者角色制作最终版本。
类似于第一章的自我优化，但这里的要点是明确说明“完全切换角色”。
复制粘贴用提示词
针对以下主题，首先作为“创建者 AI”创建最佳答案。接下来，完全切换角色，作为“严厉评估者 AI”对该答案进行百分制评分，并列出 5 个扣分原因。最后，返回创建者角色，根据评估创建最终版本。主题：[ ]
- 多 Agent 辩论——与支持者、反对者和主持人辩论
这是一种模式，多个 AI 在整合者得出结论之前进行辩论。支持者和反对者交锋，中立的主持人总结他们的观点。极端和思维停滞消失，从而得出平衡的结论。
这在“难以决定的问题”上表现出特别的优势，例如战略规划或决策制定。
复制粘贴用提示词
针对以下主题，请扮演：（1）支持者 AI、（2）反对者 AI 和（3）中立主持人 AI。让（1）和（2）各辩论 3 轮，然后让（3）整合他们的观点，提供最终结论和推理。主题：[ ]
- 自我验证输出——在输出前审问自己
这是一种模式，创建者在最终提交前，以不同的角色“审问”自己的输出。由于很难看到自己写作中的缺陷，你强制改变视角。你依次切换三个角色——全球竞争对手专家、目标读者和严厉老板——让每个角色列出问题。
最近的 AI 模型正朝着“在验证自身输出后报告”的方向发展。可以把这个模式看作是从提示词方面预测这一动向。
复制粘贴用提示词
请以完全不同的角色重新阅读以下输出。依次切换（1）全球竞争对手专家、（2）目标读者和（3）严厉老板的角色，从每个角度列出 3 个问题，最后呈现一个最强的改进版本。输出：[ ]
军团操作的精髓在于你是否能站在“AI 不是作为单个单位来使用的”这个前提上。分配角色并指挥。仅此一点就能改变来自同一个 AI 的结果。
第四章：将上下文设计为“环境”——4 层思维
到目前为止，我们讨论了“提示词的内容”。但在全球 AI 设计师的世界里，提示词被视为一个更大结构的“底层”：提示词 → 上下文 → 意图 → 规范。大多数人仍然停留在第一层。本章是关于攀登到更高层的五种方法。
- 书挡放置——在开头和结尾放置重要约束
当你向 AI 传递长文本时，放在中间的信息往往会失去注意力。这就是“中间是盲点”现象。因此，始终在两个地方放置重要约束：开头和结尾。想象一下像“书挡”一样把重要的东西夹在两端。
这对于写长提示词的人很有效。一个常见的失败是有一个很长的指令，但约束条件只在中间写了一次。
复制粘贴用提示词
在以下请求中，请在处理之前，将重要约束重新陈述在提示词的“开头”和“结尾”两个位置。基于上下文中间的信息容易分散注意力这个前提来构建它。请求：[ ]
- 金发姑娘高度——系统提示词的“恰到好处”的高度
系统提示词有一个最佳“高度”。太低（用详细的 if-else 逻辑绑定）会导致僵化；太高（只有抽象哲学）则无法决定任何事情。瞄准介于两者之间的高度。这是将“金发姑娘区”概念应用于提示词。
诀窍是分三层设计：永远不变的原则、用于情境判断的框架、以及用于单个任务的自由度。牢记这三层来编写，可以避免僵化和抽象。
复制粘贴用提示词
我将按以下 3 层来固定给你的指令：（1）不变原则（为什么/永不改变）。（2）情境判断框架（何时/按情况分支的规则）。（3）单个任务的自由度（什么/留给你判断）。以“恰到好处”的高度设计，避免僵化和抽象。
- 即时上下文注入——只在需要时传递所需内容
仅仅因为上下文窗口很大，就把所有材料都塞进去并不好；它实际上会降低准确性。专业人士首先只传递“目录、摘要和索引”，然后让 AI 根据需要检索必要的章节。想象一下，不是把图书馆里所有的书都堆在你的桌子上，而是只去借你需要的那一本。
处理大量材料的正确方法是“动态调用”，而不是“塞进所有东西”。
复制粘贴用提示词
我不会一次性输入以下大量材料。在第一阶段，请只阅读“目录”、“每章 100 字摘要”和“索引”。如果有需要详细信息的章节，请在检索之前明确向我请求，并且只将该章节添加到上下文中进行工作。
- 意图编码——首先阐明判断标准
