best-prompts
best-prompts 是一个精心整理的通用高质量提示词（Prompt）合集，旨在帮助用户在各类 AI 模型中获得更精准、专业的输出。它解决了市面上许多提示词过于泛化或零散的问题，通过针对具体场景进行细分设计和约束优化，让用户无需反复调试即可直接复制使用。
该资源特别适合需要高效完成专业任务的用户群体：学术研究者可用其辅助学位论文的全流程写作，包括大纲审核、章节仿写、参考文献整理及防 AIGC 检测；开发者能借助其覆盖需求分析、方案设计、代码实现到 Bug 修复的五步工作流提升编码效率；自媒体创作者则可利用它生成爆款文章、优化排版并自动绘制精美的封面与插图。
best-prompts 的独特亮点在于其高度的场景化与可扩展性。它不仅提供了从系统架构图、E-R 图到技术栈图等复杂图表的生成指令，还支持风格迁移与多格式导出。此外，项目还贴心地为 Cursor、Claude Code 等智能体工具准备了专用的 Skill 版本，实现自动化调用。无论是追求严谨的科研人员，还是注重效率的工程师与内容创作者，都能在这里找到即拿即用的高质量指令，让 AI 协作更加顺畅自然。
使用场景
计算机专业研究生小李正在赶制毕业论文的系统设计章节，急需将项目代码转化为规范的架构图和学术文本。
没有 best-prompts 时
- 提示词调试耗时：反复尝试编写“画一个系统架构图”等模糊指令，AI 输出的内容结构松散，无法满足学位论文的严谨格式要求。
- 图表风格割裂：手动绘制 Draw.io 流程图与论文整体风格不统一，调整配色、线条和布局耗费大量机械时间。
- 内容生成碎片化：代码逻辑转文字描述时，AI 常遗漏关键数据流向或产生幻觉，需人工逐句核对修正。
- 防检测焦虑：直接生成的文本 AIGC 特征明显，缺乏专门的润色指令来降低查重风险，担心影响盲审结果。
使用 best-prompts 后
- 一键精准输出：直接复制
codegen-system-arch-diagram-prompt.md，AI 立即生成符合四层分层标准的架构描述及对应的 Draw.io 代码。 - 风格自动统一：利用
diagram-style-migration-prompt.md，只需提供一张参考图，即可批量生成风格一致的实体关系图和技术栈图。 - 图文深度联动：通过
codegen-paper-chapter-generator-prompt.md，AI 依据大纲和源码自动撰写系统设计正文，逻辑严密且引用规范。 - 学术合规保障：内置的防 AIGC 和中英互译提示词，在润色扩写的同时有效降低重复率，显著提升论文通过率。
best-prompts 将原本需要数天反复打磨的论文写作与绘图过程，压缩为小时级的高效交付，让创作者专注于核心逻辑而非提示词工程。
运行环境要求
未说明
未说明
快速开始
best-prompts🚀
通用高质量 prompt 合集，可直接复制到聊天框使用。
本提示词在 Claude4.6、Gemini3、GPT5.2、Composer1.5 等模型下遵循极好，优先推荐使用
更多模型排名：https://arena.ai/zh/leaderboard
💡 如果你使用 Cursor、Claude Code、OpenClaw 等 Agent 工具，本仓库的大部分场景都有对应的 Skill 版本，无需手动复制粘贴，Agent 会自动识别并调用： 👉 best-skills
一 项目初衷
在 Vibe Coding 时代，好的 Prompt 决定 AI 的输出质量。但市面上很多「万能写作 Prompt」要么太泛、要么太散——真正能贴合具体场景、适配输出格式、兼顾约束细节的，少之又少。
best-prompts 希望做两件事：
- 沉淀可复用的高质量 Prompt：每个 Prompt 都经过场景细分和约束设计，复制即用，减少反复调试
- 按使用场景组织：从论文撰写、开发流程到自媒体创作，让用户按需找到对应 Prompt，而非在零散文件中翻找
项目通用且可扩展，会持续补充更多领域。欢迎 Star、Fork、提 Issue 和 PR。
二 按使用场景分类
本科&硕士学位论文撰写
学位论文全流程（大纲审核、结构仿写、润色扩写、参考文献、防 AIGC、中英互译等），配合图表生成完成系统设计章节的图文内容。
| 用途 | Prompt |
|---|---|
| 正文内容撰写 | paper-write-prompt.md — 大纲审核、绪论/摘要/章节仿写、问题与格式检查、润色/扩写/缩写、参考文献、防 AIGC、中英互译、结构化信息提取 |
| 系统章节生成 | codegen-paper-chapter-generator-prompt.md — 根据大纲与项目代码生成系统设计章节正文 |
| 通用图表 | drawio-diagram-generator-prompt.md — 模型架构图、算法流程图、概念示意图 |
| 技术栈图 | codegen-tech-stack-diagram-prompt.md — 前端/后端/模型服务技术栈结构图 |
| 系统架构图 | codegen-system-arch-diagram-prompt.md — 四层分层架构图 |
| 数据结构图 | codegen-data-structure-diagram-prompt.md — 表格式实体与字段关系图 |
