别再到处找了！这个GitHub项目可能是目前最全的AI工具Prompt与模型资源库
在AI工具层出不穷的今天，你是否曾经为找不到合适的系统提示词而烦恼？是否在尝试不同AI助手时，总是花费大量时间调试Prompt效果？又或者想要了解主流AI工具背后的模型差异，却苦于没有系统的资料整理？
今天要介绍的这个GitHub项目，可能正是你在寻找的答案。它汇集了主流AI工具的系统提示词与模型信息，不仅可以帮助你快速了解各类AI工具的配置方式，还能让你站在巨人的肩膀上，学习和借鉴优秀的Prompt设计思路。
这个项目就是 x1xhlol/system-prompts-and-models-of-ai-tools，一个专注于AI工具系统提示词与模型信息收集的开源项目。
为什么这个项目值得关注
解决Prompt设计的痛点
很多人在使用AI工具时，都会遇到这样的困境：明明知道AI助手有强大的能力，但自己写出的Prompt就是无法发挥出最佳效果。而这个项目收集了大量经过验证的系统提示词，涵盖了写作、编程、分析、创意等多种场景。通过学习和借鉴这些Prompt，你可以快速提升与AI协作的效率。
了解AI模型的全景图
不同的AI工具背后可能使用不同的模型，而这些模型的特性、能力边界和适用场景各有不同。这个项目整理了主流AI工具的模型信息，帮助你建立对AI工具生态的系统认知。无论你是AI新手还是有一定基础的开发者，都能从中获得有价值的参考。
开源社区的力量
作为开源项目，任何人都可以贡献自己发现的优秀Prompt或模型信息。这意味着这个项目是持续更新的，能够紧跟AI工具的发展步伐。你不仅是使用者，也可以成为贡献者，与全球的AI爱好者一起完善这个资源库。
完全免费且易于使用
项目采用清晰的文件结构组织内容，无需复杂的安装配置。你可以浏览网页直接查看，也可以Clone到本地进行深入研究。无论是快速查阅还是系统性学习，都能找到适合自己的方式。
环境准备与快速开始
基本要求
在开始使用这个项目之前，确保你的开发环境满足以下基本要求：
- 一个现代化的网页浏览器（推荐Chrome、Firefox、Edge或Safari）
- 基本的Markdown文件阅读能力
- 如果需要本地使用，建议安装Git
克隆项目到本地
打开终端或命令行工具，执行以下命令将项目克隆到本地：
git clone https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools.git
克隆完成后，进入项目目录：
cd system-prompts-and-models-of-ai-tools
查看项目的目录结构：
ls -la
你可能会看到类似这样的结构：
.
├── README.md
├── prompts/
│ ├── chatgpt/
│ ├── claude/
│ ├── gemini/
│ └── ...
├── models/
│ ├── openai/
│ ├── anthropic/
│ ├── google/
│ └── ...
└── CONTRIBUTING.md
直接在线浏览
如果不想克隆项目，你也可以直接在GitHub网页上浏览。访问项目地址：https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools
在网页上，你可以：
- 使用搜索功能查找特定内容
- 点击文件夹导航浏览不同分类
- 点击文件查看详细内容
- 使用快捷键T快速搜索文件
推荐的学习路径
对于初次接触这个项目的朋友，建议按照以下顺序进行学习：
首先通读README.md文件，了解项目的整体结构和贡献指南。然后选择自己最感兴趣的AI工具类别开始深入研究。接着挑选几个典型的Prompt进行实际测试和修改。最后尝试为项目贡献自己发现的优秀Prompt。
核心功能详解
Prompt收集体系
项目中的Prompt按照不同的AI工具进行分类，主要包括以下几个大类：
ChatGPT系列
收录了OpenAI ChatGPT的系统提示词，涵盖GPT-3.5和GPT-4的多种配置方式。这些Prompt经过社区验证，能够帮助你更好地发挥ChatGPT的能力。
一个典型的ChatGPT系统提示词结构通常包含：
- 角色定义（你是一个xxx）
- 能力边界（你可以xxx，但不能xxx）
- 输出格式要求（请以xxx格式输出）
- 约束条件（在回答时需要xxx）
Claude系列
收录了Anthropic Claude的系统提示词。Claude以其长文本处理能力和分析能力著称，相应的Prompt设计也有其特点。
Gemini系列
收录了Google Gemini相关的提示词配置。Gemini作为Google的多模态AI工具，其Prompt设计需要考虑多模态输入的处理方式。
其他工具
项目还涵盖了其他AI工具如Midjourney、Stable Diffusion、文心一言、通义千问等的提示词配置。
模型信息库
每个主流AI工具的背后都有其独特的模型架构。项目详细整理了各工具使用的模型信息，包括：
- 模型名称与版本
- 主要能力与特点
- 上下文窗口大小
- 训练数据截止日期
- 限制与注意事项
# 模型信息示例结构
model_info = {
"name": "GPT-4",
"provider": "OpenAI",
"context_window": 128000, # tokens
"capabilities": [
"文本生成",
"代码编写",
