Prompt Library 讓提示詞從亂找變可重用

我拆 Promptly AI 的 Prompt Library，重點是把散掉的 prompt 變成可重用的工作流。

我用一堆 AI 工具有一陣子了，老實說，最煩的不是模型不夠聰明，是我自己每次都在重寫同一段 prompt。今天在 ChatGPT 寫得像樣，明天換 Claude 又得重來，Perplexity、Gemini、DeepSeek 也各自一套。結果不是模型在浪費我時間，是我把能用的東西丟進 tab 墳場，然後假裝自己記得當初怎麼寫的。

Promptly AI 的 Prompt Library 之所以吸引我，不是因為它很炫，而是它盯上了我一直沒處理好的爛攤子：prompt 重用。它想做的事很直白，保存、整理、再拿來用，順便把不同 AI 工具之間的對話接起來，讓你不用每次都從零開始。

別再把好 prompt 當一次性便條紙

Access our curated collection of AI prompts. Save, organize, and reuse effective prompts for ChatGPT, Claude, Perplexity, Gemini and Deepseek.

翻譯一下就是：prompt 不該只是一次性的備忘錄，它應該是資產。我看過太多團隊把 prompt 當 Slack 訊息、Notion 小抄、或瀏覽器書籤，能跑一次就算數。問題是，當下有用，不代表下次找得到。

這件事的本質很簡單：你不是每次都在「發明」prompt，你是在找「哪個版本已經驗證過」。差別很小，但工作方式完全不同。前者是每次重來，後者是直接接手可用的起點。

我之前做內部助理流程時就踩過這坑。第一版 prompt 能用，第二版更穩，第三版開始像樣，第四版才算能交差。然後呢？第五版最好，卻常常找不到。超煩。庫存化的價值就在這裡：把最好那版留住，不要讓它只活在記憶裡。

實操寫法很簡單：不要用模型分類 prompt，要用工作分類。像是「會議摘要」「改寫成主管口吻」「抽行動項目」「比較方案」，再補一句哪個模型比較適合。這樣你找的是任務，不是工具。

• 把產生過好結果的原始 prompt 原封不動存下來。
• 每個 prompt 加一句使用情境。
• 用任務、受眾、模型三個標籤去切。

重用比重寫更值錢，尤其你趕時間的時候

Promptly 的重點不只是存檔，是重用。這才是我覺得它比較像工具，不像貼文的地方。因為 prompt 工作最常發生在你已經在趕進度的時候：要快點寫完、快點判斷、快點比較。這時候最不需要的，就是一張白紙跟一句「我記得上次有個很強的 prompt」。

也就是說，你可以開始養自己的 prompt stack。第一層是原始指令，第二層加限制，第三層加範例。存起來之後，你不必每次都從零開始拼裝，而是直接挑適合當下速度與品質的版本。

我自己最常遇到的是客戶簡報或產品摘要。第一版 prompt 通常只是勉強可用，調兩輪後才會穩。結果最穩那版常常被我埋掉。這不是流程，這是臨時抱佛腳。庫存化之後，至少你不用每次都重新證明自己曾經寫對過。

實操寫法：做一個 prompt ladder。短版、嚴格版、模型特化版都留著。短版拿來快跑，嚴格版拿來保品質，模型特化版只在真的需要時用。不要把所有東西都塞進同一條 prompt 裡，會很醜。

• 短版留給快問快答。
• 嚴格版留給正式輸出。
• 只有真的有差時，才做模型專用版。

跨模型匯出，不是功能炫技，是避免被鎖死

Export conversations between AI services to get around usage limits and fork your progress.

這句話我很買單。翻譯一下就是：你不用被單一模型的 session 綁死。當對話卡住、限制到了、上下文開始發臭的時候，你可以把工作搬去別的工具繼續，不用整串重來。

我手動做過太多次這種搬家。複製上下文、貼到另一個工具、整理格式、重講一次目標、祈禱沒漏掉重點。很耗精神，而且會把節奏打斷。匯出對話的價值，不是省幾秒，是保住你那條快要接上的思路。

我更在意的是它提到 fork your progress。這個說法很像工程師在講分支：不要把所有答案壓在同一條線上。當一個對話已經走到有價值的中段，你可以分叉成兩條路，一條保守、一條激進，或一條重寫、一條精簡，然後比較哪條更像樣。

實操寫法：只要對話開始有成果，就先存檔。接著把同一份上下文丟到另一個模型，要求不同角度。比如一條要短，一條要深，一條要挑錯。你會比一直在同一個聊天框裡磨來磨去有效得多。

如果你常在 ChatGPT、Claude、Perplexity、Gemini、DeepSeek 之間切來切去，這種接力尤其重要。模型各有擅長，但前提是你要把手上的線接好。

整理不是收納癖，是為了讓你找得到

我看過很多人把 prompt 全塞進一個大筆記，然後說自己有系統。沒有，那只是比較整齊的垃圾桶。Prompt library 真正有價值的地方，不是「有存」，而是「找得到」。

Promptly 的順序其實很務實：save、organize、reuse。先存，再整理，最後才是重用。你如果跳過整理，庫存會變成雜物間；你如果跳過保存，最有價值的內容會直接消失。

我自己的整理方式是先按結果分類，再補模型習性。像是「summarize」「rewrite」「analyze」「brainstorm」「compare」這種任務詞，底下再寫「Claude 適合長上下文」「ChatGPT 適合短稿」「Perplexity 適合查證」。這樣我不是在找工具，而是在找任務解法。

