夜雨聆风这个开源库把 AI 提问从"自由发挥"变成"填空"
提示词 · 提示词工程 · Prompts · GEO · 元提示词 ——
yaojingang/yao-open-prompts 是
姚金刚提示词合集的开源版本，提供了
118 个中文 AI 提示词，
覆盖 AI 方法、工作、学习、内容创作、
营销、编程、教育等 9 大类场景。
每个提示词都是结构化的独立 Markdown 文件，
可复制、可替换变量、可版本迭代。
对于每天要和 AI 对话却总觉得"问不对"、
"得不到想要结果"的人来说，
这是一份现成的提示词弹药库。
每次提问都从空白框开始？
很多人使用 AI 的实际体验是：打开对话框， 输入一个笼统的句子，得到一个更笼统的回答， 反复几个来回后放弃。 不是模型不好，是提问没结构。
一个短视频博主要求 AI 写脚本， 如果只说"帮我想个爆款脚本"， 得到的往往是套路化的通用文案； 但如果能给出明确的受众画像、平台特性、 人设风格和钩子策略，输出质量会天差地别。
差距在于提示词的质量。 然而写好提示词本身需要经验： 角色定义怎么给？任务拆到多细？ 输出格式要不要约束？ 这些技巧大多数用户并没有长期积累。
Yao Open Prompts 要解决的正是这个问题： 把提示词从"临时的手写便签"升级为 "可复用的工程组件"。 目标用户囊括三类人——内容创作者日常 需要短视频文案、标题和选题灵感； 运营和市场人员需要批量生产营销内容 并进行 GEO（生成式引擎优化）； 普通职场人需要用 AI 辅助学习、写合同、 做 PPT。他们不缺 AI 工具，缺的是 能稳定产出好结果的提示词模板。
这个仓库的设计思路很适合 "先抄后超"的学习路径： 你可以先直接使用现成模板感受效果， 再对比不同提示词的结构差异， 最后根据自己的行业特点修改参数。
复制、替换、测试：三步上手
使用这个提示词库的路径非常直接。 全仓库 118 个文件都是独立存在的，不依赖 任何运行时或框架。操作方式只有三步：
第一步，按场景找提示词。
CATALOG.md 列出了全量索引，
按 9 个分类和子类排列。例如你是一个
抖音内容运营，可以直接翻到
prompts/06-ai-content/ 目录，
找到"抖音爆款策划师"或"7秒起号文案"。
第二步，打开提示词文件，复制 Prompt 区域。
每个文件有统一的 frontmatter（元信息）
和一个被 ``` 包裹的 Prompt 正文。
例如prompts/06-ai-content/douyin-viral-planner.md`
里，Prompt 部分完整定义了角色（抖音爆款策划师）、
专业背景（推荐算法、用户行为、内容趋势）、
工作流程（选题 -> 脚本 -> 开头 -> 互动设计）
和输出格式。直接复制这一段丢给 Claude 或 GPT。
第三步，替换占位符并测试输出。
提示词中的 {{变量}} 和 [占位符]
是预留给用户自定义的入口。例如在
"高互动文案"中，你需要把
{{产品/账号定位}} 替换为你自己的信息，
然后看 AI 输出是否符合预期。
不满意就微调描述，把反馈记录在本地，
下次直接用更新后的版本。
以下是三类典型场景的使用样例。
场景一：内容创作者——去 AI 味。 用"智能文章润色系统 V3.0"处理 AI 初稿。 把一段 AI 生成的文字连同风格偏好 （侧重节奏感、口语化或情感温度）一起 输入提示词。AI 会先识别原文的 AI 痕迹 位置，再通过句式重构、语气调节和 细节增强三步逐段改写，而不是简单的 同义词替换。
场景二：GEO 营销——提升 AI 搜索可见度。 用"GEO 文章 AI 友好化改造"改造已有的 营销文章。提示词会基于 ERE 框架 （Experience 经验 · Expertise 专业 · Efficiency 效率）对内容做结构化重构、 语义优化和证据强化，在保持原文核心 信息不变的前提下，让内容更易被大模型 检索和引用。
