[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-TechNomadCode--AI-Product-Development-Toolkit":3,"tool-TechNomadCode--AI-Product-Development-Toolkit":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",142651,2,"2026-04-06T23:34:12",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":73,"owner_location":75,"owner_email":76,"owner_twitter":77,"owner_website":75,"owner_url":78,"languages":75,"stars":79,"forks":80,"last_commit_at":81,"license":82,"difficulty_score":83,"env_os":84,"env_gpu":85,"env_ram":85,"env_deps":86,"category_tags":89,"github_topics":90,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":97,"updated_at":98,"faqs":99,"releases":100},4758,"TechNomadCode\u002FAI-Product-Development-Toolkit","AI-Product-Development-Toolkit","User-Centered Product Development Prompt Templates","AI-Product-Development-Toolkit 是一套专为产品打造设计的提示词模板库，旨在帮助用户利用 AI 高效完成从创意构思到最小可行产品（MVP）落地的全过程。它解决了传统单次提问方式难以生成深度、连贯文档的痛点，通过结构化的交互流程，引导用户逐步明确需求、规划体验并制定开发方案。\n\n这套工具特别适合产品经理、独立开发者、设计师以及希望将想法快速转化为原型的创业者使用。其核心亮点在于“以用户为中心的引导式对话”设计：不同于简单的指令输入，这些模板会让 AI 扮演顾问角色，通过针对性的提问挖掘项目细节，并在关键节点主动寻求用户确认，确保输出内容既专业又符合预期。此外，它还支持上下文关联分析，能够基于前序步骤生成的文档（如产品需求文档 PRD）自动推导后续的用户体验规范或测试计划，保持逻辑一致性。配合 v0.dev 等前端生成工具，用户甚至能直接获得可视化的代码雏形，大幅降低产品开发门槛。","# AI Product Development Toolkit 🧠 [PromptQuick.ai](https:\u002F\u002Fpromptquick.ai)\n\nWelcome to my personal collection of product development prompt templates! This repository serves as a central place to store, organize, and share effective prompts for various AI models, designed to guide users from idea to MVP.\n\n## About This Repository\n\nAs I use different AI tools I often find myself designing specific prompts to get desired outputs. This repository is my way of:\n\n*   **Organizing:** Keeping track of prompts that work well.\n*   **Reusing:** Quickly finding and adapting prompts for new tasks.\n*   **Sharing:** Making useful prompts available (primarily for myself, but maybe helpful to others!).\n*   **Learning:** Refining prompts over time and seeing patterns in what works.\n\n## Guided Conversational Approach\n\nWhat makes these prompts unique is their **user-centered, guided conversational design**:\n\n*   **Interactive Process:** Rather than one-shot prompting, these templates guide AI models through an iterative conversation with you.\n*   **Structured Questioning:** The AI asks targeted questions focused on specific aspects of your project, building a comprehensive document piece by piece.\n*   **User Confirmation Checkpoints:** The prompts explicitly instruct the AI to verify its understanding and direction with you before moving to new sections or making significant interpretations.