与其每次都从头解释你组织或你自己的“价值观、优先级和权衡判断标准”，不如一次阐明它们并传递出去。只需将其放在开头，AI 就会开始作为“你的 Agent”行动。它变成了一个 AI，不仅仅等待指令，而且在迷失方向时能够自行朝着正确的方向倾斜。
复制粘贴用提示词
作为以下工作的前提，我将阐明我的判断标准：（1）优先级 [A > B > C]。（2）绝对禁止项 [X, Y, Z]。（3）模糊情况下的默认判断 [D]。当判断迷失时，在决定之前始终回到这些标准。
- 规范层——站在创建“规范”的一边
4 层的顶层就是这个“规范”。将质量标准和业务规则固定为结构化文本（规范），并使其成为每次会话的上下文起点。从一个写提示词的人到一个创建规范的人。当你站在这里的那一刻，工作的可重复性会瞬间提升。
复制粘贴用提示词
未来的工作将参考以下“规范（Markdown 结构化格式）”作为每次会话的起点。如果需要规范之外的判断，不要猜测；始终与我确认。[在此粘贴你的规范]
本章的理念是从“用一行提示词竞争”过渡到“将整个上下文设计为一个环境”。这是在一层上战斗和在四层上战斗的区别。
第五章：与 AI 内部机制对齐——KV 缓存的结构化设计
本章有点极客风格。但了解这一点会改变 AI 的“速度”、“成本”以及“使用限制减少的方式”。
在 AI 内部，一个叫做“KV 缓存”的机制正在运行。简单来说，AI 会在内部保留已处理的内容，当相同的内容再次出现时，它可以重复使用。相反，如果你以一种无法重复使用的方式使用它，它每次都会从头开始重新计算。
“很快达到使用限制”、“随着对话变长回复变慢”或“API 账单高于预期”。这些问题的原因通常不是提示词的内容，而是“放置方式”与 AI 的内部机制不同步。
- 稳定前缀优先——在开头固定静态内容
缓存“仅对从头开始完美匹配的部分”有效。因此，将不变的内容（前提、参考资料、规则）固定在开头，并将每次变化的内容（今天的问题）放在结尾。只需每次将相同的前提放在开头，缓存就会开始工作。
复制粘贴用提示词
我将固定后续工作的前提：（1）我的行业 = [A]。（2）目标 = [B]。（3）禁止事项 = [C]。（4）输出格式 = [D]。请在每次会话开始时重新声明这一点，然后再进入主题。
- 锚定文档模式——只在开始时投入一次材料
你是否每次都在重新粘贴大量的参考资料或指南？那是浪费。只在开始时将材料作为“锚点”投入一次，并使后续问题仅参考这些材料。
可复制粘贴的提示词
我将把以下材料作为本次会话的锚点：[在此处批量输入参考资料]。此后，请参考这些材料回答我提出的所有问题。无需重新呈现材料。
- 会话连续性——在同一个线程中延续相关工作
每次你打开一个新的聊天窗口，AI 都会从头重建其内部缓存。每天打开 10 个新聊天窗口，与每天在一个长会话中延续工作相比，会改变使用限制的消耗速度和输出质量。频繁开启新聊天是“快速达到限制”的部分原因。
操作指南：
始终在同一个线程中延续相同主题的工作。如果线程过长，请在开头创建一个“到目前为止的摘要”，并将其作为锚点继续工作。
- 差异编辑模式——修复时仅指示差异部分
当你想要改进输出时，重新发布整个文本是不可取的。重新发布所有内容会清除宝贵的缓存并从头开始重新计算。仅指示差异部分：“仅此部分”，“将此部分更改为那个”。
可复制粘贴的提示词
当我想修复之前的输出时，我不会重新发布整个文本。我只会指示差异部分，例如“仅 [ ] 部分”或“将 [ ] 更改为 [ ]”。我不会重新呈现任何前提或参考资料。
- 缓存感知的子 Agent 设计——对齐子 Agent 的开头部分
即使像第 3 章那样进行大规模操作，对齐每个 Agent 系统提示词的“开头部分”（角色定义、前提、规则）也能使缓存更容易命中。仅在末尾单独更改任务内容。仅此一项就能提高大规模操作的效率。
可复制粘贴的提示词
在执行多 Agent 操作时，完美统一所有 Agent 系统提示词的开头部分（角色定义、前提、规则）。仅在末尾单独更改任务内容。
本章的精髓在于“与结构竞争，而不仅仅是内容”。内容放在哪里与写什么同样重要。
第 6 章：创建提示词的“外部”—— Harness 与 Agent