"分析推理",
"创意写作"
],
"training_cutoff": "2023-04",
"limitations": [
"无法访问实时信息",
"知识有时效性限制"
]
}
社区贡献机制
项目采用开放式的贡献模式，任何人都可以提交Pull Request来添加新的Prompt或模型信息。CONTRIBUTING.md文件中详细说明了贡献流程和格式要求。
实战教程：从入门到精通
下面让我们通过实际案例，学习如何使用这个项目提升你的AI使用技能。
教程一：创建专属的写作助手
假设你想要创建一个专门用于技术博客写作的AI助手。我们可以通过以下步骤来实现。
第一步：浏览现有Prompt
首先，在项目的prompts目录下，找到与你需求最接近的Prompt示例。打开一个ChatGPT的通用写作Prompt文件进行学习：
# 通用写作助手Prompt示例
你是一位专业的技术写作者，拥有十年以上的科技行业写作经验。
你的专长包括：
- 用通俗易懂的语言解释复杂的技术概念
- 撰写结构清晰、逻辑严密的文章
- 根据目标读者调整写作风格
在写作时，请遵循以下原则：
1. 开头要吸引读者，通常用一个引人入胜的问题或统计数据
2. 每个段落只讨论一个核心观点
3. 使用具体的案例和数据支撑论点
4. 在结尾给出总结和行动建议
输出格式：
- 使用Markdown格式
- 适当使用标题、列表和代码块
- 保持段落之间的衔接自然流畅
第二步：定制个性化Prompt
根据上述示例，我们可以创建自己专属的技术博客写作助手。将以下内容保存为一个新的Markdown文件：
# 我的技术博客写作助手
你是一位专注于前端开发领域的技术作家，对React、Vue、TypeScript等现代前端技术有深入理解。
你的写作特点：
- 擅长将抽象的技术概念转化为生动的比喻
- 喜欢通过实际代码示例演示知识点
- 注重实践导向，每篇文章都包含可运行的代码
写作风格要求：
- 标题：简洁有力，通常包含数字或关键词
- 开篇：用一个开发中遇到的真实问题引出主题
- 正文：理论讲解不超过30%，70%篇幅用于实战演示
- 结尾：给出代码仓库链接和延伸学习资源
输出格式规范：
- Markdown格式
- 代码块必须标注语言类型
- 重要概念用加粗标注
- 使用有序列表组织步骤
- 添加相关技术标签
第三步：在ChatGPT中测试
将上述Prompt复制到ChatGPT的对话输入框中，然后发送。等待ChatGPT确认理解后，你可以开始测试：
请帮我写一篇关于React Hooks使用技巧的技术博客，目标读者是有一定JavaScript基础的初学者，篇幅约1500字。
观察AI的输出是否符合你的预期。如果不满意，可以返回修改Prompt中的相关描述，直到获得满意的结果。
教程二：构建代码审查助手
下面我们学习如何创建一个专门用于代码审查的AI助手。
第一步：研究项目中的代码相关Prompt
在prompts目录下找到代码相关的主题，阅读几个不同的实现方式：
# 代码审查助手基础版
你是一位资深软件工程师，拥有15年以上的大型项目开发经验。
你的代码审查关注点：
1. 代码正确性：逻辑是否正确处理所有边界情况
2. 性能优化：是否存在不必要的循环或重复计算
3. 代码风格：是否符合团队统一的编码规范
4. 安全漏洞：是否存在SQL注入、XSS等安全隐患
5. 可维护性：变量命名是否清晰，函数是否职责单一
审查输出格式：
## 问题列表
| 严重程度 | 位置 | 问题描述 | 修改建议 |
|---------|------|---------|---------|
| 高 | 第15行 | xxx | xxx |
## 优点总结
- xxx
## 总体评分
- 可维护性：xx/10
- 性能：xx/10
- 安全性：xx/10
第二步：创建增强版代码审查Prompt
根据项目提供的模板，结合个人需求进行增强：
# 前端项目代码审查助手
你是一位专注于前端技术栈的代码审查专家，精通以下领域：
- JavaScript/TypeScript高级特性
- React/Vue组件设计模式
- Web性能优化
- 浏览器兼容性处理
- 无障碍访问（Accessibility）
审查流程：
1. 首先阅读代码的整体结构，理解模块划分
2. 逐个检查组件/函数的实现逻辑
3. 检查错误处理和边界情况处理
4. 评估性能影响
5. 检查测试覆盖率
输出格式：
# 代码审查报告
## 基本信息
- 文件路径：[文件路径]
- 代码行数：[行数]
- 审查时间：[时间戳]
## 发现的问题
### 🔴 严重问题
[详细描述]
### 🟡 建议优化
[详细描述]
### 🟢 代码亮点
[详细描述]
## 修改建议
[具体的代码修改方案，使用代码块展示]
## 最佳实践建议
[如何在未来避免类似问题]
第三步：实际应用
将增强版的Prompt应用到实际的代码审查场景中：
请审查以下React组件代码，特别关注状态管理和副作用处理：
[粘贴你的React组件代码]
AI将按照我们定义的格式输出详细的审查报告，帮助你发现潜在问题并获得改进建议。
教程三：深入理解模型差异
项目中的models目录包含了各AI工具的模型详细信息。假设你想要比较不同模型的特点以选择最适合你需求的工具。
第一步：查看模型对比表
打开项目的models目录，阅读各AI提供商的模型说明文件：
# OpenAI 模型概览
## GPT-4系列
| 模型 | 上下文 | 能力特点 | 适用场景 |
