aiind提示词怎么使用

这条视频给大家讲一下 front engineer， 就是 提示词工程 front 到底该怎么写？刚好我最近研究了挺多 ai 提示词大神怎么写 cloud 最佳实践的那个官方文档，包括 gemini 最佳实践官方文档，它们这些顶级大模型公司出了这个教程，今天我一条视频给大家汇总一下。我先说一下这条视频适合什么样的人看。首先你有使用大模型的需求， 就是你至少是一个已经在跟 ai 对 话的人。第二个就是你的需求至少要是有一点点难度的啊，比如说问大模型明天天气怎么样的这种 用户的话也不需要看了啊。我这条视频的核心在于工程化和稳定性，教你把 ai 变成一个保质保量，能完成你工作的固定员工。如果你有以下几种需求的话，那么这个视频对你来说非常好。第一，当你需要批量化且质量稳定的产出， 比如你要写五十篇小红书文案，比如你要写十篇日报周报。第二，当你眼高手低时，你只有矮。第二，但是你没有动手能力，你只知道自己想要一个什么样的结果，但中间这个过程你不会干。 比如说你想写一个 python 脚本，但你不懂 python 语言。比如说你想写一份商业分析报告，但是你不是分析师。第三，就是你的任务太复杂， ai 每次完成你的任务都固头不固定，让 ai 做一件很长，然后逻辑很绕的事情。比如说帮我提取这段视频的文稿，提炼里面的观点，再结合我的痛点产出一篇文章，还要翻译成英文， 就是他中间要做的事情很多，那么你把一串指令丢给 ai， 他 可能会丢掉其中一两步，或者说给你一个很水的答案。第四就是当你对味道很挑剔时，比如说你想让 ai 模仿 macintosh 的 翻译墙，或者 macintosh 的 ppt 样式，你不知道怎么描述清楚的。 ok， 那 么我们正式开始。其实网上很多教程太卷了，一会让你学结构化，一会让你学 markdown 各种语法，但其实随着 cloud 啊 jpg 这种模型它的更新迭代，它本身模型非常牛的时候，其实逻辑没必要那么复杂， 首先是我自己写提示词的步骤和思路。首先第一步呢，就是把你脑子里的东西先倒出来，不管你要做分析也好，写文案也好，还是什么复杂的各种 idea 需求也好，我会先把脑子里的所有的想法，你对这件事情所有的知道的来龙去脉，背景啊，结果， 过程要怎么样，你想达成什么样的目标，一股脑的告诉他，用大白话也好，穷尽你能写出所有的对这件事情的描述，甚至说你在网上看到几篇风格很不错的文章，全部丢给 ai。 现在 ai 的 上下文很长，你完全不用担心输入框限制了他。到完之后你跟他说这样一段 prank， 我是 这个领域的小白，但我想要达到专家级的效果。 这些是我的原始想法和参考素材，请你先不要生成内容，先消化这些信息，告诉我你理解了没有，让 ai 去读你的心，去读你的想法。 当你把这些素材投喂给他的时候，你再反过来问他，基于你刚刚学到的这些素材，如果我要完成这个任务，你需要我补充哪些背景、哪些信息，或者利用你自身的知识，帮我把这些大白话翻译成结构清晰、逻辑严密的 system prompt。 这时候你会发现 ai 自己写出来的提示词 里面充满了专业的术语、行话和深层逻辑。这是你自己在家闭门造车，手搓 prompt 手搓不出来的。让 ai 自己给自己写 prompt。 好， 我们到了第三步，拿到了 ai 自己写好的 system prompt 或者提示词之后，不要直接用， 我们先彩排再开机。第三阶段，我会对他说，基于你刚刚这个 prompt， 请你立刻生成三组用户输入到模型输出的模拟案例给我看，检查一下，这时候 ai 只是在模仿你的字面意思，还是说已经读懂了你的神韵？ 如果你看案例的时候你觉得不对劲，你不需要去改那一大串复杂的 system pond， 直接用人话反馈给他。比如说第二个案例，逻辑太生硬了，没有人味，像 ai 写的，我想要那种犀利中带点幽默的，请你调整一下 pond， 直到它生成的案例完全符合你自己的审美，这个 system pond 才算定稿。 以上是我写 point 一个基本的流程，然后下面我再补充一下我从 gemini cloud 的 最佳实践手册里面学到的几个调优的原则。第一个就是别说客套话，直接说需求。如果你对模型的要求很高，千万不要丢给他模糊的指令，一定要给他明确目标。 比如说你扔给他一段图片，说写个分析，那肯定不如说创建一个包含交互功能的分析仪表盘，越全越好。第二点就是举例子比讲道理有用。这个技巧叫做少量样本提示，也叫 few shot one shot。 如果你想模仿特定的文风，你在那里描述，不如直接丢个原版的例子给他，你跟他说，就照着这个味写，你的例子越好， 他的产出就越稳。如果说你是那种需要处理复杂任务的用户，比如说先提取啊这个视频的文案，再分析这个视频的文案，再结合我的痛点生成文案，再把这个文案翻译成某某语言。 你的任务里面包含了多个子任务，那你可以试试提示词练。简单来说就是不要贪图一口吃个胖子，把你的大任务拆成好几个小任务， 上一步的输出变成下一步的输入。举个例子，你拆解完任务之后，你先写一个 point a， 是 用于提取药物，然后它输出了 output a， 那 你再写一个 point b， 基于 output a 写大纲，输出 output b， 你 再写一个 point c， 是 基于 output b 扩写成整篇文章。 这个就是牺牲速度换精确度的策略。你可以精准地调控每一个 point， 每一个子任务里面的细节。 这个是一个用来构建稳定 ai 工作流的思路。其实 a 正的思路就跟这个差不多。下一条原则呢，是多模态融合，现在的 prompt 不 再仅限于文字了。呃，图片、视频、音频，一切的模态都是平等的输入， 特别是对于 jimmy 三用户来说啊，他对于长视频的理解现在特别到位。还有就是允许不确定性。为了减少 ai 的 幻觉，我们可以明确地授权给 ai 说，你可以说你不知道， 比如说，请基于某某数据分析趋势，如果我给的数据不足以支持输出结论的话，请直说，不要编造，我可以给你补充更详细的数据。 最后一个技巧就是让他先想后说，如果遇到复杂的任务，可以要求 ai 在 输出结果之前先列一个提纲或者一步步推理。你可以直接给一个 point 说，在回答之前，先一步步拆解你的思路， 增加 ai 思考的步骤。这件事情非常重要，它可以大大的减少你 ai 胡说八道的几率。 ok， prompt 怎么写？如果你听到这里，学到这里，你已经很厉害了， 不要再纠结那些复杂的结构。好的 prompt 一定不是写出来的，而是聊出来的，是测出来的。所以说你要做的就是把话说明白，然后给他足够的例子。把你重复性的、繁复的工作丢给 ai， 咱们只需要把控方向，检查它的产出即可。

