简介围绕21个AI提示词站点整理的PDF文档面向希望高效使用ChatGPT、Midjourney等工具的创作者、学生与研究者聚焦提示词如何找、怎么选、怎样优化并服务于AI绘画、创意写作、学术论文与技术文档等场景。包内共1个PDF文件约2.14MB按站点导航与功能说明编排涵盖AIGC提示词可视化编辑器、ChatGPT提示语合集、PromptPerfect、ChatGPT Shortcut、PromptBase、提示工程指南、Midjourney提示助手等穿插中英文翻译、分类排序、标签筛选、一键复制与订阅更新等实操要点。已有574人学习适合作为入门到进阶的速查清单帮助快速建立个人提示词资源库提升与AI交互的准确度和产出效率。1. 站点清单不是提示词库选错形态等于白存上周帮一个做电商详情页的同事调 ChatGPT 输出他本地存了三十多条「万能提示词」实际跑下来命中率不到三成。问题不在句子写得差而在于他拿到的是一堆脱离上下文的孤立文本不知道出自哪个站点不清楚适配哪个模型更没法判断该不该改。这份《21个AI提示词站点收集》真正的价值是把来源按用途分成了几类——可视化编辑器、词典、优化器、交易市场、图像反查库。它适合两类人一类是刚开始写提示词、需要先看别人怎么组织语言的新手另一类是已经有稳定工作流、想把取词和改写环节固定下来的老手。前者按用途挑两三个站点就够用后者真正该关心的是数据能不能导出、能不能本地化、能不能接进自己的流程。2. 提示词站点的四种形态词典、优化器、市场与反查21 个站点摊开看功能重叠度很高但底层形态其实只有四种。分不清形态就会陷入「收藏了二十个最后只用同一个」的循环。判断方法很简单看它是在给你词、改你的词、卖别人的词还是从成图倒推词。2.1 词典型按任务取词而不是按分类取词词典型是数量最多的一类。ChatGPT Shortcut 按领域和功能分区支持标签筛选、关键词搜索和一键复制条目来自网络精选、投稿和开源提示词仓库属于持续更新的类型prompts.fresns.cn 把内容拆成学术论文、创意写作、语言翻译、技术文档等类别飞书表格里 K-Render 整理的那份中文提示词和 Awesome Chinese Prompt优势在于可以按列排序、批量导出适合自己二次加工。图像方向的 AiTuts Prompts 是免费的 Midjourney 提示库界面英文浏览器翻译可用。词典型站点的通病是同质化——同一条「你是一名资深文案」被抄了几十遍只换了措辞。取词时建议按「任务动词 输出格式」筛比如搜「改写」「表格」「分步」而不是按「营销」「写作」这类大分类翻命中率差别很明显。2.2 优化器型定位是改写不是创作PromptPerfect 是这类里最有代表性的它把提示词送进优化流程支持 ChatGPT、GPT-3/3.5/4、DALL·E 2、Stable Diffusion、Midjourney 多模型的提示优化可以按需要选择更短、更快等不同优化目标官方描述是 10 秒内出结果并且提示词不必是英文同时提供 API 和数据导出。IMI Prompt 走的是另一条路用语言模型根据上下文补全后续词句promptoMANIA 的 prompt-builder 则是可视化选项拼装勾选风格、艺术家、光照、镜头等维度后自动串成一句。优化器的适用场景很窄你手上已经有一版提示词但输出不稳定需要它帮你补结构。它不擅长创作全新的任务描述。注意优化器会把你的表述往训练分布里的通用写法上拉代码类、法务类提示词里的专有名词容易被抹掉。改完务必和原版逐字比对保留原始版本。2.3 市场型与反查型一个看结构一个看图PromptBase 是提示词交易市场覆盖 GPT、DALL·E、Midjourney、Stable Diffusion 等品类既能买也能卖还能直接在提示库里出图。它的用法不是买词而是看别人怎么把一个提示词拆成标题、说明、适用模型和示例输出——这种结构化描述本身就是范本。反查型解决的是「我描述不出来我要什么」的问题。OpenArt 的 discovery 页、Krea 都支持通过浏览 AI 生成图找到对应提示词Dallelist 允许用图像和样式作为参考生成关键词并提供了针对 DALL·E 站点的浏览器扩展GitHub 上的 MidJourney-Styles-and-Keywords-Reference 则整理了样式、关键词、画面比例和图像权重的对照属于查参数的工具书。反查的核心思路是先找到风格接近的成图把它描述里稳定复现的词抽出来组成自己的词表而不是照抄整句。2.4 用脚本把站点清单变成可检索的本地索引收藏夹越堆越乱是常态。我一般把清单维护成一份 JSON用几个字段描述用途再写个查询函数比翻书签快得多。下面这份结构可以直接扩到 21 条# site_index.py 按形态/场景/语言检索提示词站点 SITES [ {name: OpenPromptStudio, kind: editor, scene: image, lang: zh-en, url: https://moonvy.com/apps/ops/}, {name: ChatGPT Shortcut, kind: dictionary, scene: chat, lang: zh-en, url: https://ai.newzone.top}, {name: PromptPerfect, kind: optimizer, scene: chat,image, lang: multi, url: https://promptperfect.jina.ai}, {name: PromptBase, kind: market, scene: chat,image, lang: en, url: https://promptbase.com}, {name: promptoMANIA, kind: generator, scene: image, lang: en, url: https://promptomania.com/prompt-builder}, ] def query(kindNone, sceneNone, langNone): kind 取 editor/dictionary/optimizer/market/generator scene 用 chat 或 imagelang 用 en/zh-en/multi。 