\n*   **Contextual Analysis:** Many templates use inputs from previous steps (like a PRD for context plus an MVP concept), instructing the AI to cross-reference information for consistency.\n*   **Adaptive Guidance:** The templates help you think through aspects you might have missed, while allowing you to maintain control over the final direction.\n\nThis approach combines the best of both worlds: AI's ability to provide structure and ask clarifying questions, with your subject matter expertise and decision-making authority.\n\n## How to Use: From Idea to MVP Workflow\n\nThis library is designed to be used sequentially. Here’s a typical workflow:\n\n1.  **Define Product Vision (PRD):** Start with your raw ideas and use the `PRD\u002FGuided-PRD-Creation.md` prompt to generate a structured **Product Requirements Document (PRD)**.\n2.  **Define User Experience (UX):** Use the `UX-User-Flow\u002FGuided-UX-User-Flow.md` prompt, feeding it the PRD, to create detailed **UX Specifications**.\n3.  **Define MVP Concept:** Use the `MVP-Concept\u002FGuided-MVP-Concept-Definition.md` prompt with your PRD (and optionally UX Specs) to define the focused **MVP Concept Description** (scope, hypothesis, features).\n4.  **Plan MVP Development:** Use `MVP\u002FGuided-MVP.md` (or `Ultra-Lean-MVP\u002F...` for speed) with the PRD and MVP Concept to create the **MVP Development Plan** or **Build Spec**.\n5.  **Plan MVP Testing:** Use the `Testing\u002FGuided-Test-Plan.md` prompt with the MVP features (from Step 3 or 4) to outline the **Test Plan**.\n6.  **Prepare Visual Prompt for v0.dev:** Use the `v0-Design\u002Fv0.dev-visual-generation-prompt-filler.md` prompt, providing your UX Specs (Step 2) and MVP Scope (Step 3 or 4), to generate a **Filled `v0.dev` Prompt** tailored to your MVP.\n7.  **Generate Visual Code:** Use the filled prompt from Step 6 with the external `v0.dev` tool to get initial **Visual Frontend Code**.\n8.  **Build, Integrate & Test:** Manually develop the MVP features according to the MVP Plan (Step 4), integrate the visual code (Step 7), and test using the Test Plan (Step 5) to arrive at your **Working MVP**.\n\n## Repository Navigation\n\nThis repository is organized into topical folders containing specialized prompts:\n\n*   **PRD**: Template for creating comprehensive Product Requirements Documents.\n*   **UX-User-Flow**: Template for translating PRDs into detailed UX Specifications.\n*   **MVP-Concept**: Template for defining the focused MVP Concept (scope, hypothesis, features).\n*   **MVP**: Template for developing detailed MVP development plans based on the concept.\n*   **Ultra-Lean-MVP**: Template focused on rapidly defining core MVP build specifications (alternative to detailed MVP planning).