精选条目
先从一条真正值得读完的条目开始。
AI图像生成风格提示词矩阵
AI图像生成已经从早期的"随机碰运气"进化为一门可系统化的工程实践。无论是产品经理为新功能制作概念图、设计师快速出原型、还是技术负责人为架构文档生成示意图，掌握结构化的风格提示词方法论都是核心竞争力。本文将从工程化视角出发，构建一套覆盖12种主流视觉风格的提示词矩阵，并针对Midjourney、DALL-E、Stable Diffusion三大平台给出差异化的参数指导与效果对比分析。
最新进入系统
最新进入主系统的条目
AI图像生成风格提示词矩阵
AI图像生成已经从早期的"随机碰运气"进化为一门可系统化的工程实践。无论是产品经理为新功能制作概念图、设计师快速出原型、还是技术负责人为架构文档生成示意图，掌握结构化的风格提示词方法论都是核心竞争力。本文将从工程化视角出发，构建一套覆盖12种主流视觉风格的提示词矩阵，并针对Midjourney、DALL-E、Stable Diffusion三大平台给出差异化的参数指导与效果对比分析。
Prompt 自动优化：DSPy 与自动提示词工程（2026 年版）
手工编写 Prompt 是一门"炼金术"：凭经验调整措辞、添加示例、调整格式，通过反复试错达到满意的效果。这种方式存在三个根本问题：
结构化提示词的工程化实践
从自由文本到工程化模板：构建可维护、可测试、可复用的提示词体系
Context Engineering：从提示词到上下文工程
2023年，"Prompt Engineering"（提示词工程）风靡一时。每个人都在学写更好的提示词，争论零样本还是少样本，研究思维链（Chain-of-Thought）的奇效。
工作流轨道
适合沉淀成工作流的结构资产
Layer 5: Skills, Plugins & MCP Ecosystem
Claude Code 源码深度拆解 — 基于 @anthropic-ai/claude-code npm 包 sourcesContent 还原 分析范围: SkillTool (500行) + loadSkillsDir (750行) + pluginLoader (2700行) + MCP client (3000行) + 20 个卫星模块
NotebookLM 生成 PPT 的逆向推理（推理加深版）
目标：从“成品幻灯片的稳定共性”反推 NotebookLM 的元提示词结构、生成流水线、质量门禁与设计原则，并综合成一份可复用的 Prompt/Schema。
NotebookLM风格：Slide Deck 生成器（HTML）工程落地指导手册
目标：复现“任意风格适配 + 排版稳定出色”的底层工程逻辑，产出可渲染为 HTML（并可导出 PDF / PPTX）。 核心策略：风格（Tokens） 与 排版（模板+约束引擎） 解耦，靠 确定性布局 + 验证与修复回路 保证稳定观感。
PPT 模板系统架构
直接用 LLM 生成完整的 PPT 样式是不可靠的——字体大小会漂移、颜色会随机、间距会不一致。模板系统的价值在于将"可变内容"和"固定设计"分离：
按系统进入
四条进入路径，对应四种不同的阅读任务。
核心提示词
高价值提示词
适合直接检索、通读与复制到工作流中的核心条目。
AI图像生成风格提示词矩阵
AI图像生成已经从早期的"随机碰运气"进化为一门可系统化的工程实践。无论是产品经理为新功能制作概念图、设计师快速出原型、还是技术负责人为架构文档生成示意图，掌握结构化的风格提示词方法论都是核心竞争力。本文将从工程化视角出发，构建一套覆盖12种主流视觉风格的提示词矩阵，并针对Midjourney、DALL-E、Stable Diffusion三大平台给出差异化的参数指导与效果对比分析。
Prompt 自动优化：DSPy 与自动提示词工程（2026 年版）
手工编写 Prompt 是一门"炼金术"：凭经验调整措辞、添加示例、调整格式，通过反复试错达到满意的效果。这种方式存在三个根本问题：
结构化提示词的工程化实践
从自由文本到工程化模板：构建可维护、可测试、可复用的提示词体系
结构化模板
结构化模板
把提示词从文本技巧升级为可维护的结构系统。
NotebookLM 生成 PPT 的逆向推理（推理加深版）
目标：从“成品幻灯片的稳定共性”反推 NotebookLM 的元提示词结构、生成流水线、质量门禁与设计原则，并综合成一份可复用的 Prompt/Schema。
NotebookLM风格：Slide Deck 生成器（HTML）工程落地指导手册
目标：复现“任意风格适配 + 排版稳定出色”的底层工程逻辑，产出可渲染为 HTML（并可导出 PDF / PPTX）。 核心策略：风格（Tokens） 与 排版（模板+约束引擎） 解耦，靠 确定性布局 + 验证与修复回路 保证稳定观感。
技能资产
智能体能力资产
适合沉淀为工作流、技能或操作协议的内容。
Layer 5: Skills, Plugins & MCP Ecosystem
Claude Code 源码深度拆解 — 基于 @anthropic-ai/claude-code npm 包 sourcesContent 还原 分析范围: SkillTool (500行) + loadSkillsDir (750行) + pluginLoader (2700行) + MCP client (3000行) + 20 个卫星模块
代码智能体云端沙盒工程落地方案 Claude Agent SDK + Coding Skill
目标：在云端提供 安全、可复现、可观测 的“代码执行/修改”沙盒环境，让智能体能读写仓库、运行命令、生成补丁并交付结果；能力基于 Claude Agent SDK，并用 Skill（SKILL.md）封装 coding 能力。
复核雷达
保留低置信度线索，而不是让它们污染主系统。
待复核条目独立成队列，便于持续清洗与人工判断。
Real-World Prompting
欢迎来到《实战提示词》课程！本课程专为有一定提示词工程基础的开发者设计——尤其是已完成 Anthropic 官方《提示词工程互动教程》的学员。
- 提示块
- 8
- 来源
- …/32-claudepedia/source_snapshots/real-world-prompting.live.html
提示词工程交互教程
Anthropic 官方出品的提示词工程系统教程，包含 11 章核心内容与 2 个进阶附录，涵盖从基础 API 调用到生产级提示词设计的完整技能体系。
- 提示块
- 8
- 来源
- …/32-claudepedia/source_snapshots/prompt-engineering.live.html
提示词评测方法
你可能已经熟悉各种 AI 基准测试，例如 MMLU、HumanEval 或 HellaSwag。这些基准测试是通用的、标准化的评测集，用于衡量 AI 模型在大量常见任务上的表现。但在本课程中，我们要讨论的是另一种评测——面向你自己的具体应用场景的「应用评测」（customer evaluation）。
- 提示块
- 8
- 来源
- …/32-claudepedia/source_snapshots/prompt-evaluations.live.html
Nano Banana Pro提示词
一个用于生成宽幅引言卡的提示，卡片上有一位名人的肖像，背景为棕色，引言文字为浅金色衬线字体。布局为文字占据三分之二，人物占据三分之一。引言文字和作者可参数化以便重复使用。
- 提示块
- 0
- 来源
- …/data/youmind-templates/raw_page.html