词典总库
这里是 Prompt Foundry 的主工作面：输入关键词、切换类型、沿着来源线索继续下钻，而不是在首页做无目的浏览。
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。
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：
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
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。
Claude Code 源码深度拆解 -- prompts.ts 编排器及其卫星模块的完整逆向工程分析
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
Meta-Prompting 是用 LLM 来优化 LLM 的提示词。这不是一个新概念——它本质上是把"提示词工程"这个人类任务也交给 AI 来完成，形成自我改进的闭环。
技术团队与设计团队之间的协作，长期存在一个翻译鸿沟——工程师用逻辑描述需求，设计师用感觉回应方案，两者的语言体系天然不同。AI生成工具的出现，意外地成为了这道鸿沟的桥梁：提示词同时承担了"工程规格"和"设计意图"的双重职能。
提示词注入（Prompt Injection）是 LLM 时代最核心的安全威胁之一。其本质是：LLM 无法区分"指令"和"数据"。 当用户输入被拼接到提示词中时，恶意输入可以劫持模型的行为。
当 AI Agent 从"对话机器人"进化为"能执行操作的自动化系统"，安全威胁的量级发生了质变。一个可以发送邮件、查询数据库、调用外部 API、写入文件系统的 Agent，一旦被攻击者劫持，其破坏力等同于一个拥有合法凭证的内部人员在系统中肆意操作。
视频 Prompt 工程与图像 Prompt 有本质差异：视频不仅需要描述空间构图，还需要描述时间维度上的变化——运动、节奏、镜头语言。一个优秀的视频 Prompt 是导演语言、摄影语言和文学描述的融合体。本文系统梳理视频 Prompt 的核心要素、结构框架和实战技巧。
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。
猪哥云（四川）网络科技有限公司 | 合规网 www.hegui.com 猪哥云-数据产品部-Maurice | maurice_wen@proton.me 2025 猪哥云-灵阙企业级智能体平台
System Prompt 是 LLM 应用中最关键的"代码"——它定义了模型的行为边界、输出格式和交互风格。一个优秀的 System Prompt 应该像一份精准的岗位说明书：明确告诉模型你是谁、你做什么、你不做什么、你怎么做。
当企业的 AI 应用从 1 个增长到 100 个，Prompt 管理就不再是"一个文本文件"能解决的问题。散落在代码库、Notion 文档、个人笔记中的 Prompt 带来了一系列痛点：版本混乱、无法追踪效果、缺乏质量保证、知识无法共享。
Vision Prompting、音频输入、图文联合推理与多模态 Prompt 设计模式 | 2026-02
当 LLM 应用从原型进入生产，提示词就不再是"一段文字"，而是核心业务逻辑的一部分。没有管理系统的提示词面临以下问题：
目标：极致体验 / 极致性能 / 极致产品力。每页做到：入口 → 操作 → 反馈 → 验证 → 追踪 → 回到业务目标（闭环无卡点）。
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。
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：
PPT 模板不只是"一套好看的母版"——它是一套设计系统的物化表达。好的模板工程能让 100 个人做出风格一致的演示文稿，差的模板工程则让每份 PPT 都变成"各自为战"。本文从设计系统理论出发，深入模板的工程化构建、程序化生成和自动化管理。
一家做 AI 客服的 SaaS 公司，初期月调用量 200 万次，每次调用带入 3000 token 的系统提示词，使用 Claude Sonnet，月账单轻松突破 $5000。随着用户增长，这个数字线性放大——用户越多，亏得越快。
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。
LLM 的幻觉（Hallucination）是指模型生成看似合理但实际上不准确或完全虚构的内容。理解幻觉的本质是有效控制它的前提。
Chain-of-Prompts、条件路由、错误传播与 LangChain LCEL 实现 | 2026-02
大多数提示词工程的失败模式是：先写 prompt，再想怎么评估，发现评不了就"看看效果还行"就上线了。正确的顺序是反过来的——先定义"什么是好"，再去优化 prompt。
AI 应用面临一类全新的安全威胁。传统 Web 安全关注的是 SQL 注入、XSS、CSRF 等已知攻击面。而 LLM 应用引入了一个全新的攻击面：自然语言本身成为攻击向量。
在 AI 演示文稿生成管线中，模板引擎处于编排层与渲染层之间。它的职责是将结构化内容（JSON）映射到具体的视觉布局，同时保证品牌一致性和排版质量。
提示词注入（Prompt Injection）是 LLM 应用面临的最严重安全威胁。其本质是：攻击者通过用户输入改变 LLM 的预设行为，类似于 SQL 注入在数据库层面的攻击。
提示词是 LLM 应用的"源代码"，但大多数团队的提示词管理状态是：粘贴在代码里、Slack 里传来传去、改了不知道谁改的、回滚找不到上一版。
适配你的底座：Claude Agentic SDK + Skills；文字处理： Gemini 3 Flash；规划与工具调用：Opus 4.5； 出图：Nanobanana 3 Pro；并增加硬约束：不允许回滚（No-Rollback Protocol）。
语义缓存（Embedding 相似度匹配）、精确缓存、Prompt Caching（Anthropic/OpenAI）与缓存失效策略
大语言模型（LLM）在面对复杂推理任务时，直接给出答案的准确率往往不理想。2022 年，Google 的 Jason Wei 等人提出了 Chain-of-Thought（CoT）提示技术，通过引导模型"一步步思考"显著提升了推理能力。此后，Tree-of-Thought（ToT）和 Graph-of-Thought（GoT）相继提出，将思维结构从线性链条扩展到树状和图状。
从 PPT 智能体项目的 59 个渲染就绪模板 + 18 个新增风格图例 出发，按「视觉密度 · 色度饱和 · 排印处理」三轴收敛为 32 个有明确差异性的正典档案，按 12 + 12 + 8 分段对齐 4-col 网格，无缺角。 每一档附署名空间、三轴坐标与纯 CSS 印记，不依赖 AI 生图。
用 AI 生成演示文稿的质量高度依赖 Prompt 设计。不同于图像或文本生成，PPT Prompt 需要同时控制内容结构、视觉风格和信息密度三个维度。本文系统总结 AI PPT 生成的 Prompt 策略，涵盖结构化 Prompt 模板、风格控制技巧和常见问题的解决方案。
面向视觉、音频、视频的多模态提示词工程实践
Google Brain 在 2022 年提出 CoT：让模型在给出最终答案之前，显式输出中间推理步骤。
没有匹配结果。试试更宽泛的关键词，或切换筛选类型。