\n*   **Testing**: Template for creating thorough test plans for software quality assurance.\n*   **v0-Design**: Templates for generating `v0.dev` prompts based on UX Specs and MVP scope.\n\n```\n⚠️ Readme files in each folder contain crucial details – do not ignore them. ⚠️\n```\n\n[PRD](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FPRD\u002FREADME.md)\n\n[UX-User-Flow](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FUX-User-Flow\u002FREADME.md)\n\n[MVP-Concept](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FMVP-Concept\u002FREADME.md)\n\n[MVP](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FMVP\u002FREADME.md)\n\n[Testing](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FTesting\u002FREADME.md)\n\n[Ultra-Lean-MVP](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FUltra-Lean-MVP\u002FREADME.md)\n\n[v0-Design](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002Fv0-Design\u002FREADME.md)\n\n**General Usage Notes:**\n\n*   **Browse:** Navigate to the relevant folder for the step you're on.\n*   **Copy & Adapt:** Copy the prompt text from the `.md` file. **Crucially, replace all placeholders** like `[ \u003C\u003C\u003C PASTE ... HERE >>> ]` or `[example]` with your specific project details and inputs from previous steps.\n*   **Engage:** Paste the adapted prompt into your AI tool. Answer the AI's questions thoughtfully – your responses guide the process.\n*   **Confirm:** Pay attention to the AI's check-in points to ensure the output stays aligned with your vision.\n*   **Iterate:** Continue the conversation until the desired document\u002Fplan is drafted.\n\n## Model Compatibility\n\nThese prompts were developed with large context window models in mind (like Google Gemini, GPT-4, Claude 3), as they need to maintain conversation context throughout potentially lengthy exchanges, often referencing large input documents (like PRDs or UX Specs). For best results when generating final document drafts, consider using a low temperature setting (0.2-0.5) to encourage factual, focused output.\n\n## How I designed these\n\nI use AI tools for prompt design combined with my personal [Prompt Rulebook](https:\u002F\u002Fpromptquick.ai) and all the acquired metaknowledge throughout my journey of study and engineering.\n\n## Contributing\n\nWhile this is primarily my personal collection, if you have suggestions or improvements, feel free to DM me:\n\n[Reddit](https:\u002F\u002Fwww.reddit.com\u002Fuser\u002FPuzzled-Ad-6854)\n\n[X](https:\u002F\u002Fx.com\u002Ftech_n0mad)\n\n## License\n\nYou are generally free to use, adapt, and share these prompts. See the `LICENSE` file for more details.