每天一条可直接复制的 AI 提示词,附「为什么这么写」与一个变体。不讲概念,只解决一个具体的写法问题。
目前共 11 条,按日期从新到旧排列。每条都给出一段可以直接复制的提示词、它为什么这么写、以及一个可以换用的变体。
和模板库的区别:模板库给的是「一个场景的完整成品」,这一栏给的是「一个具体的坑」——某句常见的要求为什么不生效、换成什么说法就好了。所以每条都有一条明确的对比,能看出改动前后差别在哪。写不出来就不发,凑数的一条会把整栏的可信度拉低。
2026-10-05 · 数据
让 AI 直接算「3580 乘 12 再打八五折」,它可能答对,也可能错得理直气壮。数字一多,直接要答案就是在抽卡。
语言模型算数不是按计算器的方式算的,是按「下一个数字大概率是什么」的方式生成的。步骤少时它对得挺好,数字一多、步骤一长,中间某一步的偏差就会滚进最终答案。「先列步骤、每步一个运算」等于把一道大题拆成一串小题,每一步都短到不容易编错——就算错了,你也能一眼看到是哪步错的。
2026-10-04 · 写作
把一段文字丢给 AI 说「帮我润色」,回来的是一段哪都顺、哪都不是你的话。真正好用的润色指令只有一个动作:只删不改。
「帮我润色」是让 AI 按它的审美重写一遍,出来的是一篇新的、平庸的文字。而「只删不改」逼它做另一件事:找出真正多余的句子。多数初稿的问题不是写得不好,是写多了——客套的开头、重复的解释、自我怀疑的「可能」「大概」。删掉这些,你的文字还在,只是站得更直。
2026-10-03 · 学习
把考纲丢给 AI 说「帮我做个复习计划」,出来的计划十有八九完不成——它默认你每天有空学习一整天。它不是不会排,是你没告诉它你的真实额度。
真正起作用的是「硬性约束」那一段。没有它,AI 会按「理想学习者」排计划:每天三小时、进度均匀、难点平均分配——看着挺专业,实际第一天就执行不下去。而完不成的计划比没有计划更伤士气,因为你会在第三天开始觉得自己失败了。最后那句「只过错题、不排新内容」也留着,考前最忌讳的就是开新章。
2026-10-02 · 图像
让 AI 生成商品图,加再多「干净背景」「高级感」,它还是会往桌上摆道具、加反光。试下来的经验是:与其拼命描述你想要什么,不如直接列「不要出现什么」。
有意思的地方在「不要出现」这一段。生成模型对正向描述是「尽力满足」,对负向列表是「严格回避」——你写「干净的背景」,它理解成一种氛围;你写「背景里不要有任何其他东西」,它才真的清场。这个差异在商品图上最明显,因为商品图的评价标准本来就只有「干不干净」。
2026-10-01 · 职场
催办消息最难的不是措辞客气不客气。多数人只写「请尽快回复」,对方看完还是不知道这事的分量。三种版本对比下来,回得最快的是把后果说清楚的那个。
关键是第三个版本。前两种你自己也能写,AI 帮不上什么;但「如果没有会怎样」这句,多数人催办时都咽回去了——恰恰是这句话让对方能判断这件事该排在第几位。另外记得把「他上周也在等我」这类背景写进去,不然 AI 很容易写出阴阳怪气的版本,那可不是你想要的。
2026-09-29 · 职场
把一段四十分钟的录音转写稿丢给 AI 说「帮我总结」,出来的通常是按时间顺序复述的流水账——谁说了什么、然后谁又说了什么。你要的不是这个,你要的是「接下来谁在什么时候做什么」。
关键在「只写原文里出现过的信息」和「未指定就填未指定」这两句。不加这两条,AI 会习惯性地把会议补完整——它会替你决定负责人、替你估一个截止时间,而这些猜测混进待办清单里,比没有清单更危险。第三块「悬而未决」是最容易被漏掉、实际最有用的一块:会上没结论的事,往往才是下次开会的原因。
2026-09-28 · 图像
「要高级感」「要氛围感」「要ins风」——这几个词在文生图里几乎等于没说。模型不认识「高级」这个概念,它认识的是光线、材质、构图和配色。
把「高级感」拆成了六条可以执行的约束:光怎么打、什么材质、背景多干净、留白在哪、几种颜色、什么焦段。这六条合起来,人看到就会说「高级」,但模型需要的是这六条本身。其中「不出现超过三种颜色」和「留出三分之一空白」是最有效的两条——画面杂乱和构图太满,是「廉价感」最主要的来源。
2026-09-26 · 学习
「我讲一遍,你看我说得对不对」——这句话直接问 AI,它会一路点头。它默认你的表述是对的,只会帮你把话说得更顺,不会指出你哪里理解错了。
起作用的是一头一尾两句话:「扮演审稿人而不是听众」把它的默认行为从附和改成审查,最后那句「不要为了鼓励而夸我」把客套话关掉。第 3 条「漏掉前提却得到正确结论」是最有价值的一条——这种情况在自学里极常见,结论蒙对了但推理是错的,下次换个场景就会出错,而普通的「你讲得对不对」根本测不出来。
2026-09-25 · 编程
「这段代码为什么报错」——这样问,AI 通常会给你三个可能的原因,然后开始改代码。改完你可能发现它修的是另一个问题:它没看到你的报错,只能猜。
关键在「先不要给我修改后的代码」这一句,以及第三步的排查方法。直接要修复代码,AI 会跳到你想要的答案上,而它跳过的推理过程恰恰是你需要的——你下次遇到同类问题还是不会。让它先给排查路径,等于让它把诊断过程摊开给你看;绝大多数时候,你在执行第二步的时候就已经发现问题在哪了。
2026-09-24 · 写作
「帮我润色一下」的结果通常是:语法没问题了,但你读起来觉得「这不是我写的」。AI 默认往「标准书面语」的方向改,而你的特点往往就藏在它删掉的那些地方。
两处设计最关键。一是先让它「归纳你的风格」再动笔——不归纳,它会用训练语料里的平均文风改写你;归纳之后,你的特征成了它的约束条件。二是限制修改范围,并且要求逐条说明改了什么:不加这条,润色会变成重写,你会拿到一篇没有毛病但也没有你的文章。
2026-09-23 · 数据
「帮我写个 SQL 查询上月复购率」——这样问,你会拿到一段语法正确、逻辑也自洽的 SQL,然后跑出来一个你不确定对不对的数字。因为它对「复购」「上月」「用户」这几个词的理解,可能和你的业务定义完全不同。
「先不要写 SQL」这一句,把一次性的猜测变成了两轮对话。它的价值不在省时间,而在暴露分歧:你对「上月」的定义是自然月还是最近 30 天、复购是按订单还是按用户、退单要不要剔除——这些它默认会自己选一个,而你默认它选的是你想的那个。第四步的校验查询同样重要:一个跑得通但漏了数据的查询,比跑不通的更麻烦。