|------|--------|----------|----------|
| GPT-4 | 128K | 最强推理能力，支持视觉输入 | 复杂分析、创意任务 |
| GPT-4 Turbo | 128K | 速度更快，成本更低 | 日常对话、代码生成 |
| GPT-4o | 128K | 实时语音和视觉能力 | 多模态交互 |
## GPT-3.5系列
| 模型 | 上下文 | 能力特点 | 适用场景 |
|------|--------|----------|----------|
| GPT-3.5 Turbo | 16K | 快速响应，高性价比 | 简单问答、格式化输出 |
第二步：创建模型选择决策树
基于收集的信息，我们可以创建一个帮助选择模型的决策逻辑：
"""
AI模型选择决策辅助工具
这个脚本帮助你根据具体需求选择最合适的AI模型
"""
def select_model(task_type, priority="balanced"):
"""
根据任务类型和优先级推荐合适的模型
参数:
task_type: 任务类型，可选值包括
- "complex_analysis" 复杂分析任务
- "code_generation" 代码生成
- "creative_writing" 创意写作
- "simple_qa" 简单问答
- "multimodal" 多模态任务
priority: 优先级，可选值包括
- "quality" 质量优先
- "speed" 速度优先
- "cost" 成本优先
- "balanced" 平衡模式
返回:
推荐使用的模型信息字典
"""
# 模型推荐映射表
model_recommendations = {
"complex_analysis": {
"quality": {"provider": "OpenAI", "model": "GPT-4", "reason": "最强的推理和分析能力"},
"balanced": {"provider": "OpenAI", "model": "GPT-4 Turbo", "reason": "性价比与能力平衡"},
"speed": {"provider": "Anthropic", "model": "Claude 3 Sonnet", "reason": "快速且能力出色"},
"cost": {"provider": "OpenAI", "model": "GPT-3.5 Turbo", "reason": "成本最低"}
},
"code_generation": {
"quality": {"provider": "OpenAI", "model": "GPT-4", "reason": "代码生成质量最高"},
"balanced": {"provider": "OpenAI", "model": "GPT-4 Turbo", "reason": "速度和质量的良好平衡"},
"speed": {"provider": "Google", "model": "Gemini Pro", "reason": "生成速度快"},
"cost": {"provider": "OpenAI", "model": "GPT-3.5 Turbo", "reason": "适合简单代码任务"}
},
"creative_writing": {
"quality": {"provider": "Anthropic", "model": "Claude 3 Opus", "reason": "创意表达最自然"},
"balanced": {"provider": "OpenAI", "model": "GPT-4", "reason": "兼顾创意与准确性"},
"speed": {"provider": "Google", "model": "Gemini Pro", "reason": "生成速度快"},
"cost": {"provider": "OpenAI", "model": "GPT-3.5 Turbo", "reason": "适合简短创意内容"}
},
"simple_qa": {
"quality": {"provider": "OpenAI", "model": "GPT-4", "reason": "回答最准确"},
"balanced": {"provider": "OpenAI", "model": "GPT-3.5 Turbo", "reason": "足够应对简单问答"},
"speed": {"provider": "OpenAI", "model": "GPT-3.5 Turbo", "reason": "响应最快"},
"cost": {"provider": "OpenAI", "model": "GPT-3.5 Turbo", "reason": "成本最优"}
},
"multimodal": {
"quality": {"provider": "OpenAI", "model": "GPT-4 Vision", "reason": "视觉理解能力最强"},
"balanced": {"provider": "Google", "model": "Gemini Pro Vision", "reason": "多模态能力强"},
"speed": {"provider": "Google", "model": "Gemini Ultra", "reason": "实时处理能力强"},