进入 2026 年，全球 AI 开发者不再仅仅竞争“提示词的内容”，而是开始设计“提示词的外部”。这个外部被称为“Harness”。首先，让我们梳理一下整体图景。
什么是“Harness Agent”？
你通常使用的 ChatGPT 或 Claude 实际上并不是一个“AI Agent”。它只是一个“大脑单元”。AI Agent 指的是将各种部件附加到那个大脑上，使其成为一个“自动运行机器”的状态。
一个 Agent 大致由以下元素组成：
- 模型（身体）： Agent 的“智能”。即 LLM 本身。只有大脑，它可以做出判断，但无法行动。
- Harness： 提供给模型的一组指令（系统提示词）和护栏（禁止事项）。例如，一个安全阀，如“超过一定金额的付款必须获得人工确认”。可以将其视为决定 Agent“个性”和“判断标准”的层。
- 工具（手脚）： Agent 接触现实世界的接口，例如发送电子邮件、操作日历、读写文件和网络搜索。没有工具，AI 可以读取收据，但无法提交报销。
- 环境： Agent 运行的“场所”。即使是同一个 AI，其能力也会因其运行环境的不同而发生巨大变化。
- Agent 循环（自动运行周期）： 所有这些协同工作，持续运行一个计划 → 行动 → 观察结果 → 调整 → 重复的循环。如果需要人工确认，则会停止。一问一答的聊天机器人与自动运行的 Agent 之间的决定性区别就在这里。
这五个元素组合在一起就是“Agent 的完整形态”。接下来，我将介绍五种高度设计这个外部 = Harness 的技巧。
- 执行循环——融入观察、思考、自我批评和行动的循环
这是 Harness 的核心。在执行任务时，明确要求它在每一步都遵循“观察 → 思考 → 自我批评 → 行动”的循环。这与一次性的“请求”处于不同的维度。
可复制粘贴的提示词
在执行以下任务时，请在每一步之前始终按顺序写出以下 4 个阶段：（1）观察：用 3 行描述当前状态。（2）思考：下一步的必要行动及理由。（3）自我批评：该行动的一个盲点。（4）行动：修正后的最终行动。任务：[ ]
- 上下文压缩——分阶段压缩长对话
随着对话变长，上下文会崩溃。为了防止这种情况，强制每经过一定轮数就将过去的交互压缩成固定格式。这是在长任务中保持上下文不“腐烂”的基本设计。
可复制粘贴的提示词
此后，每当对话超过 10 轮时，强制将过去的交互压缩成“3 个已确认事实 + 2 个待办任务 + 1 个下一个最重要的行动”的格式，并从该压缩版本开始执行新的指令。
- 战术手册记忆——积累可复用的“模式”
这是一种设计，将策略积累为可复用的“模式（战术手册）”，而不是每次从头生成。每一次交互都成为一项“资产”。
可复制粘贴的提示词
执行以下任务后，始终以 Markdown 项目符号列表的形式输出“本次的 3 条通用规则”。下次开始时，我会将它们呈现出来，所以请在开始工作前将其作为战术手册阅读。
- 自我修改循环——让 AI 重写自己的指令手册
这是一种模式，Agent 自己编写一个“自我指令模板”，以便下次做得更好。你可以创建一个状态，让 AI 每次使用时都不断更新自己的指令手册。
可复制粘贴的提示词
执行以下任务后，请为你自己输出一个“自我指令模板（改进版）”，以便下次以更高的准确性执行。同时说明改进的意图和目标。我将在下次使用该模板。
- 自动 Harness 优化——迭代改进整个机制
类似于第 1 章中的元提示，但目标是“提示词结构本身”。仅需每周运行一次，你的提示词资产就会以复利的方式进化。
可复制粘贴的提示词
请提供 5 个具体计划，将我当前的提示词结构提升一个层次。为每个计划写出目标、预期改进效果和预期风险，最后选择最强的计划，说明采用理由和一个下次使用示例。
逐行打磨提示词内容很重要。但在那之外，还有一个更广阔的世界。你是否具备 Harness 的视角，会将你使用 AI 的方式提升一个层次。
第 7 章：5 个鲜为人知的秘密提示词
