现代大型语言模型（LLM）的能力已从简单的查询引擎演变为复杂的推理伙伴。然而，输出的质量仍然严格受限于输入的质量。对于专业提示工程师而言，目标不再仅仅是编写指令；而是构建能够强制实现可靠性、推理和约束遵循的系统。
以下提示经过严格测试和优化，适用于ChatGPT、Gemini、Claude和DeepSeek。虽然每个模型都拥有独特的架构优势——例如DeepSeek的逻辑严谨性或Claude的语义细微差别——但这10个脚本为高级提示工程提供了通用基础。它们利用AI本身来优化、调试和完善您的交互。
1. 递归优化器
最佳适用模型： Claude，因其遵循安全准则和细微指令的能力。
此提示将AI转变为批判性编辑，在执行前分析您的草稿提示是否存在歧义，并提出具体改进建议。
扮演高级提示工程师的角色。我将向您提供一个我打算使用的草稿提示。您的目标是根据以下标准对其进行批判性分析：
1. 清晰度与歧义性
2. 约束遵循潜力
3. 边界案例漏洞
分析后，请使用最佳实践（例如思维链、分隔上下文）将提示重写为高度优化的版本。
草稿提示："[在此处插入您的草稿提示]"
收益： 通过在将提示投入生产环境之前识别逻辑漏洞，消除了试错阶段。
2. 思维链架构师
最佳适用模型： DeepSeek，因其处理复杂逻辑和数学推理的优势。
零样本提示通常在复杂推理上失败。此提示生成AI需要遵循的特定逐步逻辑，以准确解决问题。
我需要解决以下复杂任务：[插入任务描述]。
为此任务创建一个“思维链”框架。将推理过程分解为离散的逻辑步骤，AI模型在生成最终答案前应内化这些步骤。输出结果应以系统指令形式呈现，以“让我们逐步思考...”开头。
收益： 通过明确定义推理路径，显著减少了复杂工作流程中的幻觉和逻辑错误。
3. 少样本生成器
最佳适用模型： Gemini，因其大上下文窗口和模式识别能力。
提供示例（少样本提示）是指导风格和格式的最有效方式。此提示自动创建高质量的训练示例。
我需要5对不同的“输入”和“理想输出”示例，用于教导AI模型如何执行以下任务：[插入任务]。
示例必须涵盖：
1. 一个标准用例。
2. 一个边界案例（数据缺失或混乱）。
3. 一个需要推理的复杂用例。
请将这些格式化为适合少样本上下文插入的JSON对象。
收益： 即时创建在上下文窗口内“训练”模型所需的数据，确保格式和语气的一致性。
4. 角色模拟器
最佳适用模型： ChatGPT，因其在创意写作和角色扮演方面的多功能性。
通用的“扮演专家”指令通常过于模糊。此提示为AI构建一个深刻的心理学角色档案。
为负责[插入工作/角色]的AI代理定义一个全面的系统角色。
包括：
1. 语气和声音指南（仅使用形容词）。
2. 明确的“禁止”约束。
3. 应优先考虑的特定领域知识库。
4. 处理不确定性的行为指令（例如，询问澄清问题 vs. 做出假设）。
将此输出为严格格式化的系统消息块。
收益： 将AI从通才转变为具有可预测行为和边界条件的专业代理。
5. 约束压力测试（红队测试）
最佳适用模型： DeepSeek或Claude，因其对负面约束的严格遵守。
在部署提示之前，您必须了解它如何失败。此提示试图“破坏”您的指令以发现弱点。
以下是我设计的提示："[插入提示]"。
扮演“红队”对手的角色。您的目标是生成5个特定的用户输入，这些输入很可能导致此提示失败、产生幻觉或绕过预期约束。解释每个输入为何是一个漏洞。
收益： 主动识别安全风险和逻辑漏洞，允许您在最终用户与系统交互之前进行修补。
6. 令牌压缩器
最佳适用模型： ChatGPT或DeepSeek，因其高效的措辞能力。
在处理API成本或有限上下文窗口时，冗长是昂贵的。此提示在保留指令意图的同时，最小化令牌数量。
以下是一个冗长的系统提示。请在不丢失任何指令细微差别或约束的情况下，将其重写得尽可能简洁。专注于高密度语言和祈使动词。
原始提示："[插入冗长提示]"
收益： 降低运营成本和延迟，同时为更重要的用户数据保持上下文窗口开放。
7. 苏格拉底式需求收集器
最佳适用模型： Claude，因其对话深度和引导用户意图的能力。
当您（或您的客户）定义了一个模糊目标时使用此提示。它强制AI在编写提示之前向您提问以澄清目标。
我想构建一个提示来实现[插入模糊目标]，但我不确定具体需求。
请先不要生成提示。相反，向我提出5个有针对性的问题，以帮助澄清受众、格式、约束和成功指标。在我回答后，您将使用这些信息来构建完美的提示。
收益： 通过确保在提示工程开始之前明确规范，防止“垃圾进，垃圾出”的循环。
8. 跨模型翻译器
最佳适用模型： ChatGPT，因其对其他模型行为的广泛理解。
在一个模型中有效的提示可能在另一个模型中失败。此提示针对特定模型架构调整语法和结构。
我有一个针对[模型A]优化的提示。请将此提示重写为针对[目标模型：例如，DeepSeek/Claude]优化的版本。
根据[目标模型]的特定偏好进行调整，包括：
- XML标签使用 vs. Markdown。
- 系统提示放置位置。
- 冗长度和拒绝触发条件。
原始提示："[插入提示]"
收益： 确保您的提示库保持与底层基础设施变化无关，并且始终有效。
9. 输出验证器（法官）
最佳适用模型： Gemini或Claude，因其高级语义分析能力。
在自动化工作流程中，您需要第二个AI来评估第一个AI的输出。此提示创建用于自动评估的评分标准。
为以下任务创建评估标准以对AI响应进行评分：[插入任务]。
输出应是一个严格格式化的JSON对象，包含：
1. 1-10的分数。
2. 基于关键约束的二进制“通过/失败”标志。
3. 评分原因的简要说明。
成功标准是：[插入标准]。
收益： 为AI应用实现可扩展的自动化质量保证，无需对每次交互进行人工审查。
10. 动态变量模板
最佳适用模型： DeepSeek，因其结构化编码任务能力。
硬编码的提示不可扩展。此提示将静态文本转换为具有清晰变量的模板，以便进行程序化插入。
分析以下文本交互，并将提示转换为可重用模板。
将所有特定数据点（名称、日期、特定主题）替换为使用{{变量名}}格式的独特变量占位符。在末尾列出变量及其应填充的数据类型描述。
输入提示："[插入静态提示]"
收益： 促进提示与软件应用程序的集成，允许通过API进行动态内容注入。
专业技巧：上下文分隔符
在构建复杂提示时，始终使用清晰的XML风格分隔符（例如<context>、<instructions>、<user_input>）将指令与数据分开。这可以防止“提示注入”混淆，即模型将用户数据误认为是系统指令。Claude和DeepSeek对这种结构特别敏感，能显著提高准确性。
掌握提示工程并非记忆魔法短语；而是理解不同架构如何处理信息。通过使用这些元提示，您将从手动编写指令转向设计稳健、可扩展的交互框架。在ChatGPT、Gemini、Claude和DeepSeek上测试这些提示，以构建一个能够适应任何挑战的弹性工具包。