提示词专区,以及可能会用到的一些文章
名称 | 链接 |
AI小程序备案:深度合成类目保姆级避坑教程 | 点此查看 |
AI长文创作 终极指南 | 点此查看 |
如何使用任务管理器MCP减少 AI 编程错误 | 点此查看 |
AI 辅助编码提示词集合 | 点此查看 |
FOFA 检索 Ollama | 点此查看 |
如何轻松写出好用的提示词模板?
一些使用Trae的经验 - 作者ggguo
- 拆分组件,理清脉络:
- 小步迭代,减少失误:
- 设计先行,AI助攻:
- 及时瘦身,优化代码:
- 高频提交,有迹可循:
- 豆包助力,设计开挂:
- 扣子空间,美化救星:
- lovable定调,规范开发:
- 分工协作,效率拉满:
- 后端开发,云端调试:
- 见势不妙,及时止损:
- 排队漫长,转身充电:
- 精简规则,效能更佳:
- 长任务攻坚:涉及长上下文及多文件开发或重构,推荐(近乎必须)使用Claude3.7。它处理这类任务效果最佳,但使用几次后可能排队,且排队时长随使用次数递增。
- 小功能优化:小功能修改,优先考虑gpt4.1或Claude3.5,根据实际情况选择,也可多尝试其他模型。
- 片段修改:处理单个代码片段或标签修改,可按个人习惯随意切换不排队的模型尝试。
- deepseek:选择少量代码片段修改,避免横跨多个文件,防止大量报错、代码省略问题。
智能体提示词
没有前端实际开发经验,仅供参考
你是 TypeScript、React Native、Expo 和移动 UI 开发方面的专家。以下是开发时需遵循的规范和要点:
**技术栈**
- TypeScript(严格模式)、React Native、Expo
- 优先函数式组件,避免类和枚举
- 接口 > 类型,映射 > 枚举
**代码规范**
- 目录:小写-破折号
- 组件:命名导出
- 变量:描述性动词前缀(isLoading/hasError)
**UI/样式**
- Expo内置组件 + Flexbox响应式设计
- styled-components/Tailwind CSS
- react-native-reanimated动画
- SafeAreaView处理刘海屏
**性能优化**
- React.memo + useMemo/useCallback
- react-query数据缓存
- 图片懒加载(expo-image)
- 动态导入 + Suspense
**状态管理**
- React Context + useReducer
- 复杂场景:Zustand/Redux Toolkit
**Expo特定**
- 托管工作流
- OTA更新(expo-updates)
- 权限管理(expo-permissions)
**参考文档**
- [Expo Documentation](https://docs.expo.dev/)
- [Expo Security](https://docs.expo.dev/guides/security/)
重构的提示词
重构前一定要提交代码
### 整体要求
基于“项目目录结构及用途说明”对现有代码进行重构,以提高代码的易读性和可维护性。重构过程中需避免使用复杂语法和写法,采用简洁明了的方式实现相同功能。
### 具体重构要点
#### 组件(`components` 目录)
- 确保每个组件职责单一,避免一个组件承担过多功能。将复杂的功能拆分成多个小的、可复用的子组件。
#### API 服务层(`services` 目录)
- 清晰地封装 API 请求,将不同业务的 API 请求分别封装在不同的函数中。
- 函数命名要具有描述性,便于维护和调用。同时,添加必要的注释说明请求的用途和参数含义。
#### 自定义 Hook(`hooks` 目录)
- 逻辑要简单易懂,避免在 Hook 中实现过于复杂的业务逻辑。
- 提高 Hook 的复用性,确保一个 Hook 可以在多个组件中方便地使用。
#### React 上下文(`contexts` 目录)
- 管理要清晰,明确每个上下文的作用和包含的数据。
- 数据传递和使用方式要直观,避免复杂的嵌套和数据处理逻辑。
#### TypeScript 类型定义(`types` 目录)
- 类型定义要准确,能够反映实际数据结构。
- 避免过度复杂的类型声明,使用简单、易懂的类型定义方式。
#### 代码结构与逻辑优化
- 优化代码结构,使代码层次更加清晰,各部分功能模块划分明确。
- 优化变量的定义和使用,变量命名要有意义,避免使用无意义的变量名。
- 剔除冗余、无实际作用的代码部分,如未使用的变量、函数和注释掉的代码。
- 简化状态管理,将相关状态合并,移除冗余状态;
最终目标
通过上述重构,使代码结构更加清晰,提高代码的可读性和可维护性,方便后续的开发和迭代。
规则
规则比较精简,主要是控制大模型别乱写。
# 开发规范
## 项目目录结构及用途说明
```
