提示词
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。
编辑推荐
先给你一个值得读完的起点，而不是十八张一样重的卡片。
标准词典
按类型进入，不按抓取顺序堆叠。
每个分区只做一件事，让词典更像被编辑过的目录，而不是被导入后的文件堆。
提示词
可直接复用的提示词资产，以及值得通读的提示词工程文章。
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。
Layer 1: Prompt Assembly Architecture
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
Meta-Prompting：让AI优化AI的提示词
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。
模板
变量化骨架、结构化填空器，以及面向生产环境的提示词结构。
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：
PPT模板工程：设计系统与自动化
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。
技能
可沉淀为 agent 能力、工作流能力或操作规范的知识条目。
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。