Prompts

GitHub 官方开源的规格驱动开发工具包，通过一组可审查的 Prompt 命令把需求、澄清、计划、任务、实现与收敛检查串成完整工作流。

微软开源的生成式 AI 入门课程，用 21 节课讲解提示工程、文本应用、聊天、搜索、图像和 Agent 基础。

系统讲解 Prompt、上下文工程、RAG 和 AI Agent 的开放学习资源。

OpenAI 官方 Cookbook 的示例集合，包含提示设计、结构化输出、工具调用、评估与生产实践代码。

微软开源的 18 节 AI Agent 课程，从设计模式、工具调用和 Agentic RAG 讲到多 Agent、上下文、记忆、部署与安全，并提供 Python 与 .NET 示例。

Anthropic 官方维护的 Claude 示例与指南，涵盖工具使用、Agent SDK、扩展思考、多模态、评估和提示模式。

可在 Web、桌面端和浏览器扩展中优化、测试、评估与保存提示词，并支持自托管部署。

用可版本化的测试用例比较 Prompt 和模型输出，并对 LLM 应用、Agent 与 RAG 流程执行红队安全评测。

LangGPT 是一套编写可复用提示词的方法，把角色、目标、规则和操作流程分开写清楚。普通用户可以直接复制 Markdown 模板到聊天窗口，用它整理写作、学习或资料处理任务，不需要安装程序。

Loop Engineering 提供可复制的 Prompt 模式、脚手架与 CLI，用于让 Codex、Claude Code、Grok 和 OpenCode 围绕代码库执行每日巡检、PR 跟进、CI 清理等受预算和人工门禁约束的循环。

一篇结构紧凑的 Prompt 工程指南，介绍模型限制、Prompt 风险和实用策略。

人工整理的提示工程与上下文工程资源索引，覆盖论文、工具、模型、评测、课程和安全资料。

通过六到九个主问题梳理人生仪表盘、工作观、人生观和能量地图，区分重力问题后生成三条五年路径与原型行动。

通过最多十个主问题追问童年兴趣、无意识胜任区、能量模式和羡慕对象，再根据用户提供的经历整理个人天赋说明书。

从一个选择背后找出三个待验证假设，挑出最能改变结论的一项，并设计带指标、继续条件和停止条件的最小实验。

分别为两个方向建立最强论证，比较适用条件、收益、风险和最难反驳的问题，再只追问一个会改变结论的变量。

先剥离行业术语找出问题结构，再从历史与至少三个远距离领域寻找相似机制，最后设计一个低成本可逆实验。

把问题拆回无法绕开的事实、未经验证的假设、真实目标和现实约束，再暂时放下惯例重新推导可行路径。

让 AI 选择三个真正互补的专业视角，分别提出路径与风险，再通过互相质疑找出共识、分歧和不同假设。

先把说法拆成可验证事实、推导结论和价值判断，再核对来源、样本、时间与上下文，并检查推理链是否成立。

沿时间线研究对象如何走到今天，再用统一维度与同类对象横向比较，最后把历史形成的能力和约束带入未来判断。

让 AI 从产品页面、方案、流程或其他成品反推目标用户、结构、关键选择和完成标准，并整理出可复用规律与练习。

把同一个概念分别讲成生活化的小白版和术语准确的专业版，再列出对应关系、易错点和理解检查题。

让 AI 暂缓给建议，每轮只问一个会改变结论的问题，逐步区分事实、解释、价值判断和目标，最后整理出一个更准确的新问题。

一个让 AI 暂缓作答的两轮对话 Prompt。它先要求模型指出默认假设、信息缺口和常见错误，再只问一个最关键的问题，等用户补充后才给最终答案。