├── src/
│ ├── components/ # 可复用组件, 包含Header/Footer等通用组件, 将通用组件和业务组件分别放在不同的子目录中
│ ├── pages/ # 路由级页面组件
│ ├── contexts/ # React上下文
│ ├── services/ # API服务层, 统一处理接口调用和错误, 根据不同的业务模块进行细分
│ - 统一处理接口调用和错误
│ ├── hooks/ # 自定义Hook
│ ├── config/ # 环境配置, API基础路径管理, 全局常量定义
│ └── types/ # 集中管理类型定义, 定义基础数据类型, 定义 API 数据类型
├── public/ # 静态资源
└── doc/ # 项目文档
```
## 接口调用
涉及到接口调用时, 请阅读我的接口文档, 然后遵循以下开发原则:
1. 如果接口存在, 则按照该接口进行开发或解答
2. 如果接口不存在, 则按照符合规范的请求和响应进行开发或解答
**接口文档存放目录**: `doc/xxx.md`
**接口调用示例**
接口baseUrl: `https://m1.apifoxmock.com/m1/6320908-6016220-default`
调用示例:
```shell
curl --location --request POST 'https://m1.apifoxmock.com/m1/'
```
模型各项能力表
模型名称 (ID) | 服务商 | 上下文窗口 | 函数调用 | 推理 | 视觉识别 | 其他特性 |
---|---|---|---|---|---|---|
GPT-4.1 mini | OpenAI | 1M | ✓ | ✓ | 智能、速度和成本平衡 | |
OpenAI o1-mini | OpenAI | 128K | ✓ | 编程, 数学, 科学应用 | ||
OpenAI o1 | OpenAI | 200K | ✓ | ✓ | 通用知识, 复杂任务 | |
OpenAI o1-preview | OpenAI | 128K | ✓ | 通用知识, 复杂任务 | ||
GPT-4o mini | OpenAI | 128K | ✓ | ✓ | 性价比高 | |
GPT-4o 1120 | OpenAI | 128K | ✓ | ✓ | 动态更新 | |
GPT-4o | OpenAI | 128K | ✓ | ✓ | 动态更新 | |
ChatGPT-4o | OpenAI | 128K | ✓ | 动态更新 | ||
GPT-4 Turbo | OpenAI | 128K | ✓ | ✓ | JSON模式 | |
GPT-4 Turbo Preview | OpenAI | 128K | ✓ | JSON模式 | ||
GPT-4 | OpenAI | 8K | ✓ | 长文本, 数据分析 | ||
GPT-4 32K | OpenAI | 32K | ✓ | 长文本, 数据分析 | ||
GPT-3.5 Turbo | OpenAI | 16K | ✓ | 文本生成, 理解 | ||
GPT-3.5 Turbo Instruct | OpenAI | 4K | 文本生成, 理解 | |||
Llama 3.1 8B | Ollama | 128K | ✓ | 多语言, 翻译, 数据分析 | ||
Llama 3.1 70B | Ollama | 128K | 多语言, 翻译, 数据分析 | |||
Llama 3.1 405B | Ollama | 128K | 多语言, 翻译, 数据分析 | |||
Code Llama 7B | Ollama | 16K | 代码生成, 编程语言支持 | |||
Code Llama 13B | Ollama | 16K | 代码生成, 编程语言支持 | |||
Code Llama 34B | Ollama | 16K | 代码生成, 编程语言支持 | |||
Code Llama 70B | Ollama | 16K | 代码生成, 编程语言支持 | |||
QwQ 32B | Ollama | 128K | ✓ | ✓ | 实验性 | |
Qwen2.5 7B | Ollama | 128K | ✓ | 多元化应用 | ||
CodeQwen1.5 7B | Ollama | 64K | ✓ | 代码生成, 复杂编程 | ||
Qwen2 0.5B | Ollama | 128K | ✓ | 多元化应用 | ||
Gemma 2 9B | Ollama | 8K | 高效 | |||
Phi-3 3.8B | Ollama | 128K | ✓ | 轻量级, 知识推理 | ||
WizardLM 2 7B | Ollama | 32K | ✓ | 多语言, 智能助手 | ||
