[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-prompt-library-turns-prompt-chaos-into-reuse-zh":3,"article-related-prompt-library-turns-prompt-chaos-into-reuse-zh":30,"series-tools-c5ae90b0-2901-4189-a9b1-38b1eff15c61":82},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"c5ae90b0-2901-4189-a9b1-38b1eff15c61","prompt-library-turns-prompt-chaos-into-reuse-zh","Prompt Library 讓提示詞從亂找變可重用","\u003Cp data-speakable=\"summary\">我拆 Promptly AI 的 Prompt Library，\u003Ca href=\"\u002Fnews\u002F5-takeaways-from-the-christofias-dispute-zh\">重點\u003C\u002Fa>是把散掉的 prompt 變成可重用的工作流。\u003C\u002Fp>\u003Cp>我用一堆 \u003Ca href=\"\u002Ftag\u002Fai-工具\">AI 工具\u003C\u002Fa>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 \u003Ca href=\"\u002Ftag\u002Fchatgpt\">ChatGPT\u003C\u002Fa> 寫得像樣，明天換 \u003Ca href=\"\u002Ftag\u002Fclaude\">Claude\u003C\u002Fa> 又得重來，Perplexity、\u003Ca href=\"\u002Ftag\u002Fgemini\">Gemini\u003C\u002Fa>、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。\u003C\u002Fp>\u003Cp>Promptly AI 的 \u003Ca href=\"https:\u002F\u002Fwww.promptly.fyi\u002Flibrary\">Prompt Library\u003C\u002Fa> 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。\u003C\u002Fp>\u003Ch2>別再把好 prompt 當一次性便條紙\u003C\u002Fh2>\u003Cblockquote>Access our curated collection of AI prompts. Save, organize, and reuse effective prompts for ChatGPT, Claude, Perplexity, Gemini and Deepseek.\u003C\u002Fblockquote>\u003Cp>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\u003Ca href=\"\u002Fnews\u002Fcowboys-offseason-moves-real-depth-zh\">隊把\u003C\u002Fa> 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。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779429997964-ncj5.png\" alt=\"Prompt Library 讓提示詞從亂找變可重用\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cul>\u003Cli>把產生過好結果的原始 prompt 原封不動存下來。\u003C\u002Fli>\u003Cli>每個 prompt 加一句使用情境。\u003C\u002Fli>\u003Cli>用任務、受眾、模型三個標籤去切。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>重用比重寫更值錢，尤其你趕時間的時候\u003C\u002Fh2>\u003Cp>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」。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cul>\u003Cli>短版留給快問快答。\u003C\u002Fli>\u003Cli>嚴格版留給正式輸出。\u003C\u002Fli>\u003Cli>只有真的有差時，才做模型專用版。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>跨模型匯出，不是功能炫技，是避免被鎖死\u003C\u002Fh2>\u003Cblockquote>Export conversations between AI services to get around usage limits and fork your progress.\u003C\u002Fblockquote>\u003Cp>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。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779429982466-qicv.png\" alt=\"Prompt Library 讓提示詞從亂找變可重用\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>如果你常在 \u003Ca href=\"https:\u002F\u002Fchat.openai.com\u002F\">ChatGPT\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fclaude.ai\u002F\">Claude\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.perplexity.ai\u002F\">Perplexity\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgemini.google.com\u002F\">Gemini\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.deepseek.com\u002F\">DeepSeek\u003C\u002Fa> 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。\u003C\u002Fp>\u003Ch2>整理不是收納癖，是為了讓你找得到\u003C\u002Fh2>\u003Cp>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」。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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\u003Ca href=\"\u002Ftag\u002F長上下文\">長上下文\u003C\u002Fa>」「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。\u003C\u002Fp>\u003Cp>實操寫法：命名時至少讓我兩秒內看懂三件事，這個 prompt 做\u003Ca href=\"\u002Fnews\u002Fwhy-amazons-pumping-black-deal-matters-zh\">什麼\u003C\u002Fa>、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。\u003C\u002Fp>\u003Cul>\u003Cli>標題先放動詞：summarize、rewrite、extract、critique。\u003C\u002Fli>\u003Cli>補受眾：exec、customer、engineer、student。\u003C\u002Fli>\u003Cli>補輸出型態：bullets、memo、table、JSON、checklist。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Curated prompts 有用，但你不能照單全收\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>Fork progress 才像工程師在做事\u003C\u002Fh2>\u003Cp>「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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># Prompt Library 工作法：把 prompt 變成可重用資產\n\n## 1) Prompt 記錄卡\n- 名稱：{動詞} {任務} {受眾} {輸出型態}\n- 目的：{一句話說清楚}\n- 適用情境：{什麼時候用}\n- 適合模型：{ChatGPT \u002F Claude \u002F Perplexity \u002F Gemini \u002F DeepSeek}\n- 最後更新：{日期}\n\n## 2) Prompt 本體\n你是幫我處理 {任務} 的助理。