\n\n## Disclaimer\n\nAI models and their outputs can be unpredictable. These prompts are starting points and may require significant modification to achieve your desired results. Always review and verify AI-generated content, especially for accuracy, bias, or appropriateness. Human oversight, strategic decision-making, and technical validation are critical at every step.\n","# AI 产品开发工具包 🧠 [PromptQuick.ai](https:\u002F\u002Fpromptquick.ai)\n\n欢迎来到我的个人产品开发提示模板合集！这个仓库是一个集中存储、组织和分享针对各类 AI 模型的有效提示的地方，旨在引导用户从创意阶段逐步走向 MVP 阶段。\n\n## 关于本仓库\n\n在使用不同的 AI 工具时，我经常会设计特定的提示来获取期望的输出。这个仓库是我用来：\n\n*   **整理**：记录那些效果良好的提示。\n*   **复用**：快速找到并调整适用于新任务的提示。\n*   **分享**：将有用的提示公开（主要是供我自己使用，但也可能对其他人有帮助！）。\n*   **学习**：随着时间推移不断优化提示，并从中发现哪些方法有效。\n\n## 引导式对话式方法\n\n这些提示的独特之处在于其 **以用户为中心的引导式对话设计**：\n\n*   **交互式流程**：不同于一次性提示，这些模板会引导 AI 模型与您进行迭代式的对话。\n*   **结构化提问**：AI 会围绕项目的具体方面提出有针对性的问题，逐步构建出一份完整的文档。\n*   **用户确认环节**：提示会明确指示 AI 在进入新部分或做出重要决策之前，先与您确认其理解是否正确以及方向是否一致。\n*   **上下文分析**：许多模板会利用先前步骤中的输入（例如，作为背景的 PRD 和 MVP 概念），指导 AI 对信息进行交叉核对，以确保一致性。\n*   **自适应引导**：这些模板可以帮助您思考可能遗漏的细节，同时让您始终掌控最终的方向。\n\n这种方法结合了两者的优点：AI 能够提供结构化的框架并提出澄清性问题，而您则凭借自身的专业知识和决策能力主导整个过程。\n\n## 使用方法：从创意到 MVP 的工作流\n\n本库的设计是按顺序使用的。以下是一个典型的工作流程：\n\n1.  **定义产品愿景（PRD）**：从您的原始想法开始，使用 `PRD\u002FGuided-PRD-Creation.md` 提示生成一份结构化的 **产品需求文档（PRD）**。\n2.  **定义用户体验（UX）**：将 PRD 作为输入，使用 `UX-User-Flow\u002FGuided-UX-User-Flow.md` 提示创建详细的 **UX 规范**。\n3.  **定义 MVP 概念**：使用 `MVP-Concept\u002FGuided-MVP-Concept-Definition.md` 提示，结合您的 PRD（可选地加入 UX 规范），定义聚焦的 **MVP 概念描述**（范围、假设、功能）。\n4.  **规划 MVP 开发**：使用 `MVP\u002FGuided-MVP.md`（或为了加快速度的 `Ultra-Lean-MVP\u002F...`），结合 PRD 和 MVP 概念，生成 **MVP 开发计划** 或 **构建规范**。\n5.  **规划 MVP 测试**：使用 `Testing\u002FGuided-Test-Plan.md` 提示，结合第 3 步或第 4 步中的 MVP 功能，制定 **测试计划**。\n6.  **准备 v0.dev 的视觉提示**：使用 `v0-Design\u002Fv0.dev-visual-generation-prompt-filler.md` 提示，提供第 2 步的 UX 规范和第 3 步或第 4 步的 MVP 范围，生成一个专为您的 MVP 定制的 **填充好的 `v0.dev` 提示**。\n7.  **生成可视化代码**：将第 6 步中填充好的提示与外部的 `v0.dev` 工具结合，获得初始的 **可视化前端代码**。\n8.  **构建、集成与测试**：根据第 4 步的 MVP 计划手动开发 MVP 功能，集成第 7 步生成的可视化代码，并按照第 5 步的测试计划进行测试，最终得到您的 **可用 MVP**。\n\n## 仓库导航\n\n本仓库按主题分为多个文件夹，每个文件夹包含专门的提示模板：\n\n*   **PRD**：用于创建全面的产品需求文档的模板。\n*   **UX-User-Flow**：用于将 PRD 转换为详细 UX 规范的模板。\n*   **MVP-Concept**：用于定义聚焦的 MVP 概念（范围、假设、功能）的模板。\n*   **MVP**：基于概念进一步细化 MVP 开发计划的模板。\n*   **Ultra-Lean-MVP**：专注于快速定义核心 MVP 构建规范的模板（作为详细 MVP 计划的替代方案）。\n*   **Testing**：用于创建全面软件质量保证测试计划的模板。\n*   **v0-Design**：基于 UX 规范和 MVP 范围生成 `v0.dev` 提示的模板。\n\n```\n⚠️ 每个文件夹中的 README 文件都包含关键信息，请务必阅读。 ⚠️\n```\n\n[PRD](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FPRD\u002FREADME.md)\n\n[UX-User-Flow](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FUX-User-Flow\u002FREADME.md)\n\n[MVP-Concept](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FMVP-Concept\u002FREADME.md)\n\n[MVP](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FMVP\u002FREADME.md)\n\n[Testing](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FTesting\u002FREADME.md)\n\n[Ultra-Lean-MVP](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002FUltra-Lean-MVP\u002FREADME.md)\n\n[v0-Design](https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library\u002Fblob\u002Fmain\u002Fv0-Design\u002FREADME.md)\n\n**通用使用说明：**\n\n*   **浏览**：根据您当前所处的步骤，进入相应的文件夹。\n*   **复制与调整**：从 `.md` 文件中复制提示文本。**务必替换所有占位符**，例如 `[ \u003C\u003C\u003C PASTE ... HERE >>> ]` 或 `[example]`，代入您具体的项目细节以及先前步骤的输入。\n*   **参与互动**：将调整后的提示粘贴到您的 AI 工具中。请认真回答 AI 的问题——您的回复将引导整个流程。\n*   **确认**：留意 AI 的检查点，以确保输出始终符合您的愿景。\n*   **迭代**：继续对话，直到完成所需的文档或计划草案。\n\n## 模型兼容性\n\n这些提示是为具有大上下文窗口的模型设计的（如 Google Gemini、GPT-4、Claude 3），因为它们需要在可能较长的对话过程中保持上下文连贯，常常需要参考大型输入文档（如 PRD 或 UX 规范）。为了获得最佳的最终文档草稿生成效果，建议使用较低的温度设置（0.2–0.5），以促使 AI 生成更准确、更专注的输出。\n\n## 我的设计思路\n\n我在设计这些提示时，结合了 AI 工具的帮助，以及我个人的 [Prompt Rulebook](https:\u002F\u002Fpromptquick.ai) 和多年来学习与工程实践中积累的元知识。\n\n## 贡献\n\n虽然这主要是我的个人收藏，但如果您有任何建议或改进意见，欢迎随时私信我：\n\n[Reddit](https:\u002F\u002Fwww.reddit.com\u002Fuser\u002FPuzzled-Ad-6854)\n\n[X](https:\u002F\u002Fx.com\u002Ftech_n0mad)\n\n## 许可证\n\n您通常可以自由地使用、修改和分享这些提示。更多详情请参阅 `LICENSE` 文件。\n\n## 免责声明\n\n人工智能模型及其输出可能存在不可预测性。这些提示仅作为起点，可能需要进行大幅修改才能达到您期望的结果。请务必审查并验证由人工智能生成的内容，尤其是在准确性、偏见或适当性方面。在每个环节都需有人工监督、战略决策和技术验证，以确保质量与合规。","# AI-Product-Development-Toolkit 快速上手指南\n\n本工具并非传统软件库，而是一套**结构化提示词（Prompt）模板集合**。它旨在引导开发者通过“交互式对话”的方式，利用大语言模型（LLM）从创意阶段逐步推导出最小可行性产品（MVP）。无需安装任何依赖，只需具备访问主流大模型的能力即可使用。\n\n## 环境准备\n\n本工具无系统要求或前置依赖，但需满足以下条件以获得最佳体验：\n\n*   **大语言模型账号**：推荐使用具备**长上下文窗口**和**强逻辑推理能力**的模型，例如：\n    *   Claude 3 (Opus\u002FSonnet)\n    *   GPT-4 Turbo \u002F GPT-4o\n    *   Google Gemini 1.5 Pro\n    *   国内等效模型（如通义千问 Max、文心一言 4.0 等，需确认其长文本处理能力）\n*   **代码编辑器**：用于查看 `.md` 提示词文件及编辑替换内容（如 VS Code）。\n*   **可选工具**：[v0.dev](https:\u002F\u002Fv0.dev)（用于根据生成的描述快速构建前端界面）。\n\n## 安装步骤\n\n由于本项目为纯文本模板库，无需执行安装命令。请通过以下方式获取：\n\n1.  **克隆仓库**（推荐）：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FTechNomadCode\u002FAI-Prompt-Library.git\n    cd AI-Prompt-Library\n    ```\n    *(注：若国内访问 GitHub 较慢，可尝试使用镜像源或手动下载 ZIP 包解压)*\n\n2.  **浏览结构**：\n    进入目录后，你将看到按开发流程分类的文件夹：\n    *   `PRD\u002F`: 产品需求文档生成\n    *   `UX-User-Flow\u002F`: 用户体验流程设计\n    *   `MVP-Concept\u002F`: MVP 概念定义\n    *   `MVP\u002F` & `Ultra-Lean-MVP\u002F`: 开发计划与构建规范\n    *   `Testing\u002F`: 测试计划制定\n    *   `v0-Design\u002F`: v0.dev 视觉生成提示词\n\n## 基本使用\n\n本工具的核心工作流是**顺序执行**，将上一步的输出作为下一步的输入。以下是从“想法”到\"MVP\"的最简操作示例：\n\n### 第一步：生成产品需求文档 (PRD)\n\n1.  打开 `PRD\u002FGuided-PRD-Creation.md` 文件。\n2.  