"cost": {"provider": "Google", "model": "Gemini Pro Vision", "reason": "性价比高"}
}
}
return model_recommendations.get(task_type, {}).get(priority, None)
# 使用示例
if __name__ == "__main__":
# 推荐一个复杂分析任务
recommendation = select_model("complex_analysis", priority="balanced")
print("推荐配置：")
print(f"提供方: {recommendation['provider']}")
print(f"模型: {recommendation['model']}")
print(f"推荐理由: {recommendation['reason']}")
# === 演示不同场景的选择 ===
scenarios = [
("代码生成", "quality"),
("创意写作", "balanced"),
("简单问答", "cost")
]
print("\n--- 场景测试结果 ---")
for task, prio in scenarios:
result = select_model(task, prio)
print(f"{task} ({prio}优先): {result['model']}")
运行这个脚本，你会看到不同场景下的模型推荐结果。通过这种方式，你可以更加理性地选择适合特定任务的AI模型。
教程四：构建多工具协同工作流
在实际工作中，你可能需要组合使用多个AI工具来完成复杂任务。下面介绍如何利用项目中的资源构建高效的AI工作流。
第一步：分析任务需求
假设我们需要完成一个产品需求文档的撰写工作，这个任务涉及：
- 市场调研和竞品分析
- 技术可行性评估
- 用户体验设计考量
- 风险评估和应对方案
第二步：为每个环节选择合适的工具
根据项目提供的模型信息，我们为每个环节选择最适合的AI工具：
# 产品需求文档撰写工作流
## 阶段一：市场调研（使用Claude）
选择Claude的原因：
- 擅长处理大量文本信息
- 分析能力强，适合竞品对比
- 长上下文窗口，适合读取调研资料
Prompt示例：
你是一位资深产品分析师，请分析以下竞品信息，
提炼出我们产品的差异化机会…
[粘贴竞品分析资料]
## 阶段二：技术可行性评估（使用ChatGPT）
选择ChatGPT的原因：
- 代码理解能力强
- 技术知识覆盖面广
- 适合快速生成技术方案草稿
Prompt示例：
基于以下产品需求，评估技术可行性，
识别关键技术挑战，给出解决思路…
需求描述：[粘贴需求]
技术约束：[描述技术限制]
## 阶段三：用户体验设计（使用Gemini）
选择Gemini的原因：
- 多模态能力强，可以理解界面截图
- 适合生成UI设计方案建议
- 国际化视角
Prompt示例：
请分析以下界面设计截图，从用户体验角度提出改进建议，
特别关注可用性和无障碍访问…
[上传界面截图]
## 阶段四：整合输出（使用ChatGPT）
最终整合所有分析结果，生成完整的产品需求文档。
第三步：执行工作流
按照上述规划，依次使用不同的AI工具完成各阶段任务：
"""
多工具协同工作流示例
这个脚本演示了如何按顺序使用不同的AI工具
完成一个完整的产品需求文档撰写任务
"""
class AIToolCoordinator:
"""
AI工具协调器
用于管理和协调多个AI工具的协作
"""
def __init__(self):
self.tools = {
"claude": "Anthropic Claude",
"chatgpt": "OpenAI ChatGPT",
"gemini": "Google Gemini"
}
self.results = {}
def execute_phase(self, phase_name, tool, task_description):
"""
执行工作流的单个阶段
参数:
phase_name: 阶段名称
tool: 使用的AI工具
task_description: 任务描述
返回:
任务执行结果
"""
print(f"\n{'='*50}")
print(f"执行阶段: {phase_name}")
print(f"使用工具: {self.tools.get(tool, 'Unknown')}")
print(f"{'='*50}")
# === 在实际使用中，这里会调用相应AI工具的API ===
# 以下是模拟输出
if tool == "claude":
result = self._use_claude(task_description)
elif tool == "chatgpt":
result = self._use_chatgpt(task_description)
elif tool == "gemini":
result = self._use_gemini(task_description)
self.results[phase_name] = result
return result
def _use_claude(self, task):
"""Claude工具调用模拟"""
print("正在调用Claude API...")