今天看到一篇非常匪夷所思的论文，讲了件什么事呢？你只要把你的提置词复制粘贴三遍发给大模型，大模型输出的准确率会从百分之二十一提升到百分之九十七， 听上去是不是匪夷所思啊？但它确实恰恰反映了大模型后面的注意力机制这么一个点。 什么意思呢？在我们过往跟大魔星进行多轮交互的时候，大魔星很容易忘掉之前讲了件什么事，甚至他也会忘掉不记得忽略当前我们需要告诉他的一些事情。 那么在一次对话当中，如果我们能够将我们的任务复制粘贴三遍，一股脑对给他，他反而会更加清楚和认真的去理解现在他需要做的事情，反而会提升大魔星的准确率， 但它只适用于非推理的模式。如果你也用大模型，想提升一下使用效果，不妨试试这个小技巧。

打破 ai 圈信息差别在这种课上浪费钱了！普通人根本不需要研究提示词，看看国外大神做的插件，只需要在框里输一句话，点一下生成他直接把口语化文案变成这种结构严谨的专家级指令，无论是升图还是提问， ai 的 回答质量都提升了 n 个 level， 还能自定义输出各种格式，甚至直接给你的提示词打分优化，而且完全免费。也许这种模式就是未来的标准答案。下期还想看哪方面的 ai 黑科技？评论区给我布置作业，我是 j d 喵，关注我，带你打破 ai 圈信息差！