WizardLM 2 8x22B | Ollama | 64K | ✓ | 多语言, 智能助手 | ||
MathΣtral 7B | Ollama | 32K | ✓ | 科学研究, 数学, 计算能力 | ||
Mistral 7B | Ollama | 32K | ✓ | 多变语言处理 | ||
Mixtral 8x7B | Ollama | 32K | ✓ | 代码生成, 语言理解 | ||
Mixtral 8x22B | Ollama | 64K | ✓ | 代码生成, 语言理解 | ||
Mixtral Large 123B | Ollama | 128K | ✓ | 代码生成, 数学 | ||
Mixtral Nemo 12B | Ollama | 128K | ✓ | 高效性能 | ||
Codestral 22B | Ollama | 32K | 代码生成 | |||
Aya 23 8B | Ollama | 8K | 多语言 (23种) | |||
Command R 35B | Ollama | 128K | ✓ | 对话, 长上下文, 知识管理 | ||
Command R+ 104B | Ollama | 128K | ✓ | 高性能, 企业场景 | ||
DeepSeek V2 16B | Ollama | 32K | 混合专家 (MoE) | |||
DeepSeek Coder V2 16B | Ollama | 128K | 代码生成, 混合专家 (MoE) | |||
LLaVA 7B | Ollama | 4K | ✓ | 多模态 | ||
MiniCPM-V 8B | Ollama | 128K | ✓ | OCR, 多模态理解 | ||
Claude 3.7 Sonnet | Anthropic | 200K | ✓ | ✓ | 下一代模型, 快速 | |
Claude 3.5 Haiku | Anthropic | 200K | ✓ | ✓ | 下一代模型, 快速 | |
Claude 3.5 Sonnet | Anthropic | 200K | ✓ | ✓ | 编程, 数据科学 | |
Claude 3 Haiku | Anthropic | 200K | ✓ | ✓ | 即时响应 | |
Claude 3 Sonnet | Anthropic | 200K | ✓ | ✓ | 企业工作负载 | |
Claude 3 Opus | Anthropic | 200K | ✓ | ✓ | ✓ | 复杂任务, 流畅性 |
Claude 2.1 | Anthropic | 200K | 长文档, RAG, 工具调用 | |||
Claude 2.0 | Anthropic | 100K | 长文档, RAG, 工具调用 | |||
Llama 3.1 8B Instruct | Bedrock | 128K | ✓ | ✓ | 多语言 | |
Llama 3.1 70B Instruct | Bedrock | 128K | ✓ | ✓ | 多语言 | |
Llama 3.1 405B Instruct | Bedrock | 128K | ✓ | ✓ | 多语言, 对话推理 | |
Llama 3 8B Instruct | Bedrock | 8K | ||||
Llama 3 70B Instruct | Bedrock | 8K | 内容创作, 对话 AI | |||
Gemini 2.5 Pro Experimental 03-25 | 1M | ✓ | ✓ | ✓ | 代码, 数学, STEM, 长上下文 | |
Gemini 2.0 Pro Experimental 02-05 | 2M | ✓ | ✓ | 世界知识, 代码, 长上下文 | ||
Gemini 2.0 Flash | 1M | ✓ | ✓ | 原生工具使用, 多模态生成 | ||
Gemini 2.0 Flash Thinking Experimental 01-21 | 1M | ✓ | ✓ | 多模态推理 | ||
LearnLM 1.5 Pro Experimental | 40K | ✓ | ✓ | 教学, 学习场景, 专家导师 | ||
Gemini 1.5 Flash 001 | 1M | ✓ | ✓ | 多模态 | ||
Gemini 1.5 Pro 001 | 2M | ✓ | ✓ | 多模态, 复杂任务 | ||
Gemini 1.5 Flash 8B | 1M | ✓ | ✓ | 多模态 | ||
DeepSeek V3 | DeepSeek | 64K | ✓ | ✓ | 开源, 性能对齐 GPT-4o | |
DeepSeek R1 | DeepSeek | 64K | ✓ | 推理模型, 思维链 | ||
Sonar Reasoning | Perplexity | 127K | ✓ | DeepSeek 支持 | ||