# === 实际使用时 ===
# from anthropic import Anthropic
# client = Anthropic()
# response = client.messages.create(
# model="claude-3-opus-20240229",
# max_tokens=4096,
# messages=[{"role": "user", "content": task}]
# )
# return response.content
return {"status": "completed", "output": "Claude分析结果"}
def _use_chatgpt(self, task):
"""ChatGPT工具调用模拟"""
print("正在调用ChatGPT API...")
# === 实际使用时 ===
# from openai import OpenAI
# client = OpenAI()
# response = client.chat.completions.create(
# model="gpt-4-turbo",
# messages=[{"role": "user", "content": task}]
# )
# return response.choices[0].message.content
return {"status": "completed", "output": "ChatGPT分析结果"}
def _use_gemini(self, task):
"""Gemini工具调用模拟"""
print("正在调用Gemini API...")
# === 实际使用时 ===
# import google.generativeai as genai
# model = genai.GenerativeModel('gemini-pro')
# response = model.generate_content(task)
# return response.text
return {"status": "completed", "output": "Gemini分析结果"}
def generate_final_document(self):
"""
基于各阶段结果生成最终文档
返回:
整合后的产品需求文档
"""
print("\n" + "="*50)
print("生成最终产品需求文档")
print("="*50)
final_doc = """
# 产品需求文档 v1.0
## 一、市场分析
{}
## 二、技术可行性
{}
## 三、用户体验设计
{}
## 四、风险评估
（基于上述分析自动生成的风险评估部分）
""".format(
self.results.get("市场调研", {}).get("output", ""),
self.results.get("技术评估", {}).get("output", ""),
self.results.get("UX设计", {}).get("output", "")
)
return final_doc
# 使用工作流
def main():
coordinator = AIToolCoordinator()
# 阶段一：市场调研
coordinator.execute_phase(
"市场调研",
"claude",
"分析以下竞品信息，提炼差异化机会：[竞品资料]"
)
# 阶段二：技术评估
coordinator.execute_phase(
"技术评估",
"chatgpt",
"评估产品需求的技术可行性：[需求描述]"
)
# 阶段三：UX设计
coordinator.execute_phase(
"UX设计",
"gemini",
"分析界面设计并提供优化建议：[界面截图]"
)
# 生成最终文档
final_document = coordinator.generate_final_document()
print(final_document)
if __name__ == "__main__":
main()
通过这种方式，你可以充分发挥每个AI工具的优势，构建高效的AI辅助工作流程。
常见使用场景与案例
场景一：开发者日常编码辅助
作为开发者，你可以利用项目中的Prompt创建个性化的编码助手：
代码生成助手
你是一位全栈开发专家，擅长Python、JavaScript、TypeScript和Go语言。
工作原则：
- 代码优先考虑可读性和可维护性
- 遵循SOLID原则进行架构设计
- 注释清晰，变量命名语义化
- 包含完整的错误处理
请用[指定语言]实现以下功能，要求附上使用示例和测试用例。
Bug排查助手
你是一位经验丰富的调试专家，擅长追踪和解决各类软件Bug。
分析问题时请按以下步骤进行：
1. 收集错误信息和上下文
2. 分析可能的根本原因
3. 提供逐步排查方案
4. 给出修复代码示例
5. 说明如何避免类似问题
当前问题：[粘贴错误信息和相关代码]
场景二：内容创作者的高效工具箱
对于内容创作者，这个项目同样提供了丰富的参考：
视频脚本生成器