场景三：学习——让 AI 当教练而不是答案机。 "费曼提问学习法"不要求 AI 直接给答案， 而是让它扮演提问者，通过连环追问 让你自己推导出结论。适合需要深度 理解概念而非刷题的学习场景。
RTF 框架与提示词工程化
这个提示词库背后的工程体系值得单独讨论。 核心方法论是 RTF 框架 （Role · Task · Format）——一个 从需求分析到质量评估的完整编写流程。
具体来说，每条提示词的 Prompt 部分
遵循统一模式：
Role 用专业背景和核心能力定义 AI 的
身份边界；Task 将需求拆为若干阶段
（如需求分析->结构设计->输出生成->质量检查）；
Format 通过输出模板约束格式和字段。
这三点锁定了 AI 的思考范围，不跑偏。
例如"智能元提示词生成系统 V0.6"是一个 元提示词——专门用来生成其他提示词的 提示词。你只需描述你当前的任务场景， 它就能自动输出一条定制提示词。 这本质上是提示词的"递归生产"： 用高质量的元提示词批量创建领域专用的 子提示词，大幅降低从零编写提示词的门槛。
与常见的提示词"收藏夹"相比， 这个项目的创新性体现在三个层面。
一是结构化与版本控制。
每条提示词有独立的 frontmatter
（版本号、创建日期、状态标签），
支持从 draft -> active -> third-party-review
的完整生命周期。普通用户收集提示词通常
只存一段话，而这个库把提示词当作
代码来管理——有分类、有目录、
有变更日志。
二是分类深度主攻高频场景。 9 大类中，AI 内容（50 条）和 AI 营销 （29 条）占据了三分之二，说明作者把 主要精力放在了内容生产与营销这两个 最高频使用场景。其中 AI 营销部分完整 覆盖了 GEO 从机会判断、内容生产、 信源建设到数据监测的闭环，这在开源 中文提示词库中很稀缺。
三是中英文同步镜像。
prompts-en/ 完整镜像了所有中文提示词，
路径结构完全一致。英文用户和使用双语
工作流的创作者可以在同一套分类体系下
切换，无需重新适应。每条英文提示词
还通过 source_section 字段指向对应的
中文源文件，便于对照和翻译校准。
创新也有代价。 仓库目前偏向内容营销和 GEO 场景， 编程、数据分析方向提示词较少 （AI 编程仅 1 条），技术开发者的 覆盖度有待加强。另外提示词质量 依赖作者个人的工程经验，缺少社区 贡献的多样性。
从个人合集到企业内容工厂
这个提示词库最直接的落地场景是 内容团队的工作流标准化。 团队内统一使用同一套提示词模板， 意味着每条内容输出都有可追溯的角色 定义、任务拆解和质量标准，而不是依赖 某个成员的经验和手感。新人接手也能快速 复制出接近老手水准的输出。
另一个值得关注的方向是
GEO 内容的规模化生产。
库中 25 条 GEO 营销模板覆盖了从内容生成、
规范化改造到数据监测的全链条。
对于有 SEO 基础、正在向 GEO 转型的
营销团队来说，这比从零研究 AI 引用的
机制要快得多。结合
geo-content-factory-builder.md
中的"内容工厂"思路，
团队可以用元提示词批量产出针对不同
关键词或问题的 AI 友好内容。
更长远来看，这个项目的价值不在于 "又多了一个提示词网站"， 而在于它展示了一种 提示词工程化的最佳实践 ——将提示词从一次性消费品变成可管理、 可迭代、可复用的知识资产。 随着 AI 工具在工作流中的渗透率提升， 有组织的提示词管理模式会比零散的 "收藏夹流"更有持久力。
如果你正在组建一个 AI 辅助的 内容或运营团队，不妨从这个仓库开始， 先跑通流程，再结合自己的业务场景 衍生出专属提示词集。