Sonar Pro | Perplexity | 200K | 搜索上下文, 高级查询 | |||
Sonar | Perplexity | 127K | 搜索上下文, 轻量级 | |||
Llama 3.1 Sonar Small Online | Perplexity | 127K | 在线聊天 | |||
Llama 3.1 Sonar Large Online | Perplexity | 127K | 在线聊天 | |||
Llama 3.1 Sonar Huge Online | Perplexity | 127K | 在线聊天 | |||
Mistral Nemo | Mistral | 128K | ✓ | ✓ | 编码 | |
Mistral Small | Mistral | 128K | ✓ | 翻译, 摘要, 情感分析 | ||
Mistral Large | Mistral | 128K | ✓ | ✓ | 多语言, 代码生成 | |
Codestral | Mistral | 32K | 代码生成, 代码补全 | |||
Pixtral Large | Mistral | 128K | ✓ | ✓ | 开源, 多模态 | |
Pixtral 12B | Mistral | 128K | ✓ | 图表理解, 文档问答, 多模态推理 | ||
Ministral 3B | Mistral | 128K | 边缘模型 | |||
Ministral 8B | Mistral | 128K | 边缘模型, 性价比 | |||
Mixtral 8x22B | Mistral | 64K | ✓ | ✓ | 专家模型, 复杂任务 | |
Codestral Mamba | Mistral | 256K | ✓ | 代码生成, Mamba架构 | ||
Jamba 1.5 Mini | Ai21Labs | 256K | ✓ | 多语言, 结构化输出 | ||
Jamba 1.5 Large | Ai21Labs | 256K | ✓ | 多语言, 结构化输出 | ||
Solar Mini | Upstage | 32K | ✓ | 多语言 (英/韩) | ||
Solar Mini (Ja) | Upstage | 32K | 日语, 多语言 (英/韩) | |||
Solar Pro | Upstage | 32K | ✓ | 单GPU, 指令跟随 | ||
Grok Beta | xAI | 128K | ✓ | ✓ | 高效率 | |
Grok Vision Beta | xAI | 8K | ✓ | ✓ | 图像理解, 文档, 图表 | |
Grok 2 1212 | xAI | 128K | ✓ | 多语言 | ||
Grok 2 Vision 1212 | xAI | 32K | ✓ | ✓ | 多语言 | |
Qwen Turbo | Qwen | 1M | ✓ | 多语言 | ||
Qwen Plus | Qwen | 128K | ✓ | 多语言 | ||
Qwen Max | Qwen | 32K | ✓ | 多语言, 通义千问2.5 | ||
Qwen Long | Qwen | 1M | 长文本, 多文档 | |||
Qwen VL Plus | Qwen | 32K | ✓ | 视觉识别, OCR | ||
Qwen VL Max | Qwen | 32K | ✓ | ✓ | 视觉推理 | |
Qwen VL OCR | Qwen | 34K | ✓ | OCR, 多语言 | ||
Qwen Math Turbo | Qwen | 4K | 数学解题 | |||
Qwen Math Plus | Qwen | 4K | 数学解题 | |||
Qwen Coder Turbo | Qwen | 128K | 代码 | |||
QVQ 72B Preview | Qwen | 32K | ✓ | ✓ | 视觉推理, 数学 | |
Qwen2.5 14B 1M | Qwen | 1M | ✓ | 长文本 | ||
Qwen2.5 Math 1.5B | Qwen | 4K | 数学 | |||
Qwen2.5 Coder 1.5B | Qwen | 128K | 代码 | |||
Qwen VL | Qwen | 8K | ✓ | 多图, 多轮问答 | ||
Qwen VL Chat | Qwen | 8K | ✓ | 多图, 多轮问答 | ||
Qwen2.5 VL 72B | Qwen | 128K | ✓ | ✓ | 视频理解, Agent | |
DeepSeek R1 Distill Qwen 1.5B (Free) | Qwen | 128K | ✓ | 数学, 编程 | ||
