搜索
前两天发了个深度思考的Prompt，没想到大家反馈还挺好，然后也有人说，能不能把过去我写过以及一些最有用的Prompt整理个合集，再给大家分享一下。 然后我就翻了一下，才发现过去几年，确实已经零零散散
前几天，我在推特上刷到了一条很有意思的分享。
最近来自斯坦福大学、CMU、MIT、UT Austin 等高校和科研机构的研究人员联合发布了全球首个系统提示词库 System Prompt Index（systempromptindex.ai），其中汇集了来自 Claude、ChatGPT 等 400 多款 AI 产品的 1000 余个系统提示词，是目前全球规模最大的 AI 系统提示词库。
继Loop Engineering、Graph Engineering等概念进入讨论之后，一篇2026年7月底发布的论文又提出了一个更贴近Prompt本身的工程概念：Prompt Graph Engineering，提示词图工程。
就是上个月我开源的让Claude Code和Codex搭配使用的Skill搭子的1.4版，当时的定位是把Claude Code出计划然后直接在当前对话调用Codex，不需要复制黏贴，由Fable5自己写交接文档自己从CodeX那读取输出。
经常用AI的人都知道，AI给出的答案质量，很大程度上取决于你提问的方式。这一点，几乎成了当下社交媒体的流量密码。打开各大平台，随处可见兜售各类Prompt的帖子，我们自己的收藏夹里也往往躺着几十套Pr
本文作者 Eric Provencher，在 OpenAI 负责 Codex 开发者体验（DX），此前是 Repo Prompt 的作者。原文是 OpenAI 官方文档中的 Prompting 指南，以下为逐段中英对照翻译
昨儿刚出的GPT-5.6，用不到一小时，就完成了一道存在了半个世纪的图论猜想证明。而这道题呢，来头也还真不小，就是大名鼎鼎的循环双覆盖猜想（Cycle Double Cover Conjecture）。
来自清华大学与腾讯的研究者提出了 Generalizable Predictive Prompt Selection（GPS）。GPS 的做法很直接：先训练一个小型、可泛化的 Prompt Predictive Model（PPM），让它预测不同 prompt 在当前模型下的难度；再根据难度和 batch 多样性选择训练样本，从而减少无效 rollout。
小红书上，#deepseek 算命、#赛博玄学等话题下，大量玄学爱好者聚集，分享不同占卜体系的prompt、交流 AI 算命心得，仅 #deepseek 算命一个话题，浏览量就达到 5608 万、讨论量 35.4 万；与此同时，更深度的 AI 用户开始在 GitHub 上自行开发占卜 Skills，搜索“astrology”“bazi”等关键词，可以看到相关项目最高 Star 数已达 3.9k。