你是一位专业的视频内容策划师，擅长创作吸引人的短视频脚本。
脚本结构要求：
- 前3秒：抓住注意力的开场钩子
- 第3-30秒：建立场景或问题
- 第30秒-2分钟：核心内容展开
- 最后30秒：总结和行动号召
目标受众：[描述受众特征]
内容主题：[描述主题]
时长要求：[分钟数]
风格偏好：[幽默/严肃/专业等]
社交媒体运营助手
你是一位社交媒体运营专家，精通各平台的最佳实践。
内容要求：
- 微信公众号：2000字以内，配图建议
- 微博：140字内，含适当话题标签
- 小红书：注重视觉描述和情感共鸣
- 知乎：注重专业性和可读性
请针对以下主题生成多平台适配内容：[输入主题]
场景三：学习研究的智能导师
如果你正在学习新知识，可以用项目中的资源构建学习助手：
概念解释助手
你是一位循循善诱的老师，擅长用生动的例子解释复杂概念。
请按以下框架解释[概念名称]：
1. 一句话定义（普通人都能看懂）
2. 为什么这个概念重要
3. 生活中的类比（至少2个）
4. 技术细节（可选，用代码或公式说明）
5. 实际应用场景
6. 延伸学习资源
请用中文回答，使用通俗易懂的语言。
学习计划制定助手
你是一位学习规划师，帮助他人高效学习新技能。
请为以下学习目标制定详细计划：
- 学习主题：[主题名称]
- 当前水平：[初学者/有基础/进阶]
- 目标时长：[X周/X月]
- 每周可用时间：[X小时]
计划要求：
- 分解为可执行的小目标
- 包含实践项目和理论学习
- 设置阶段性检查点
- 推荐优质学习资源
场景四：商业应用的效率提升
在商业场景中，这个项目也能发挥价值：
市场分析报告助手
你是一位资深商业分析师，负责撰写专业的市场分析报告。
报告结构：
1. 执行摘要（1页）
2. 市场概况
3. 竞争格局分析
4. 趋势预测
5. 机会与风险评估
6. 战略建议
分析要求：
- 使用数据和事实支撑观点
- 引用可靠的信息来源
- 图表可视化关键数据
- 提供可操作的建议
客户邮件撰写助手
你是一位专业的商务沟通专家，擅长撰写得体的商业邮件。
邮件撰写原则：
- 开场白简洁有礼
- 核心内容条理清晰
- 用词专业但不生硬
- 行动号召明确具体
- 结束语友好但不失专业
请撰写一封关于[主题]的邮件，邮件类型为[询问/回复/跟进/通知等]。
技巧与最佳实践
Prompt设计进阶技巧
技巧一：结构化你的Prompt
一个好的Prompt应该有清晰的结构，这有助于AI更好地理解和执行任务：
# 结构化Prompt模板
## 角色定义
[你是一个xxx，你具备xxx能力]
## 背景信息
[必要的上下文，帮助AI理解任务场景]
## 任务描述
[清晰说明你需要AI做什么]
## 输出要求
[格式、长度、风格等具体要求]
## 示例（可选）
[展示期望的输出格式或风格]
## 约束条件（可选）
[任何需要特别注意的限制]
技巧二：使用渐进式提示
对于复杂任务，不要试图一步到位，而是采用渐进式的方法：
"""
渐进式提示策略示例
对于复杂任务，逐步引导AI完成每个子任务
"""
# 阶段一：定义问题
phase_one = """
当前任务：设计一个用户认证系统
首先，请回答以下问题：
1. 这个系统需要支持哪些认证方式？（如：邮箱密码、手机验证码、第三方登录）
2. 目标用户群体是谁？
3. 需要集成到现有的系统中吗？
请只回答上述问题，不要开始设计。
"""
# 阶段二：系统架构
phase_two = """
基于你提供的答案，现在请设计系统的整体架构：
1. 技术选型建议
2. 数据库表结构
3. 核心模块划分
请基于阶段一的回答进行设计。
"""
# 阶段三：详细设计
phase_three = """
现在请针对[具体模块]进行详细设计：
1. API接口定义
2. 核心代码实现
3. 安全考虑
请基于阶段二的设计进行详细实现。
"""
# 阶段四：测试计划
phase_four = """
最后，请制定测试计划：
1. 单元测试要点
2. 集成测试场景
3. 安全测试重点
请基于整个设计制定全面的测试策略。
"""
技巧三：利用上下文学习
通过提供示例，你可以让AI更好地理解你的期望：
# 上下文学习示例
你是一个文本风格转换器，可以将正式文本转换为口语化表达。
以下是一些转换示例：
示例1：
输入：请问贵公司对于新员工有什么培训计划？
输出：嗨，我想问一下，公司会为新人提供什么培训吗？
示例2：
输入：我们需要在下周五之前完成项目交付。
输出：那个，项目是不是得在下周五前搞定啊？
现在请将以下文本转换为口语化表达：
输入：{用户输入的文本}
工具选择策略
成本效益优化
在资源有限的情况下，学会平衡质量和成本：
"""
成本优化策略
根据任务复杂度选择合适的模型，优化成本
"""
# 定义任务复杂度评估函数
def evaluate_complexity(task_description):
"""
评估任务复杂度并返回推荐模型
复杂度评估维度：
- 任务涉及的专业领域数量
- 是否需要多步骤推理
- 是否涉及创意生成
- 是否有严格准确性要求
"""
complexity_score = 0