本章收集了标准提示词书籍中罕见的 niche 模式。有些来自研究，有些应用了认知科学。这些是在日本很少分享的视角。
- 问题重构——在回答前将其重构为一个中立问题
AI 有一种“迎合用户（过度顺从）”的习惯。它会预测是同意还是不同意你的陈述，并返回一个谄媚的回答。作为抑制这一点的方法，有报告称，在回答之前，让它将你的陈述重构为一个“中立问题”，比直接命令“不要迎合”更有效。
当你想要一个意见，但只得到“正如你所说”这样的回答时，可以尝试使用这个。
可复制粘贴的提示词
在回答我以下的陈述之前，请始终先将其重构为一个“中立的问题格式”。在拒绝表达对原始陈述的同意或不同意之后，请进行逻辑回答。陈述：[ ]
- 口头化采样——让它输出带有概率的多个方案
AI 倾向于在每次问同一个问题时返回相似的答案（输出多样性崩溃的现象）。对策是一种模式，让它输出多个答案方案及其“应该被选择的概率”。从概率分布中选择一个方案，可以挖掘出普通提示词无法产生的想法。
可复制粘贴的提示词
针对以下主题，请生成 5 个不同的答案方案，并附上它们各自的“被选择概率（%）”。总概率必须为 100%。最后，根据概率从该分布中选择并呈现一个方案。主题：[ ]
- 反事实锚定——先让它输出相反的答案
这是一种应用认知心理学中“锚定效应”的模式。通过让 AI 先输出与其直觉想要给出的答案“完全相反的答案”，来打破走向平庸解决方案的惯性。一个可预测的答案会突然变得深刻。
注意：“反事实锚定”是我创造的术语。其底层原理（锚定效应）是真实的认知科学，但这种具体模式是一种应用。
可复制粘贴的提示词
在回答以下问题之前，首先生成一个与你直觉想要给出的答案“完全相反的答案”。写出 5 条理由说明为什么那个相反的方案可能是正确的。最后，在经历了那个验证过程后，提供最终答案。问题：[ ]
- 自我事前验尸——先列出失败原因
“事前验尸”是一种著名的思考方法，即在开始之前思考“如果这个项目失败了，原因会是什么？”我们将其应用于 AI 任务执行。让它在执行前列出失败模式，并以避免这些模式的方式执行。对长任务有效。
注意：原始的事前验尸方法是真实的，但将其应用于 AI 是我自己的用法。
可复制粘贴的提示词
在执行以下任务之前，首先列出“如果此任务以最低质量结束的 5 个假定原因”。为每个原因写一条规避措施，并在严格遵守所有这些规避措施的情况下执行任务。任务：[ ]
- 校准置信度提示——让它陈述置信水平
AI 最大的弱点是“即使错了也充满自信地说话”。为了阻止这一点，使用一种模式，要求每个声明都必须附带一个“置信水平（0-100%）”。幻觉变得可见，判断信息可靠性变得容易得多。
可复制粘贴的提示词
在回答以下问题时，请为每个声明附带一个“0-100% 的置信水平”。将低于 50% 的标记为“猜测”，只有 70% 或以上的标记为“事实”。同时，为每个置信水平提供一条依据。问题：[ ]
无论你是将其作为标准技术来学习，还是作为来自论文和原理的秘密技巧来操作，大多数来源都是免费可得的。差距从那些注意到的人开始拉大。
第 8 章：给 AI 装上“手脚”——你应该安装的 MCP
到目前为止，我们讨论了提示词。本章是关于给 AI 装上“手脚”。
MCP（模型上下文协议）是一个开放的通用标准，用于将 AI 连接到外部服务和数据。简单来说，它是一种为 AI 添加“接触现实世界的窗口”的机制。安装它可以将 Claude 从一个聊天机器人转变为一个“有手有脚的 Agent”。
由于 MCP 是一个开放标准，一旦你在 Claude Code 或 Codex 中设置好，相同的环境就可以被迁移。在这里，我选择了四个对内容创作者真正有用的。
- Supadata MCP——一键提取视频转录文本
这是一个 MCP，可以一键从 YouTube、TikTok、Instagram 和 X（原 Twitter）视频中提取转录文本。海外内容研究、竞争对手视频分析和趋势把握将变得更快。即使是没有字幕的视频，也可以通过自动转录功能来覆盖。
使用示例：
从以下 YouTube/TikTok/X 视频 URL 中提取转录文本，并将其总结为 5 个要点。URL：[ ]