很多人反推视频的方法是截一张图，然后再用 ai 让视频动起来。但其实你用这种方法是永远不可能复现原视频效果的，因为你从一开始就把结果当成了过程。今天三个方法教你如何正确利用 ai 反推视 频提示词。方法一，先反推生成过程，而不是画面内容。很多人一上来就截图问 ai 画面是怎么生成的，用了什么提示？ 这种方法得到的结果通常是画面很像，但无法完整复现原视频效果。原因在于单张图无法给 ai 提供任何动态，这样 ai 就 只能猜。正确的方法是找到起始针、爆发针和结尾针，让 ai 反推出视频的深层逻辑与变化顺序，从而建立可 复现的过程结构。第二步，用相机的运动结构反推指令。千万不要问 ai 这视频画了什么，这种问法会诱导 ai 输出大量无效的修饰词。你要让 ai 描述的是如何伸缩的，物理坐标是如何偏移的， 要的是运动路径的参数化表达，而不是画面的感性意境。第三步，具象化表达指令。新手最容易犯的错是直接复制 ai 写的长句子，那种感性的描述视频模型根本听不懂。我们要把 ai 给的话翻译成具体的参数，比如镜头平移可以翻译为 camera move on right， 画面张力十足，可以翻译为 motion weightton， 剔除废词是保留动作加数值的执行格式，这才能让 ai 真正听得懂。其实所谓的视频反推，本质上是在解构运动学规律。当你学会玻璃画面的表象，去触碰背后的参数逻辑， 你才算真正拥有了 ai 视频创作的控制权。如果你也对 ai 底层思维感兴趣，关注我，带你学习更多实用的 ai 干货！

深度用了一年 ai， 我 发现用 ai 最笨的方式真的就是哼哧哼哧去不断问他。我现在发现我身边那些用 ai 高手，他们都是反过来用的，他们会让 ai 反问自己，让 ai 给自己出题。当你遇到一个事没想明白的时候，根本就不用头疼， 你就简单的跟 ai 说，现在你扮演我的战略顾问，我们的合作模式不是我说你，而是你问我答，共同规划。当我给出任务的时候，请你担任提问者和澄清者的角色， 首要任务是通过高质量的提问来刺激我的回答，帮助我去完善目标，了解完信息之后给我分布的执行步骤， 等待我的确认。那这么一段指令下去， ai 瞬间就能从一个被动听话员工变成一个主动跟你一起思考的合伙人，是不是很厉害？这一段话如果放到做自媒体上，放到写文案上，做规划，做日报，做会议，要做方案，是不是都能同步使用？快去试试吧！

这是一个帮你搞定各种 ai 提示词的网站。今天讲的网站精选了二十多种类型的提示词，不管是写作辅助、生活百科，还是垂直行业的学术教师、医疗健康、企业智能，甚至还收入了上千个社区最火的提示词。 更贴心的是，如果你不知道属于哪一类，比如学习直接搜关键词，就会跳出整排相关的提示词，每个指令都配好了。中英文复制，粘贴到 ai 大 模型就能直接用。关键是它还提供了中文复制，粘贴到 ai 大 模型就能轻松搞定，最良心的是，无需注册，完全。