\n受眾：{受眾}\n語氣：{語氣}\n輸出格式：{bullets \u002F table \u002F memo \u002F JSON \u002F checklist}\n限制：\n- {限制 1}\n- {限制 2}\n- {限制 3}\n\n如果資訊不完整，先問最多 3 個澄清問題。\n如果可以直接做，請直接輸出指定格式。\n\n## 3) 版本分層\n### 短版\n{短 prompt}\n\n### 嚴格版\n{完整 prompt + 所有限制}\n\n### 模型備註\n- ChatGPT：{備註}\n- Claude：{備註}\n- Perplexity：{備註}\n- Gemini：{備註}\n- DeepSeek：{備註}\n\n## 4) 變更紀錄\n- v1：{改了什麼}\n- v2：{改了什麼}\n- v3：{改了什麼}\n\n## 5) Fork 流程\n1. 先存下有效 prompt。\n2. 對話有價值時先匯出。\n3. 複製成新分支。\n4. 一次只改一個變數。\n5. 比對輸出，保留最好那條。\n\n## 6) 命名規則\n- 先用任務命名，再補受眾。\n- 需要時再補輸出型態。\n- 沒有使用情境，就不要存。\n\n## 7) 範例\n- 名稱：rewrite product update exec memo\n- 目的：把零散筆記改成給主管看的短 memo\n- 適用情境：每週狀態更新\n- 適合模型：Claude, ChatGPT\n- 最後更新：2026-05-22\n\nPrompt：\n你是幫我把產品雜記改寫成精簡 executive memo 的助理。\n受眾：管理層。\n語氣：直接、冷靜、具體。\n輸出格式：5 個 bullets + 2 句摘要。\n限制：\n- 180 字以內。\n- 明確指出 blocker。\n- 不要補沒有根據的內容。\n\n## 8) 重用規則\n在寫新 prompt 前，先搜尋：\n- 同一個任務\n- 同一個受眾\n- 同一種輸出\n- 同一類模型習性\n\n如果有相近版本，先改它，不要重寫。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>原始來源是 \u003Ca href=\"https:\u002F\u002Fwww.promptly.fyi\u002Flibrary\">Promptly AI 的 Prompt Library\u003C\u002Fa>，還有相關工具頁面 \u003Ca href=\"https:\u002F\u002Fwww.promptly.fyi\u002F\">Promptly AI\u003C\u002Fa>。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。\u003C\u002Fp>","我拆 Promptly AI 的 Prompt Library，重點不是收藏提示詞，而是把散掉的 prompt、跨模型對話、重複改寫，整理成可重用的工作流。","www.promptly.fyi","https:\u002F\u002Fwww.promptly.fyi\u002Flibrary",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1779429997964-ncj5.png","tools","zh","c3f43a1f-bbb9-48d6-9df4-1b47f0becaec",[17,18,19,20,21],"prompt library","prompt reuse","AI workflow","multi-model","conversation export",[23,24,25],"把 prompt 當資產保存，不要當一次性便條紙。","用任務、受眾、輸出型態來整理，找得到才算數。","把對話匯出並 fork，避免每次從零開始。",7,"2026-05-22T06:05:52.646787+00:00","2026-05-22T06:05:52.52+00:00","c3c88dd2-a940-438a-b359-0e5a24562273",{"tags":31,"relatedLang":41,"relatedPosts":45},[32,33,35,37,39],{"name":20,"slug":20},{"name":18,"slug":34},"prompt-reuse",{"name":21,"slug":36},"conversation-export",{"name":17,"slug":38},"prompt-library",{"name":19,"slug":40},"ai-workflow",{"id":15,"slug":42,"title":43,"language":44},"prompt-library-turns-prompt-chaos-into-reuse-en","Prompt Library turns prompt chaos into reuse","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"5656a6ab-9e07-41be-9cea-3440fb8846e2","nvidia-lg-ai-collaboration-playbook-zh","Nvidia 和 LG 把 AI 合作變成模板","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781056994999-8eng.png","2026-06-10T02:02:46.590133+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"e48be66d-d7de-419e-b5fd-805f0784ef15","ollama-best-free-ai-path-2026-zh","Ollama 是 2026 年真正適合工作的免費 AI 路徑","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781056077878-11pc.png","2026-06-10T01:47:24.632993+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"9b53427c-8c2a-4960-a773-f14d4528caae","awesome-production-ml-turns-chaos-into-stack-zh","這份 MLOps 清單把混亂拆成堆疊","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781055220958-dmar.png","2026-06-10T01:33:14.850634+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"d5af1522-28aa-4cfb-8779-1ecf168bc0b5","bentoml-turns-model-serving-into-python-apis-zh","BentoML 把模型服務變成 Python API","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781054310299-c1gm.png","2026-06-10T01:17:56.193093+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"63d8b456-ad6b-475e-86e9-d4677ca226aa","magenta-realtime-2-score-inside-daw-zh","Magenta RealTime 2 讓你在 DAW 裡即時改曲","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781046204038-8tox.png","2026-06-09T23:02:55.9651+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"f60261ff-a42e-4cfb-9f90-97785e633289","open-source-ai-tools-beat-claude-paid-tiers-zh","開源 AI 工具在價值上已經贏過 Claude 付費方案","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781045266035-on7t.png","2026-06-09T22:47:20.195939+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]