DeepSeek R1 Distill Qwen 7B (Free) | Qwen | 128K | ✓ | 数学, 编程 | ||
ERNIE 4.0 8K | Wenxin | 8K | ✓ | 插件, 联网搜索 | ||
ERNIE 4.0 Turbo 8K | Wenxin | 8K | ✓ | 插件, 联网搜索 | ||
ERNIE Lite Pro 128K | Wenxin | 128K | ✓ | 低算力 | ||
ERNIE Character 8K | Wenxin | 8K | 角色扮演 | |||
ERNIE Character Fiction 8K | Wenxin | 8K | 角色扮演, 小说 | |||
ERNIE Novel 8K | Wenxin | 8K | 小说续写 | |||
Hunyuan Large | Hunyuan | ✓ | ||||
InternLM2.5 | InternLM | 32K | ✓ | ✓ | 长上下文, 工具调用 | |
InternLM2 Pro Chat | InternLM | 32K | ✓ | |||
360GPT2 Pro | AI360 | 8K | 文本生成, 角色演绎 | |||
360GPT Pro | AI360 | 8K | ✓ | 长文本, 多轮对话 | ||
360GPT Turbo | AI360 | 7K | 语义理解 | |||
DeepSeek R1 70B | Search1API | 64K | ✓ | 联网搜索 | ||
DeepSeek R1 | Search1API | 64K | ✓ | 联网搜索 | ||
DeepSeek R1 70B Fast | Search1API | 128K | ✓ | 联网搜索, 快速响应 | ||
Qwen2.5 Coder 7B Instruct (Free) | SiliconCloud | 32K | 代码生成, 推理, 修复 | |||
Qwen2 1.5B Instruct (Free) | SiliconCloud | 32K | 多语言, 编码, 数学, 推理 | |||
Qwen2 7B Instruct (Pro) | SiliconCloud | 32K | 多语言, 编码, 数学, 推理 | |||
Qwen2 VL 7B Instruct (Pro) | SiliconCloud | 32K | ✓ | ✓ | 视频理解, 多语言, 推理 | |
InternVL2 8B (Pro) | SiliconCloud | 32K | ✓ | ✓ | OCR, 文档/图表理解, 视觉定位 | |
InternVL2 26B | SiliconCloud | 32K | ✓ | ✓ | OCR, 文档/图表理解, 视觉定位 | |
GLM-4 9B Chat (Pro) | SiliconCloud | 128K | ✓ | ✓ | 多语言, 网页浏览, 代码执行, 长文本 | |
ChatGLM3 6B (Free) | SiliconCloud | 32K | 工具调用, 代码执行, Agent | |||
Yi-1.5 6B Chat (Free) | SiliconCloud | 4K | ✓ | 编码, 数学, 推理 | ||
Yi-1.5 9B Chat 16K (Free) | SiliconCloud | 16K | ✓ | 编码, 数学, 推理 | ||
Yi-1.5 34B Chat 16K | SiliconCloud | 16K | ✓ | 编码, 数学, 推理 | ||
Gemma 2 9B (Pro) | SiliconCloud | 8K | ||||
Gemma 2 27B | SiliconCloud | 8K | ||||
Llama 3.1 8B Instruct (Pro) | SiliconCloud | 32K | 多语言 | |||
Llama 3.3 70B Instruct | SiliconCloud | 32K | ✓ | ✓ | 多语言, 数学, 编程 | |
TeleChat2 | SiliconCloud | 8K | ✓ | 代码生成, 长文生成 | ||
TeleMM | SiliconCloud | 32K | ✓ | ✓ | 图像理解, 图表分析 | |
Yi Vision V2 | 01.AI | 16K | ✓ | ✓ | 多图理解 | |
CodeGeeX4 All 9B | Gitee AI | 32K | ✓ | 代码补全, 代码解释器, 联网搜索, 仓库级代码问答 |
AI短视频变现训练营一项目合集
Deepseek
Deepseek 去 AI 味儿
快速图文(举一反三)
ChatGPT
顶级战略顾问级别的增长分析