今天周周教大家这种 ai 视频所需要的提示词。

提示词是大家用 ai 绕不开的话题，我们今天来聊聊怎么样用好 ai 提示词。那首先背景的话是确实它直观重要，我们可以用一个模糊的公式来去衡量，首先输出的效果呢，约等于提示词的水平乘以大模型的水平， 如果说我们提示词的水平是零点八，那大模型的水平是零点八，那么可能输出的效果也是就会 叠加成为零点六四，所以说我们要么就换一个更好的模型，要么就得去提升自己的提置词的水平，所以这次的话，我们就核心的目标是我们要提高提置词的质量。第二步呢就是减少自己用提置词的成本，因为自己去写啊，自己去找其实还是挺花时间的。那这里面分成第一次使用，第多次使用， 我的解决方法呢是，呃，至于单次使用的话，那可能就有三种方法。第一种方法呢就是参考，那我们不用一上来就自己写，我们可以先去参考一下之前写过自己写过的些内容，也可以去看一下别人的，那这边我最我去用 ai 生图的时候，我其实就会喜欢去看一下别人是怎么去做这个 风格的，怎么做这样一些画面的，我去看一下别人的，然后呢再拿来改改就非常的快。第二种就是让 ai 去写， 呃，因为有的时候我大致描述了这个需求，之后呢，我可能提示词也写的不是很好，或者说也很懒得写，我就让 ai 去帮我总结一下，给我一套这个提示词。第三呢就是自己写，那这里面就要需要形成自己的套路，那我的套路呢是分成三个 部分，第一个就是我会去明确一下我的任务，它有哪些目标，去拆解一下这个任务是怎么完成的，它的工作流是怎样的，也就说有哪些限制。 接着我去限制 ai 的 定位，他的角色，他的能力，他怎样的语气回复。呃，我还有可能会还是不满意的话，会增加一些辅助的信息，比如说增加一些上下文，增加一些视力，或者对于输出格式的要求，那这样一来的话在单次使用方面其实就已经能很好，而且能很省精力了。 如果是多次使用的话，我会建议大家可以花点心思，可以自己整理成一个体制词的库，那现在有非常多开源的这样一些项目，大家可以去做。呃，也可以像我这样，就是直接拿个文档，然后把这个各种格式呢，你就自己汇总成一个文档，然后面你去用的时候呢就非常的方便。 第二种呢就是你可以放在输入法里面，那这个是这个是针对非常高频的情况，比如说我现在就是把它放在我的提示词里面，比方说我经常有人看文章，你看，比如说打文章这两个词，我就会其实就会出来这样一个提示词，我点击就好了， 或者说有时候回去让 ai 看一下我的想法怎么样，我就会打一个想法，那这里面就会出现这样一段话啊，这样一段话，然后呢可能这个就是，呃，我想希望让 ai 去帮我去鉴别的。 第三种呢就是封装成 g 的 工具，大家可以用，比如豆包里面有这个智能体的功能，或者说用 define 啊， codes 啊，或者说一些其他的些工具，就可以把 tiktok 封装在里面，可以更好地调用。这是我用好 tiktok 的 一些分享。

给大家分享一个海量 nano banana port 提示词的神器，这里包含了五千加高质量的 nano banana port 提示词，包含多种风格、场景和用途。它拥有多语言支持，图像创意生成模板， 及时预览图库视例精心分类，可直接复制使用。提示词工程案例与实用技巧教程等功能。适合内容创作、社群运营者、 设计师和插画师、 ai 图像爱好者、提日词工程师，以及任何想用 nano banana pro 快 速生成高质量图像的人。另外，它还包含五大特点，五千加的精选提示词，内置视例，图加中英文支持， 可立刻复制运行。包含多种视觉任务，不同风格与主题，覆盖社群，携作为护，并且持续更新中。获取方式我已经整理好了放在工具箱了，感兴趣的朋友主页低调学习。

今天分享一个我使用频率很高，可以说是万能的提示词。很多时候， ai 给你的结果不好，不是因为你提示词写的不够长，而是因为你根本就没有把需求讲清楚，甚至你自己都没有想好需求的细节。 既然自己想的不够全面，那就应该让 ai 来想，直接来看这里的案例。我写文章、做视频，经常需要配黑板中这样的 excel 风格手绘图，但烦人的是，每次配图都要去想这张图应该画什么， 图片的构图是怎样的，图片上需要显示哪些文字？想好之后，需要为每个配图再针对性的写一段绘图提示词，那整个配图过程可能要一个多小时， 这个时候大家肯定能想到能不能做一段通用的绘图提示词，我只需要把文章段落扔进去， ai 自动分析，自动构图， 那这段通用提示词的质量就很关键。怎样写才能既通用又能保证图片的质量呢？这个时候就用到了这段万能提示词。在这段提示词中，我会让 ai 充当专家顾问的角色， 让他对我的需求进行追问、采访，然后再开始完成任务。当我把需求简单的向 ai 描述后，他先后向我提了七个问题，其中包括 ai 绘图工具的选择、 提示词是用中文还是英文。 ai 输出文案的方式，文案的长度和数量，提示词的输出结构， ai 还会考虑到模型是否能出来，好的文字 是否需要输出。分析过程，在采访完成后， ai 给出了下面这段通用的 excel 风格绘图指令生成器。有了这段通用的提示词，每次给文章配图时，我就不需要再动脑子构图了，全程只需要复制粘贴， 这段提示词就成为了我的数字资产。这就是访谈的价值。 a a 在 整个过程中，他会逼我补全逻辑，不管是写文案、构图、方案策划，这套逻辑通通都行得通。本期视频到此结束，下期再见。