# 专业领域评估
professional_terms = ["医学", "法律", "金融", "工程", "科研"]
if any(term in task_description for term in professional_terms):
complexity_score += 3
# 推理要求评估
reasoning_indicators = ["分析", "比较", "评估", "推理", "证明"]
if any(indicator in task_description for indicator in reasoning_indicators):
complexity_score += 2
# 创意要求评估
creative_indicators = ["创作", "写诗", "设计", "想象"]
if any(indicator in task_description for indicator in creative_indicators):
complexity_score += 1
# 准确性要求评估
accuracy_indicators = ["必须准确", "严格", "精确"]
if any(indicator in task_description for indicator in accuracy_indicators):
complexity_score += 2
return complexity_score
def recommend_model(complexity_score):
"""
根据复杂度推荐合适的模型
"""
if complexity_score <= 2:
return {
"model": "GPT-3.5 Turbo",
"cost_tier": "低",
"reason": "简单任务不需要高级模型"
}
elif complexity_score <= 5:
return {
"model": "GPT-4 Turbo / Claude 3 Sonnet",
"cost_tier": "中",
"reason": "中等复杂度需要更强的推理能力"
}
else:
return {
"model": "GPT-4 / Claude 3 Opus",
"cost_tier": "高",
"reason": "高复杂度任务需要最强大的模型"
}
# 使用示例
task = "帮我分析这篇文章的主要观点，并比较两篇文章的异同"
score = evaluate_complexity(task)
recommendation = recommend_model(score)
print(f"任务复杂度评分: {score}")
print(f"推荐模型: {recommendation['model']}")
print(f"成本层级: {recommendation['cost_tier']}")
print(f"推荐理由: {recommendation['reason']}")
持续优化与迭代
建立Prompt测试流程
"""
Prompt迭代优化工具
帮助你系统地测试和优化Prompt效果
"""
class PromptOptimizer:
"""
Prompt优化器
记录Prompt的不同版本及其效果评分
"""
def __init__(self):
self.versions = []
def add_version(self, prompt_text, test_cases, score):
"""
添加一个Prompt版本
参数:
prompt_text: Prompt内容
test_cases: 测试用例列表
score: 效果评分（1-10）
"""
version = {
"version": len(self.versions) + 1,
"prompt": prompt_text,
"test_cases": test_cases,
"score": score
}
self.versions.append(version)
return version
def compare_versions(self):
"""
比较所有版本的优劣
返回:
最佳版本的详细信息
"""
if not self.versions:
return None
best = max(self.versions, key=lambda x: x["score"])
return best
def generate_improvement_suggestions(self):
"""
基于历史数据生成改进建议
返回:
改进建议列表
"""
suggestions = []
# 分析分数趋势
scores = [v["score"] for v in self.versions]
if len(scores) >= 2:
improvement = scores[-1] - scores[0]
if improvement > 0:
suggestions.append(f"Prompt效果持续提升中，总计提升{improvement}分")
elif improvement < 0:
suggestions.append(f"最新版本的评分下降了{abs(improvement)}分，建议回滚")
# 分析测试用例通过率
if self.versions:
latest = self.versions[-1]
pass_rate = len([tc for tc in latest["test_cases"] if tc.get("passed", False)])
total = len(latest["test_cases"])
if total > 0:
rate = pass_rate / total * 100
if rate < 80:
suggestions.append(f"当前测试用例通过率为{rate:.1f}%，建议加强Prompt的约束条件")
return suggestions
# 使用示例
optimizer = PromptOptimizer()
# 添加不同版本的测试结果
optimizer.add_version(
prompt_text="简单描述任务",
test_cases=[
{"input": "测试1", "expected": "结果1", "passed": True},
{"input": "测试2", "expected": "结果2", "passed": False}
],
score=6
)
optimizer.add_version(
prompt_text="详细描述任务和格式要求",
test_cases=[
{"input": "测试1", "expected": "结果1", "passed": True},
{"input": "测试2", "expected": "结果2", "passed": True},
{"input": "测试3", "expected": "结果3", "passed": True}
],
score=8
)
# 获取最佳版本
best = optimizer.compare_versions()
print(f"最佳版本: v{best['version']}, 评分: {best['score']}")
# 获取改进建议
suggestions = optimizer.generate_improvement_suggestions()
for suggestion in suggestions:
print(f"- {suggestion}")
项目贡献指南
如果你在使用过程中发现了优秀的Prompt或模型信息，不妨考虑为项目贡献一份力量。
贡献流程
第一步：Fork项目
点击GitHub页面上的Fork按钮，将项目复制到你的账户下。
第二步：创建新分支
git checkout -b add-new-prompts
第三步：添加内容
按照项目的文件组织结构，在相应的目录下添加新的Prompt或更新模型信息。
第四步：提交Pull Request
完成修改后，推送到你的Fork仓库，然后在GitHub上发起Pull Request。
贡献规范
确保你的贡献符合以下规范：
- 文件命名清晰，体现内容主题
- Prompt要有实际使用价值，经过测试验证
- 添加必要的说明和示例
- 遵守项目的编码格式要求
总结与相关资源
项目核心价值回顾
x1xhlol/system-prompts-and-models-of-ai-tools 是一个极具价值的开源项目，它：
- 汇集了主流AI工具的系统提示词精华
- 提供了详尽的模型信息对比
- 建立了开放友好的社区贡献机制
- 帮助用户快速提升AI使用效率
通过学习项目中的Prompt设计思路，你可以显著提升与AI协作的效果。无论你是AI工具的新手还是有一定经验的进阶用户，都能从中获得实用的参考和启发。
延伸学习资源
在学习使用这个项目的同时，你还可以关注以下相关资源，进一步提升AI应用能力：
Prompt工程相关
- OpenAI的Prompt工程指南
- Anthropic的Claude最佳实践文档
- Google的Gemini使用技巧
AI工具官方文档
- ChatGPT帮助文档
- Claude使用指南
- Gemini API文档
开源社区
- 其他优秀的Prompt收集项目
- AI工具使用经验分享社区
- 技术博客中的AI应用案例
行动起来
现在你已经了解了这个项目的全部内容，是时候行动起来了。建议你按照以下步骤开始你的AI效率提升之旅：
首先，访问项目主页，浏览现有的Prompt和模型信息，感受项目的丰富内容。然后选择你最感兴趣的AI工具，挑选几个Prompt进行实际测试。接着根据你的需求，修改和定制属于你自己的Prompt。最后不要忘记，如果发现了优秀的Prompt，可以考虑为项目贡献一份力量。
在AI工具日益普及的今天，掌握高效使用AI的能力将成为未来职场的重要竞争力。希望这个项目能够成为你AI学习道路上的得力助手，帮助你开启智能协作的新篇章。
项目链接: https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools
Star/Fork: 如果觉得这个项目对你有帮助，不妨给它一个Star，让更多人能够发现这个宝藏资源。
评论区