复制文件中的全部提示词内容。\n3.  **关键操作**：在粘贴到 AI 对话框前，将提示词中所有的占位符（如 `[ \u003C\u003C\u003C PASTE YOUR RAW IDEAS HERE >>> ]`）替换为你具体的产品创意或原始想法。\n4.  将修改后的提示词发送给 AI 模型。\n5.  **交互过程**：AI 会开始向你提问以澄清细节。请认真回答每一个问题，并在 AI 请求确认方向时给予明确反馈，直到生成完整的 PRD。\n\n### 第二步：定义 MVP 概念\n\n1.  打开 `MVP-Concept\u002FGuided-MVP-Concept-Definition.md`。\n2.  复制提示词内容。\n3.  **关键操作**：\n    *   将占位符替换为**第一步生成的完整 PRD 内容**。\n    *   （可选）填入部分 UX 构思。\n4.  发送给 AI，经过几轮问答确认后，获得聚焦的 **MVP 概念描述**（包含范围、假设和核心功能列表）。\n\n### 第三步：生成开发计划\n\n1.  打开 `MVP\u002FGuided-MVP.md`（若追求极速可选 `Ultra-Lean-MVP\u002F...`）。\n2.  复制提示词，并将占位符替换为**PRD**和**MVP 概念描述**。\n3.  发送给 AI，获取详细的 **MVP 开发计划** 或 **构建规范 (Build Spec)**。\n\n### 第四步：生成前端代码（可选）\n\n若你需要快速生成界面原型：\n\n1.  打开 `v0-Design\u002Fv0.dev-visual-generation-prompt-filler.md`。\n2.  填入**UX 规格**（可由 `UX-User-Flow` 文件夹生成）和 **MVP 范围**。\n3.  将生成的最终提示词复制到 [v0.dev](https:\u002F\u002Fv0.dev) 网站中，即可直接获得可运行的前端代码片段。\n\n---\n\n**💡 使用技巧：**\n*   **保持上下文**：建议在同一个对话窗口中连续进行上述步骤，以便 AI 记忆之前的决策。若对话过长，可将上一步的最终输出保存为文本文件，在新对话中作为背景信息粘贴。\n*   **参数设置**：在生成最终文档草案时，建议将模型的 `Temperature` 设置为 **0.2 - 0.5**，以确保输出内容事实准确、结构严谨。\n*   **人工审核**：AI 生成的内容仅为草稿，务必在每一步结束后进行人工校验，确保技术可行性和业务逻辑正确。","一位独立开发者试图在周末将模糊的“智能记账”想法转化为可演示的 MVP 原型，却卡在需求梳理和代码实现的断层上。\n\n### 没有 AI-Product-Development-Toolkit 时\n- **思路碎片化**：直接在对话框中零散提问，导致生成的产品需求文档（PRD）逻辑跳跃，缺乏系统性结构。\n- **上下文丢失**：从需求转到 UX 设计时，需反复向 AI 重述背景，且 AI 常忽略之前的约束条件，导致方案前后矛盾。\n- **范围失控**：难以界定 MVP 边界，容易陷入功能堆砌，浪费大量时间开发非核心特性。\n- **落地困难**：生成的设计描述无法直接转化为 v0.dev 等工具可识别的高质量提示词，视觉代码生成效果差，需手动重写。\n\n### 使用 AI-Product-Development-Toolkit 后\n- **结构化引导**：利用 `Guided-PRD-Creation` 模板，AI 通过交互式问答主动补全缺失信息，输出一份逻辑严密的标准化 PRD。\n- **无缝流转**：后续步骤直接复用前序产出物（如将 PRD 输入 `Guided-UX-User-Flow`），确保用户体验规范与原始需求高度一致。\n- **精准聚焦**：通过 `Guided-MVP-Concept-Definition` 强制进行假设验证和范围裁剪，快速锁定最核心的记账功能，避免过度开发。\n- **一键生成**：借助 `v0.dev-visual-generation-prompt-filler` 自动组装上下文，生成专为视觉生成工具优化的提示词，直接产出可用的前端代码框架。\n\nAI-Product-Development-Toolkit 通过标准化的引导式对话流程，将原本混乱的头脑风暴转变为从概念到代码的可执行流水线，让单人团队也能高效交付高质量 MVP。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTechNomadCode_AI-Product-Development-Toolkit_6649cccb.png","TechNomadCode","Tech Nomad","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTechNomadCode_4fe60f62.png",null,"business.nomad.tech@gmail.com","Tech_N0mad","https:\u002F\u002Fgithub.com\u002FTechNomadCode",815,149,"2026-04-05T11:48:49","MIT",1,"","未说明",{"notes":87,"python":85,"dependencies":88},"该工具并非需要本地安装运行的软件，而是一组提示词（Prompt）模板集合。用户只需将模板内容复制到任何支持长上下文的大型语言模型（如 Google Gemini, GPT-4, Claude 3）中即可使用。其中部分步骤需配合外部在线工具 v0.dev 生成前端代码。无需配置本地 GPU、Python 环境或安装依赖库。",[],[15,13,14],[91,92,93,94,95,96],"ai","documentation","mvp","prd","productivity","prompt-engineering","2026-03-27T02:49:30.150509","2026-04-07T09:46:56.098855",[],[]]