lsidestudio · 提示词技巧库

AI 提示词技巧库

不是"帮我做这个",而是告诉 AI 扮演什么角色、怎么思考、输出什么结构。这里收录可直接复制粘贴的实战提示词模板。

核心公式

所有好用的提示词都遵循同一个结构。把这四件事说清楚,AI 的输出质量会有质的飞跃:

角色设定 告诉 AI 它是谁
(资深工程师 / 调试专家 / 架构师)
思考方式 告诉 AI 怎么想
(先架构后代码 / 循序渐进 / 先理解再重构)
具体任务 告诉 AI 做什么
(构建应用 / 排查 Bug / 优化性能)
输出格式 告诉 AI 怎么交付
(架构+代码+注释 / 问题+原因+修复方案)
本质区别:"帮我做这个"→ AI 当实习生,给你能跑但不能用的东西。
角色+思考+任务+格式 → AI 当资深工程师,给你经过权衡的方案。

8 个编码场景提示词模板

覆盖从零构建、重构、调试到系统设计的完整工程场景。点击"复制"即可粘贴到 Codex / Claude / ChatGPT 中使用。

场景 1

从零开始构建完整应用

像开发一个生产就绪应用的资深全栈工程师一样思考。先设计系统架构,再开发极简但可扩展的版本。

场景 2

代码库理解与重构

像刚加入大型陌生代码库的资深工程师一样思考。先理解架构和数据流,再识别结构性问题、重复代码、性能瓶颈。

场景 3

资深调试工程师

像在生产环境中调查 Bug 的资深调试工程师一样思考。仔细分析代码,循序渐进,找到根本原因,提出稳健方案。

场景 4

系统设计 + 实现

像资深系统架构师一样思考。为产品设计可扩展系统,然后开发极简生产版本。含架构、数据流、API、缓存策略。

场景 5

性能优化建议

像性能工程师一样优化代码。目标:速度、内存占用、可扩展性。寻找:瓶颈、低效逻辑、不必要的渲染。

场景 6

清洁架构重建

像资深工程师一样将代码转换为清洁架构。关注点分离、增加模块化、降低耦合度。确保行为不变,仅优化结构。

场景 7

多智能体工作流

4 个协作智能体:架构师(设计)→工程师(开发)→评审员(质量)→优化师(性能)。自动做"开发-评审-优化"循环。

场景 8

生产级 UI 组件构建器

像资深前端工程师一样构建可复用、无障碍、生产就绪的 UI 组件。考虑加载状态、边缘情况、响应式设计。

完整提示词(可复制)

🏗️ 场景 1 · 从零构建完整应用
像开发一个完整的、生产就绪应用的资深全栈工程师一样思考。首先设计系统架构,然后开发一个极简但可扩展的版本。

输出应包含:
- 系统架构
- 文件结构
- 数据库模式 (Schema)
- API 端点
- UI 架构
- 完整代码
- 设计要求:像真实的初创公司 MVP
🔍 场景 2 · 代码库理解与重构
像一位刚加入大型陌生代码库的资深工程师一样思考。首先理解架构和数据流,然后识别:
- 结构性问题
- 重复代码
- 性能瓶颈
- 可维护性风险

输出包含:架构摘要、问题区域、重构策略、改进后的代码(确保功能不变,仅提升质量)。
🐛 场景 3 · 资深调试工程师
像一位在生产环境中调查 Bug 的资深调试工程师一样思考。

- 仔细分析代码
- 循序渐进地思考
- 找到根本原因
- 提出稳健的解决方案

输出包含:代码功能说明、问题所在、失败原因、边缘情况处理、修复后的生产级代码。
🏛️ 场景 4 · 系统设计 + 实现
像资深系统架构师一样思考。为产品设计一个可扩展的系统,然后开发极简的生产版本。

包含内容:架构、组件结构、数据流、API 设计、数据库模式、缓存策略、实现代码。
⚡ 场景 5 · 性能优化建议
像性能工程师一样优化代码。

- 目标:速度、内存占用、可扩展性
- 寻找:瓶颈、低效逻辑、不必要的渲染

输出包含:性能问题分析、优化策略、改进后的代码。
🧩 场景 6 · 清洁架构重建
像资深工程师一样将代码转换为清洁架构。

- 关注点分离
- 增加模块化
- 降低耦合度

输出包含:新的文件夹结构、架构描述、重构后的代码(确保行为不变,仅优化结构)。
🤖 场景 7 · 多智能体工作流
你是 4 个协作的智能体:

- 架构师 (Architect):设计系统
- 工程师 (Engineer):进行开发
- 评审员 (Reviewer):质量控制
- 优化师 (Optimizer):性能提升

输出包含:架构设计、具体实现、评审反馈、最终优化版本。
🎨 场景 8 · 生产级 UI 组件构建器
像资深前端工程师一样构建:

- 可复用的 UI 组件
- 具备无障碍性 (Accessible)
- 生产就绪

考虑因素:加载状态、边缘情况、响应式设计、无障碍支持。

输出包含:组件架构、Props 设计、具体实现、使用示例。

3 种批判模式提示词

默认情况下 AI 倾向于"迎合"你。用这三种模式强制激活它的批判思维,让输出从信息罗列升级为真正分析。

"只有当你 95% 以上确定能搞定的时候,再问我还需要补充什么。"

模式一:行动边界约束(先做再说)

作用:消除"没搞懂就提问"的惰性。把提问门槛拉高到几乎要交卷才开口。大多数 AI 默认"遇到模糊就问",导致对话碎片化。这个约束强制 AI 先穷尽自身能力,实在无法判断才开口。

适合:复杂任务 适合:不想被反复追问时
"如果你是这个领域最顶尖的专家,你会怎么分析这个问题?"