實操寫法：命名時至少讓我兩秒內看懂三件事，這個 prompt 做什麼、給誰看、輸出長什麼樣。看不懂就改名。真的，爛名稱會直接殺掉重用率。

• 標題先放動詞：summarize、rewrite、extract、critique。
• 補受眾：exec、customer、engineer、student。
• 補輸出型態：bullets、memo、table、JSON、checklist。

Curated prompts 有用，但你不能照單全收

它寫 curated collection，我覺得這點很重要。因為 prompt library 不是只有放你自己寫的東西，還包含你拿來改的模板。問題是，多數人不是照抄就是改過頭，最後兩邊都爛。

翻譯一下就是：把 curated prompt 當起點，不要當聖旨。別人的 prompt 可能很接近你要的結果，但通常還差一點點限制、語氣、輸出格式，或一個你自己的業務條件。你要的是降低起手式成本，不是統一大家都講同一種話。

我用過很多 borrowed prompt，常常只差一條規則就能從「還行」變成「可以進流程」。像是補一句受眾、加一個範例、加一條拒答條件，效果就會差很多。這種微調比你憑空重寫整段更省事。

實操寫法：每次匯入或保存一個 prompt，都順手記三件事：我改了什麼、為什麼改、結果怎樣。這會讓 prompt 變成活的，而不是一段你下次還要猜意思的字串。

如果你希望它能跨模型活下來，核心意圖要穩，只有模型語氣可以換。這樣就算你之後換工具，庫存還是能接著用。

Fork progress 才像工程師在做事

「fork your progress」這句話最像給開發者看的，因為它直接借用了我們熟的思路：保留主幹，開另一個分支，比對結果。AI 工作本來就該更像這樣，而不是每次都在同一個聊天室裡死磕。

也就是說，你不用把所有答案都押在單一路徑上。當 prompt 已經快對了，就分叉。A 分支保留原方向，B 分支挑戰假設，C 分支改寫給不同受眾。這樣比一直追著同一個模型問「你再想一下」有效很多。

我在寫文件、做規劃、甚至 debug 的時候都用過這招。只要我把對話拆成兩三條路，通常決策品質就會比較好，因為每條路都被迫站在不同角度回答。答案變成候選，不是判決書。

實操寫法：只要一個任務有兩個以上合理結果，就刻意開分支。請一個模型優化速度，另一個優化準確，第三個優化簡潔。然後比對，不要迷信第一個還算順眼的版本。

這也是為什麼 prompt library 要跟匯出流程一起用。先存 prompt，再匯出對話，再 fork 下一版，循環下去。這比一直在同一個 chat 裡硬磨，健康很多。

可抄的模板

# Prompt Library 工作法：把 prompt 變成可重用資產

## 1) Prompt 記錄卡
- 名稱：{動詞} {任務} {受眾} {輸出型態}
- 目的：{一句話說清楚}
- 適用情境：{什麼時候用}
- 適合模型：{ChatGPT / Claude / Perplexity / Gemini / DeepSeek}
- 最後更新：{日期}

## 2) Prompt 本體
你是幫我處理 {任務} 的助理。
受眾：{受眾}
語氣：{語氣}
輸出格式：{bullets / table / memo / JSON / checklist}
限制：
- {限制 1}
- {限制 2}
- {限制 3}

如果資訊不完整，先問最多 3 個澄清問題。
如果可以直接做，請直接輸出指定格式。

## 3) 版本分層
### 短版
{短 prompt}

### 嚴格版
{完整 prompt + 所有限制}

### 模型備註
- ChatGPT：{備註}
- Claude：{備註}
- Perplexity：{備註}
- Gemini：{備註}
- DeepSeek：{備註}

## 4) 變更紀錄
- v1：{改了什麼}
- v2：{改了什麼}
- v3：{改了什麼}

## 5) Fork 流程
1. 先存下有效 prompt。
2. 對話有價值時先匯出。
3. 複製成新分支。
4. 一次只改一個變數。
5. 比對輸出，保留最好那條。

## 6) 命名規則
- 先用任務命名，再補受眾。
- 需要時再補輸出型態。
- 沒有使用情境，就不要存。

## 7) 範例
- 名稱：rewrite product update exec memo
- 目的：把零散筆記改成給主管看的短 memo
- 適用情境：每週狀態更新
- 適合模型：Claude, ChatGPT
- 最後更新：2026-05-22

Prompt：
你是幫我把產品雜記改寫成精簡 executive memo 的助理。
受眾：管理層。
語氣：直接、冷靜、具體。
輸出格式：5 個 bullets + 2 句摘要。
限制：
- 180 字以內。
- 明確指出 blocker。
- 不要補沒有根據的內容。

## 8) 重用規則
在寫新 prompt 前，先搜尋：
- 同一個任務
- 同一個受眾
- 同一種輸出
- 同一類模型習性

如果有相近版本，先改它，不要重寫。

這段我會直接貼進 team wiki 或自己的筆記工具。它把 prompt 怎麼存、怎麼分支、怎麼重用都包起來了，重點是你不用每週都重新發明一次同樣的東西。

如果我從零開始，我會先做很小：十個 prompt、一條命名規則、一條變更紀錄、一條分支規則。就這樣，已經夠把 prompt 工作從亂槍打鳥，變成可以重複的流程。

原始來源是 Promptly AI 的 Prompt Library，還有相關工具頁面 Promptly AI。我上面拆的是它的工作法，模板跟案例是我自己整理出來的可抄版本；提到的工具連結也都已經附上。