怎么能高效地使用 ai 提示词呢？就最近哦，清华大学哦，就如何高效地使用 ai 的 研究哦，接受了一个反直觉的有效的方法，让 ai 哦先验证一个错误的答案， 然后呢再让它进行一个表现，那么它从实验数据来看哦， ai 如果按照正确的数学答案来走的话，它的正确率是百分之九十点九。 那如果先给一个错误的答案，让它来验证这个答案是否正确，那么它的准确率啊，一下提升到了百分之九十五点七。 哎，我对这个我也特别好奇，那么我就今天用了两个 ai 工具，一个是 deepsafe， 一个是豆包，我用了一个很简单的问答，然后进行了一个验证。哎呦，情况还是出乎我的意外啊，今天我给大家演示一下啊，你们来看一下 我呢？先打开了这个 deepsea， 我 问了一个问题，叫鸡兔同笼， 笼中啊，一共有十一，共有十个头，腿呢是二十八条，请问啊，这个鸡和兔各是多少只？这 deepsea 呢？开始一顿给我答案， x 加 y， 二 x 加四 y， 完了我就觉得 我就是一个小学生吗？你给我搞这么复杂的，还弄初中生的知识，所以我就说我是一个一年级的学生，没有学过这个 数量是 x y， 请帮我按照一年级 就给我咔咔咔开始给我解释，第二，第二，第三，第四第五，怎么怎么回事啊？一共最后算了六只，那么按照清华大学的这个用逆向思维来给他解决，也就说我先说一个错误的答案， 然后呢让他来倒推，那么我这回我就开始问了，我说如果鸡有五只，兔有五只，那不就笼子里面刚好十只吗？就十个头吗？那请问这道题怎么验证？帮我验证一下。哎，你看这个验证就很清楚了，他是一共是 五加五十个头，他符合条件打个勾，然后呢，腿的话呢，他就打个叉，说一共是三十条，但我们的实际条件呢，是二十八条。 哎，这样的话，他整个就清楚了。所以按照清华大学的这条这篇论文来看的话，你看我们用一个错误答案来进行论证的话，他是不是很方便呀？他就这么三条，我们就很明确的看出来。哦，原来这个题是这么计算的。 来，我又打开了豆包，我们用豆包来再看一下这个题，我同样的问法啊，鸡兔同笼，然后呢，一共有十个头，然后二十八个腿，那么你给我说一下，鸡和兔各有几只？ 哎呦，这个豆包，我发现呢，还有更聪明一点吧。那还给你设了个方法，一假设法就假设有多少只兔子，多少只鸡，然后呢，后面人家有给了个方程，就和那个， 呃， deepsea 一 样的，你看这方程还我感觉比 deepsea 还要难，人家还有是十减 x 之。哎呦，然后一个一个一个又出来了，那么我还是和 deepsea 同样的问法，我说我是一年级的学生，没有学过这个数量，那请你按照一年级的学生的思维进行作答 啊，他好聪明啊，他给我说了，哎呦，一年级的小朋友能听懂图画加算数，那你就画呗，你就你用，你可以画两条腿，然后画兔子，十只小动物。哎呦，我发现他好聪明啊，他知道你一年级，你不太懂，那你就画画呗， 你反正是画五只兔子五只鸡，那不就画出来了吗？那么我又说了，我说如果是五，就按照五只 兔子五只鸡，然后来帮我验证这道题，你看他验证的时候也是的，五乘二十个四五二十条，一共是三十条腿，那么如果按照三十条腿的话，和二十八条不相等，那么这个答案呢，和 deep secret 最后的那个答案是一样的，很简单。 所以呢，我觉得按照就是我认为啊，按照逆向思维来解决这个问题，你看他是不是很简单？如果你按照刚开始我们直线思维来直接问他，结果的话，你看很复杂呀，你问第一遍，你就不想看第二遍了，因为第一遍他确实很难呀， x y 你 也没办法解决。 所以呢，通过两个模型的对比及清华大学的这篇论文，然后用逆向思维法来解决。哎，我发现挺有意思，挺好哦，所以这给了我们一个启示呢，就是以后我们来考虑问题，或者是我们来用 ai 来解答的时候， 你不要用直线的思维来用提示词给他解答，你可以用逆向思维的形式，用这个提示词来给他进行来对我们的这个，呃，真理呀，还有我们的数据进行验证，那他是不一样的，你学会了没有？