你可以从观看海外热门视频到结束的耗时任务中解放出来。
- Firecrawl MCP——将网站转换为干净的 Markdown
这是一个 MCP，可以将任何网站转换为 AI 易于阅读的干净 Markdown。它甚至可以处理使用 JavaScript 渲染的页面。让 AI 阅读竞争对手的文章、着陆页或新闻网站，以输出结构分析或改进建议，会变得更快。
使用示例：
使用 Firecrawl 将以下 URL 转换为 Markdown 格式，并分析该文章的结构和吸引力弱点。URL：[ ]
每次手动复制粘贴的人可以在这里找回他们的时间。
- Google Knowledge Graph MCP——直接访问实体信息
这是一个 MCP，AI 可以直接访问 Google 搜索右侧出现的“信息面板”的源数据。你可以拉取关于真实人物、地点、组织和概念的结构化数据。在事实核查和人物/组织信息验证方面，准确性会发生变化。它成为信息发布者的生命线。
使用示例：
使用 Google Knowledge Graph 获取关于“[人物/组织名称]”的信息，然后检查我文章中的事实关系。
- Memory MCP——赋予 AI 永久记忆
AI 有一个弱点，即“每次对话历史都会从头重置”。Memory MCP 解决了这个问题。项目决策、你的偏好以及过去交互中学到的规则，即使在会话结束后也会保留。
使用示例：
将以下偏好、前提和进行中的项目信息注册为 Memory MCP 中的永久记忆。从下次开始，在开始工作前始终先参考此内容。
你在每次会话中重新粘贴相同前提的次数越多，就越能感受到效果。随着会话的重复，Claude 会成长为一个“理解你的伙伴”。
有了这四个，你就同时拥有了“输入（视频、网页、实体信息）”和“记忆”。使用 Memory MCP 将前三个收集到的信息积累到 AI 中。当四个协同工作时，效果大于单独使用它们。
第 9 章：使用 Claude Code & Codex 实现自动化——5 个要点与陷阱
如果你正在“以某种方式”使用 Claude Code 或 Codex 运行自动化，那你损失不小。本章介绍五个通过自动化获得结果的要点，以及它们各自的陷阱。
- 始终插入计划模式
自动化的生命线是不要让它突然执行。在计划模式下，让它在你批准之前具体化要编辑的文件名、函数名和步骤顺序。始终插入这个。
陷阱：跳过计划模式，直接跳入并行执行。没有规划门的并行化只会高速批量生产错误的交付物。只有在方向正确时，速度才有价值。
- 持久规则放在配置文件中，临时指令放在提示词中
将“每次都要遵循的永久规则”塞进每个提示词是典型的初学者错误。将持久规则写在配置文件中（Codex 用 AGENTS.md，Claude Code 用 CLAUDE.md），而只在提示词中放入“本次的指令”。
陷阱：配置文件变得过大。如果超出大小限制，内容将被截断。如果文件变大，标准做法是按目录层次结构拆分。
- 子 Agent 应该是“专业化 + 受限权限”
为子 Agent 分配“1 个功能 = 1 个专业角色”，并只给予它们最低限度的必要工具。
陷阱：子 Agent 默认继承父级的所有工具权限。由于它们以完全权限启动，如果不明确限制，可能导致事故。此外，子 Agent 在运行多个模型和工具时会消耗更多 token。由于并行化 = 成本增加在结构上是不可避免的，因此将其缩小到值得运行的任务。
- “不要过度填充”是 MCP 的正确答案
我在第 8 章介绍了 MCP，但过度使用是禁忌。添加的 MCP 越多，每条消息的上下文就越膨胀，从而挤压使用限制。停用你不使用的 MCP。这是基础。
陷阱：将所有东西都 MCP 化，并插入 10 或 20 个。除了挤压上下文外，安全风险也会增加。将其缩小到你每天真正使用的 3-5 个是安全的。
- 将重复性工作打包为“技能”
对于你反复使用的工作流程，不要每次都复制粘贴提示词，而是将其打包为一个技能。Claude Code 和 Codex 都有机制将重复性工作总结到定义文件中，并一致地调用它们。