| E-R 图 | codegen-er-diagram-prompt.md — Chen 记法实体关系图 |
| 图片风格迁移 | diagram-style-migration-prompt.md — 参考图 + 内容描述/项目，按参考图风格生成新图表 |
| 答辩 PPT | pptgen-drawio-paper-defense-prompt.md — 多页 Draw.io 生成，配合 drawio2pptx 导出可编辑的 PPT |
投稿小论文撰写
期刊/会议论文写作，推荐使用外部精选资源：
- awesome-ai-research-writing — AI 辅助学术写作工具与 Prompt 汇总
开发流程五步法
需求理解 → 方案设计 → 代码实现 → 代码审查 → Bug 修复。
| 步骤 | Prompt |
|---|---|
| 需求理解 | dev-requirement-prompt.md |
| 方案设计 | dev-design-prompt.md |
| 代码实现 | dev-implementation-prompt.md |
| 代码审查 | dev-review-prompt.md |
| Bug 修复 | dev-bug-fix-prompt.md — 按优先级列出多种方案，自动逐一尝试，解决即停 |
自媒体创作
| 用途 | Prompt |
|---|---|
| 公众号/技术博客 | wechat-article-write-prompt.md — 搜索资料、撰写、爆款标题、排版优化；集成 9 种写作风格 + 风格提取（从样本文章提取可复用规则与 Prompt），按需复制对应 Prompt |
| 公众号封面 Draw.io | wechat-article-image-generator-prompt.md — 封面/结尾图 .drawio XML，支持 1:1、16:9、9:16、4:3、3:4、2.35:1 |
| 公众号文章插图 Draw.io | wechat-article-illustration-prompt.md — 正文插图 .drawio XML，步骤图、演示图、流程示意、前后对比 |
项目文档与简历
| 用途 | Prompt |
|---|---|
| 项目整体梳理 | codegen-project-overview-prompt.md |
| 项目重点问题 | codegen-project-key-issues-prompt.md |
| 简历项目描述 | codegen-resume-format-prompt.md |
周报 / 汇报 / 总结 / 介绍
将工作草稿、碎片笔记或背景信息整理为结构清晰、数据精准、有结论的高质量文档。
| 用途 | Prompt |
|---|---|
| 周报 | doc-weekly-report-prompt.md — 碎片草稿 → 标准周报，含本周完成/进行中/下周计划/问题风险 |
| 工作汇报 | doc-work-report-prompt.md — 结论前置，进展状态标签（✅/🔄/⏳），关键成果与协调事项 |
| 工作总结 / 复盘 | doc-summary-report-prompt.md — 背景目标、量化成果、根因分析、可复用经验方法论 |
| 项目/产品/个人介绍 | doc-introduction-prompt.md — 一句话定位、核心能力对比表、差异化优势、具体适用场景 |
工具与扩展
| 用途 | Prompt |
|---|---|
| 代码审查（多语言） | code-review-excellence-prompt.md |
| Skill 创建 | skill-create-prompt.md |
| Skill 与 Prompt 互转 | skill-prompt-convert-prompt.md |
三 使用方式
- 打开对应
.md文件- 复制
# Role到# Input之间的完整 Prompt（含 代码块）- 粘贴到与 AI 的对话中
- 在
[在此处填写]或[在此处粘贴]位置填入你的内容
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
spec-kit
Spec Kit 是一款专为提升软件开发效率而设计的开源工具包，旨在帮助团队快速落地“规格驱动开发”（Spec-Driven Development）模式。传统开发中，需求文档往往与代码实现脱节，导致沟通成本高且结果不可控；而 Spec Kit 通过将规格说明书转化为可执行的指令，让 AI 直接依据明确的业务场景生成高质量代码，从而减少从零开始的随意编码，确保产出结果的可预测性。 该工具特别适合希望利用 AI 辅助编程的开发者、技术负责人及初创团队。无论是启动全新项目还是在现有工程中引入规范化流程，用户只需通过简单的命令行操作，即可初始化项目并集成主流的 AI 编程助手。其核心技术亮点在于“规格即代码”的理念，支持社区扩展与预设模板，允许用户根据特定技术栈定制开发流程。此外，Spec Kit 强调官方维护的安全性，提供稳定的版本管理，帮助开发者在享受 AI 红利的同时，依然牢牢掌握架构设计的主动权，真正实现从“凭感觉写代码”到“按规格建系统”的转变。
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。