<instructions> 你是一位顶级战略顾问,擅长竞争分析、增长飞轮、定价以及基于单位经济模型的产品策略。如果某些信息缺失,请明确说明。 </instructions><context> <business_name>WEB3 </business_name> <industry>{{行业}}</industry> <current_focus>{{简要描述公司当前的主营业务,包括关键收入来源、定价模式、客户细分,以及已知的增长手段}}</current_focus> <known_challenges>{{请列出或简述当前面临的最大挑战,例如用户增长放缓、获客成本上升、监管压力加剧等}}</known_challenges> </context><task> 1. 映射竞争格局: - 确定 3~5 个直接竞争对手 + 1~2 个相关领域的搅局者 - 总结各竞争对手的定位、定价策略和近期战略动作 - 对比公司与竞争对手当前的策略差异 - 强调至少 5 个高影响力或高盈利潜力的增长杠杆(公司**尚未**使用的) 2. 优先级排序: - 按“影响力”(营收/利润增长)和“可行性”(所需时间、资源)两个维度,用 1-5 分评分 - 推荐影响力和可行性都最强的 3 个策略 </task><approach> 请深入研究,超出你平时的搜索深度。要阅读 200 多个网页都不为过——因为这会直接决定 COMPANY 得到的结果是否真正有价值。 不仅要看文章、论坛,也包括公司/竞争对手官网、分析平台等,一切都是信息来源。 </approach><output_format>只返回以下 XML 格式内容:<answer><competitive_landscape> <!-- 用项目符号列出竞争对手及关键信息 --> </competitive_landscape><opportunity_gaps> <!-- 用编号列出未被利用的增长杠杆 --> </opportunity_gaps><prioritized_actions> <!-- 用表格或项目符号列出建议动作及其影响力、可行性、理由、优先顺序等 --> </prioritized_actions><sources> <!-- 编号列出所有引用链接或文献来源 --> </sources></answer></output_format>
豆包
豆包 system prompt
Gemini
Gemini system prompt
Gemini 基于搜索历史的个性化(Personalization) prompt:
腾讯元宝
元宝 system prompt
微信 AI 好友「元宝」 system prompt
Grok 3
教你任何技能以 10 倍的速度学习任何事情
7 种利用 Grok 3 自动化编码任务的方法
创建一个全栈网页应用,允许用户上传图片并应用基于 AI 的滤镜。前端使用 React,后端使用 Flask,并集成 OpenCV 或 TensorFlow 这样的 AI 图像处理库。
“优化以下 Python 函数以实现最大效率。分析其时间复杂度,并建议通过更优的算法或数据结构进行改进。代码:def find_duplicates(arr):duplicates = []for i in range(len(arr)):for j in range(i + 1, len(arr)):if arr[i] == arr[j] and arr[i] not in duplicates:duplicates.append(arr[i])return duplicates”
“用 Python 开发一个机器学习模型,根据位置、面积和配套设施预测房价。使用 Pandas、Scikit-Learn 和 Matplotlib 进行训练、测试和结果可视化。”
“编写一个 Python 脚本,扫描给定 IP 范围内的开放端口,并识别可能存在的漏洞。确保代码遵循伦理黑客原则,并包含安全扫描的实践方法。”
“使用 Python 和 Pygame 创建一个简单的 2D 游戏,其中敌方 AI 能学习玩家的移动模式并随时间进行适应。实现强化学习以动态调整游戏难度。”
“使用 Node.js 和 Express 构建一个 REST API,允许用户创建、读取、更新和删除(CRUD)笔记。使用 MongoDB 作为数据库,并通过 JWT 令牌实现身份认证。”
“以下 Python 脚本存在导致输出错误的 bug。请识别并修复问题,同时解释根本原因。代码:def calculate_average(numbers):total = sum(numbers)return total / len(numbers) # 当 numbers 是空列表时会出错print(calculate_average([])) # 应该妥善处理空列表这种边界情况”
10个Grok-3提示
越狱提示词
Claude
文档内容变成精美网页
5分钟用Claude生成一个三维可视化大屏
文档链接:点此查看