copilot-prompts
copilot-prompts 是一个由微软产品团队与社区共同维护的开源知识库，专门收录适用于 Microsoft Copilot、GitHub Copilot 及 Microsoft 365 Copilot 的高质量提示词（Prompts）、智能体指令（Agent Instructions）和技能文件（Skills）。
在日常使用 AI 助手时，许多用户常因不知如何精准描述需求而难以获得理想结果。copilot-prompts 通过提供经过验证的实战案例，帮助用户快速掌握与 AI 高效沟通的技巧，从而解决写作、编程、数据分析等场景下的具体问题，显著提升工作效率。
这套资源非常适合各类用户：普通办公人员可借鉴现成的办公自动化提示词；开发者能直接复用复杂的代码生成指令或利用独特的"SKILL.md"机制，教导 GitHub Copilot 执行多步骤任务；企业构建者则可参考智能体指令，在 Copilot Studio 中快速定制专属业务助手。
其技术亮点在于不仅提供文本示例，还定义了标准化的技能架构，甚至支持利用 GitHub Copilot 自动搭建贡献者的项目结构。无论你是想寻找灵感的新手，还是希望分享经验的专业人士，都能在这里找到有价值的参考，并在开放协作的氛围中共同成长。
使用场景
某企业数据分析师需要频繁利用 Microsoft 365 Copilot 从杂乱的会议记录中提取行动项并生成结构化报表，但苦于无法稳定获得高质量输出。
没有 copilot-prompts 时
- 每次需手动反复调试提示词，耗费大量时间尝试不同的措辞才能让 AI 理解“提取行动项”的具体格式要求。
- 缺乏标准化的指令模板，导致不同同事生成的报告风格迥异，数据字段经常缺失或错位，后续整理成本极高。
- 遇到复杂的多步任务（如先总结再分类最后格式化）时，AI 容易遗漏步骤，用户不知如何构建有效的系统指令来引导 AI。
- 社区中优秀的提示词思路分散各处，难以发现经过验证的高效写法，只能依靠个人经验盲目摸索。
使用 copilot-prompts 后
- 直接从仓库中复用经过验证的“会议记录分析”提示词样本，只需微调少量参数即可立即获得精准的结构化输出。
- 基于统一的 Agent 指令样本创建专属助手，确保团队所有成员生成的报表格式一致、字段完整，大幅降低协作摩擦。
- 利用 Skill 样本教会 GitHub Copilot 执行复杂的多步数据处理流程，AI 能自动按顺序完成总结、分类与格式化，无需人工干预。
- 参考社区贡献的高质量案例快速掌握提示词工程技巧，将原本数小时的调试工作缩短为几分钟的配置时间。
copilot-prompts 通过提供标准化、可复用的提示词资产库，将不稳定的 AI 交互转化为高效可靠的企业级工作流。
运行环境要求
未说明
未说明
快速开始
Copilot 提示词库
此仓库包含适用于 Microsoft Copilot、GitHub Copilot 和 Microsoft 365 Copilot 的示例提示词及智能体指令。我们欢迎社区贡献——如果您有出色的提示词或智能体创意，请分享您的成果，帮助更多人！
免责声明：本仓库提供的示例提示词仅用于演示目的。它们可能并不总是准确，也不一定适合您的具体使用场景。请根据自身情况谨慎使用，并在必要时进行审查和修改。使用本仓库中的提示词即表示您已了解这些限制，并同意以负责任的方式使用相关内容。作者对因使用这些提示词而产生的任何不准确或问题概不负责。 关于 GitHub 头像的使用：通过为本项目做出贡献，您即授权我们在 LinkedIn 上发布的“每周提示词致敬”帖中使用您的 GitHub 头像。如果您希望使用其他照片或选择退出，请提交一个问题或直接与我们联系。
有想法、问题或疑问吗？
请创建一个问题——我们非常期待您的反馈。
作者
本仓库的贡献者均为社区成员，他们自愿投入时间分享提示词样本。
如何使用本仓库
前往 samples 文件夹，选择一个提示词或智能体指令/技能，查看其中的子文件夹，这些就是各类别的示例。按照其 readme.md 中的说明操作。开始之前，请务必检查先决条件。
贡献
示例由微软的产品团队以及 Microsoft 365 和 Power Platform 社区 提交。我们欢迎社区贡献——在提交拉取请求前，请先阅读我们的贡献指南。
本仓库包含三种类型的示例：
| 类型 | 位置 | 内容 |
|---|---|---|
| 提示词示例 | samples/prompts/{文件夹名}/ |
您可以直接在 Microsoft 365 Copilot、GitHub Copilot 或 Microsoft Copilot 中使用的提示词 |
| 智能体指令示例 | samples/agent-instructions/{智能体名称}/ |
您可粘贴到 Copilot Studio 中以创建智能体的系统提示词/智能体指令 |
| 技能示例 | samples/skills/{技能名称}/ |
一个可重用的 SKILL.md 指令文件，用于教会 GitHub Copilot 完成多步骤任务 |
提示词和智能体指令示例具有相同的结构：一个 readme.md 文件和一个包含 sample.json 元数据文件的 assets/ 文件夹。技能示例则额外包含一个 SKILL.md 文件——这是 GitHub Copilot 在运行时读取的核心技能定义。完整的模式规范请参阅 Skill Schema Spec。
您可以通过两种方式贡献——使用 GitHub Copilot 自动搭建框架，或传统方式手动创建文件。
方案 1：使用 GitHub Copilot 贡献（推荐）
在 VS Code 中启用 GitHub Copilot 后，内置技能可以为您搭建好正确的文件夹结构、README 和 sample.json。
对于提示词示例
打开 GitHub Copilot Chat 并说：
- “创建一个新的提示词示例”
- “搭建一个新的提示词示例”
对于智能体指令/系统提示词示例
打开 GitHub Copilot Chat 并说：
- “创建一个智能体指令”
- “创建一个系统提示词示例”
- “构建一个智能体”
对于技能示例
打开 GitHub Copilot Chat 并说：
- “创建一个新的技能示例”
- “搭建一个新的技能”
- “贡献一个技能”
GitHub Copilot 会询问所需细节，并生成包含所有文件的文件夹。
注意：搭建完成后，请将截图添加到
assets/文件夹，并更新sample.json中的缩略图。
方案 2：传统方式贡献
- 在 https://aka.ms/copilot-prompt-library 处复刻该仓库。
- 克隆您的复刻版本并创建新分支。
- 添加新文件夹：
- 提示词示例：
samples/prompts/<应用主机功能_提示词>（例如，ppt-sales-report-prompt） - 智能体指令：
samples/agent-instructions/<智能体名称>（例如，communication-assistant） - 技能：
samples/skills/<技能名称>（例如，code-review-csharp）
- 提示词示例：
- 添加
readme.md— 从同类型现有示例中复制一份并进行更新。对于智能体指令示例，在代码块内“Instruction”部分放置完整的系统提示词。对于技能示例，还需按照 Skill Schema Spec 创建一个SKILL.md文件。 - 添加
assets/文件夹，放入截图和sample.json文件（可从任意现有示例中复制并更新元数据）。
sample.json会推送至 M365 解决方案库 以提高可见性——请确保其内容准确。
资源
行为准则
本仓库已采纳 微软开源行为准则。如需更多信息，请参阅 行为准则常见问题解答，或发送邮件至 opencode@microsoft.com 咨询更多问题或意见。
分享即关怀！
常见问题
相似工具推荐
everything-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。 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。 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
LLMs-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。 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。 LLMs-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
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。