陷阱：没有技能化，每次都通过复制粘贴提示词来操作。差异会累积，精神负担会不断增加。任何有 2-3 个具体使用示例的工作流程都可以技能化了。以在 Claude Code 和 Codex 中使用相同技能为前提来编写它们，可以确保即使切换工具也不会产生成本。
自动化的精髓在于，是将所有事情“倾倒”给 AI，还是将其“系统化”。插入计划模式，组织配置文件，限制权限，最小化 MCP，并将重复工作技能化。在运行之前先设置好这五个机制。仅此一点就决定了自动化是“加速”还是“失控”。
第 10 章：已经过时了——你应该停止的提示词习惯
最后一章是关于减法，而不是加法。我将介绍三种长期以来在日本被认为是“正确”的，但在最新研究和规范中被重新审视的习惯。
- 在所有东西上都加上“你是一个……方面的专家”
赋予角色身份的提示词是经典套路。然而，最近的研究指出它们“并非万能”。虽然专家角色身份对于安全和审核任务有效，但有报告表明，在事实识别和推理方面，它们反而倾向于降低准确性。
换句话说，角色身份不是一个“通用模板”，而是一个“通过选择应用来使用的精准技术”。将其用于安全判断、伦理判断或审核是可以的。但对于事实调查、分析、代码生成或推理任务，不要不必要地添加它。只要意识到这种区别，准确性就能提升一个层次。
- 机械地附加“逐步思考”
“逐步思考”和“让我们逐步思考”长期以来也被视为最强的提示词。然而，最近的模型正在朝着模型自身判断何时以及思考多少的方向发展。每次都要写“思考”的技术必要性正在消失。
未来的操作应侧重于阐明任务的目的、约束和预期格式，而不是机械地附加思考指令。对于需要推理的复杂任务，打开模型自身的思考功能，将判断交给 AI。这与新一代模型更加兼容。
- 手动编写提示词并通过直觉微调
这可能是最重要的一点。许多日本人将提示词作为“艺术品”手动编写，并通过措辞选择和直觉进行微调。与此同时，全球专业人士将提示词视为“代码”。他们进行设计、版本控制、测试，并通过评估标准（eval）进行评分和优化。
为什么会有如此大的差异？原因很简单。手写直觉无法检测到“一个对 90% 输入有效的提示词在 10% 的情况下灾难性失败的情况”。因此，他们首先为“什么算正确答案”创建一个评分卡，并据此衡量提示词。
你今天就可以迈出的“评估思维”第一步：
（1）运行同一个提示词 5 次，观察输出的差异。（2）写下良好输出共有的 3 个条件（这就是一个简单的评估）。（3）在词汇层面创建提示词的多个版本，并进行比较，直到它们满足这 3 个条件。
顺便说一句，即使意思相同的词，输出也会改变。AI 对“Calculate”和“Compute”的反应有细微差别。手写直觉无法控制这种词汇层面的差异。这就是将你的思维切换到“衡量和改进”的价值所在。
我在第 1 章到第 9 章中介绍了很多要添加的技巧。但那些成长的人也会决定要“停止”什么。
结语——提示词已成为“思维的蓝图”
到目前为止，我旋风般地介绍了大约 40 种技巧和知识。最后，我将把我想在这篇文章中传达的内容总结为一件事。
提示词不再是“指令”。它们是“思维的蓝图”。
在第 1 章，我们传递了思考方式本身。在第 2 章，我们从终点逆向工作。在第 3 章，我们将 AI 作为军团来操作。在第 4 章到第 6 章，我们设计了提示词的外部 = 上下文、内部结构和 Harness。在第 7 章，我们使用了秘密技巧；在第 8 章，我们用 MCP 给 AI 装上了手脚；在第 9 章，我们设置了自动化机制；在第 10 章，我们放下了旧习惯。
它们的共同点是，它们写的是“如何让它思考和行动”，而不是“输出什么”。命令 vs. 蓝图。这种区别决定了 AI 是停留在“一个方便的工具”，还是变成一个“自动运行的伙伴”。
这里介绍的技巧既不需要天赋，也不需要英语能力。你所需要的只是从今天开始，尝试用稍微不同的结构写一行你的提示词。复制粘贴一个你感兴趣的模板并尝试一下。那将是你的第一步。
感谢你阅读到最后。我希望这篇文章能成为将你与 AI 的关系提升一个层次的催化剂。
在此咨询 AI 👇