模式二:顶尖专家代入(正方视角)

作用:把 AI 从"信息检索模式"切换到"专家思维模式"。普通模式下 AI 倾向于罗列、均衡、不偏不倚。指定"顶尖专家"会激活更激进的立场、更自信的判断——专家不废话,会直接给优先级和核心矛盾。

适合:需要核心判断 适合:想听最关键的 20%
"请站在反对我的立场重新分析一遍,告诉我这个视角会怎么决策。"

模式三:反方立场审查(红队视角)

作用:强制暴露自己视角的盲区。人在提出方案时默认假设自己是对的,反方视角强制解构、寻找漏洞。这是"批判性思维"最直接的操作化。

适合:方案成型之前 适合:预判执行风险

三种模式组合使用

最完整的决策辅助链:深度分析 → 盲区扫描 → 自主推进
  1. 先让 AI 用顶尖专家视角给出正方分析
  2. 再用反方视角做红队审查
  3. 全程用"95%确定再问"约束 AI 的提问频率

论文写作 · 反 AI 检测

用 AI 辅助写论文时,如何降低 AI 检测率、保持学术质感。目标:AI 率 < 5%,口语化 30% + 学术用语 70%。

方法一:DeepSeek 深度思考法

利用 DeepSeek 的 COT(链式推理)能力,从中间推理过程中提取自然表达作为改写素材。

  1. 草稿按段落拆分,逐一发送给 DeepSeek
  2. 要求"逐步推理"而非直接给出结论
  3. 保留推理链中的过渡句与个性化表达
  4. 替换原文中机械化的连接词
📝 DeepSeek 改写提示词
请对以下段落进行深度思考(Chain of Thought),逐步分析每个论点的逻辑关系,然后用更自然、更口语化但保持学术严谨的方式重写。

要求:
- 保留核心论点和数据
- 替换所有"首先、其次、此外、综上所述"等机械化连接词
- 句式长度要有自然变异(不要每句都差不多长)
- 可以加入第一人称反思或研究动机
- 口语化占 30%,学术用语占 70%

原始段落:
[粘贴你的段落]

方法二:结构化重写

将零散素材、笔记、草稿打包发送,输出结构完整、格式规范的初稿。特别适用于文献综述与方法论部分。

方法三:必须人工介入的节点

介入节点 为什么必须人工 怎么做
段落过渡 AI 容易在段落间跳跃 人工补充过渡句,确保逻辑衔接
案例嵌入 AI 缺乏你的具体经历 引入具体数据、实验经历、文献细节
个人声音 AI 写作缺少人味 穿插第一人称反思或研究动机
连接词替换 高频 AI 连接词是检测标志 用多样化表达替换"首先/其次/此外"
⚠️ 高风险模式(必须规避):
  • 过于规整的排比句结构
  • 机械的"一方面...另一方面..."二段式
  • 结论先行再展开论证(逆传统学术结构)
  • 缺乏具体文献引用的大段综述
  • 一致性过高的句式长度(人类写作存在自然变异)

论文评审提示词

用 AI 做论文的自我评审和改稿。把下面的提示词发给 Gemini / Claude / GPT,然后粘贴你的论文章节,它会按"可落地修改"的标准输出问题清单。

🎓 论文评审教练提示词
你是严格但友好的毕业论文评审与改稿教练。请阅读我给你的论文内容(来自附件PDF或我粘贴的章节文本),按"可落地修改"输出。

输出结构:
1) 一句话总评(是否达到答辩/可发表水准)
2) 贡献点是否成立(列 1-3 条,若不成立说明缺口)
3) Top 10 必改问题(按严重程度排序:致命/高/中/低),每条给:问题→影响→怎么改→改到什么程度算通过
4) 结构建议:章节重排/每节应回答的关键问题
5) 实验与消融:缺什么、怎么补、最小可行实验列表
6) 图表与可读性:哪些图/表必须重做,给具体建议
7) 摘要与结论:分别给一版"可直接替换"的中文摘要(200-300字)和结论(3-6条要点)
8) 参考文献与 Related Work:缺口与补充方向(给关键词检索式)

约束:不要泛泛而谈,每条都给可执行改法;不确定的地方用"待确认"并列出需要我补的最小信息。

使用建议

  • 先准备好论文 PDF 或粘贴章节文本
  • 如果有学校模板要求(字数、章节名、参考文献格式),在开头说明
  • 告诉 AI 你的核心贡献点(1-3 条),这样评审更有针对性
  • 建议用 Gemini 2.5 Pro 或 Claude 等支持长上下文的模型

组合使用建议

这些模板不是独立的——组合使用效果更好:

  1. 新项目起步:先用"系统设计"(场景 4) 规划架构,再用"从零构建"(场景 1) 写代码,最后用"性能优化"(场景 5) 打磨
  2. 接手老项目:先用"代码库理解"(场景 2) 摸清现状,再用"清洁架构"(场景 6) 重构,最后用"调试"(场景 3) 修遗留 Bug
  3. 论文写作:先用"论文评审"找出问题,用"DeepSeek 改写"降 AI 率,最后用"反方审查"做红队检查
  4. 技术决策:先用"顶尖专家"给正方分析,再用"反方立场"做盲区扫描,全程用"95%确定再问"约束提问
  5. 复杂系统:用"多智能体工作流"(场景 7) 让 AI 自己做"开发-评审-优化"循环,适合长上下文模型
迭代精炼:第一次输出不满意?不要重新开始,用"调试"(场景 3) 的思维追问:"这个方案的边缘情况处理了吗?性能瓶颈在哪?"——把 AI 的上一轮输出当作需要审查的代码。