return [s for s in SITES if (kind is None or s[kind] kind) and (scene is None or scene in s[scene]) and (lang is None or s[lang] lang)] for s in query(kindoptimizer): print(s[name], s[url])kind决定工具在流程中的位置scene用来隔离对话和绘画两条线lang影响你需不需要额外翻译。三个字段之外不要再加自由描述否则筛选逻辑会长得很丑。原始素材是 PDF 时可以先用文本抽取把条目和链接拉出来再人工补字段import pdfplumber, re with pdfplumber.open(21个AI提示词站点收集.pdf) as pdf: text \n.join(p.extract_text() or for p in pdf.pages) # 站点条目多以「使用地址」「官网」引出直接抓取其后 URL urls sorted(set(re.findall(rhttps?://[^\s。], text))) print(len(urls))extract_text()对纯文字版 PDF 效果稳定扫描版需要先做 OCR正则里的中文字符集是为了在遇到中文标点时分隔避免把后面的说明文字粘进链接。形态代表站点主要动作典型用法词典型ChatGPT Shortcut、prompts.fresns.cn、飞书表格取词按任务动词搜索后微调优化器型PromptPerfect、IMI Prompt改写输出不稳定时做结构化补全市场型PromptBase看结构学习提示词的字段划分与示例写法反查型OpenArt、Krea、Dallelist倒推由成图提取稳定复现的风格词生成器型promptoMANIA、aitag.top、AI Dawnmark拼装用可视化选项组合图像提示词3. 开源提示词站点的本地化改造ChatGPT-Shortcut 与 OpenPromptStudio清单里真正带开源仓库的只有几个但价值恰恰在这几个上——词典内容可以换界面语言可以换翻译链路可以自己接。剩下那些只能用的站点适合当参考不适合当基础设施。3.1 ChatGPT-Shortcut 的启动链路与数据结构该项目是前端工程提示词以结构化数据文件的形式存在仓库里字段基本围绕标题、描述、标签、提示词正文、备注展开。常见做法是先克隆到本地跑起来确认界面和数据加载正常再动数据git clone https://github.com/rockbenben/ChatGPT-Shortcut.git cd ChatGPT-Shortcut npm install npm run dev # 默认 3000 端口 npm run dev -- -p 4000 # 端口冲突时换一个替换自己的词库时把五列数据按原格式覆盖即可。改数据最容易踩的坑在标签列多个标签之间用英文逗号分隔逗号后不要加空格否则同一个「写作」会分裂成「写作」和「 写作」两个标签筛选结果直接少一半。另外描述字段不要写太长它是列表页的第一屏信息超过两行会被截断用户根本看不到关键区别。3.2 OpenPromptStudio 的词典管理与翻译链路OpenPromptStudio 面向 AIGC 提示词的编辑场景现在主要支持 Midjourney。它的能力集中在四件事显示英文提示词的中文翻译、把中文提示词翻成英文、给提示词分类普通、样式、质量、命令、对提示词排序和隐藏并导出为图片此外还带常用提示词词典词典通过 Notion 管理。本质上是拼装台不是生成器——它不产图只帮你把词组织成一条能用的提示词。git clone https://github.com/Moonvy/OpenPromptStudio.git cd OpenPromptStudio npm install npm run dev自建时最关键的不是前端而是翻译服务。中文输入转英文提示词依赖外部翻译接口接口挂了或者被限流编辑器就退化成纯手工输入框。3.3 本地部署最容易卡住的三个位置第一是跨域。前后端不同源时浏览器会拦掉翻译请求表现是控制台报 CORS、界面上翻译按钮转圈后无响应。常见做法是在本地加一层服务端代理把翻译请求转发出去而不是在前端硬编码接口地址。第二是依赖构建。Node 大版本不匹配会引发依赖解析失败症状是npm install报奇怪的解析错误处理方式是删掉node_modules和锁文件后重装别一条条去修依赖。第三是 Notion 词典同步页面必须是公开只读状态权限没开时接口取不到数据界面上表现为词典空列表而不是报错。# .env.local 常见配置项示意 NEXT_PUBLIC_SITE_TITLEPromptLibrary TRANSLATE_ENDPOINThttps://your-translate-service/api NOTION_DATABASE_IDxxxxxxxxxxxxxxxxxxxxxxxxTRANSLATE_ENDPOINT指向自建或自控的翻译服务改这里就能切换翻译供应商NOTION_DATABASE_ID对应词典数据库换库只需要改这一行不用动前端代码。对比项ChatGPT-ShortcutOpenPromptStudio面向场景对话类提示词检索与复制Midjourney 提示词拼装数据来源仓库内结构化数据文件外部 Notion 词典界面语言中英对照中英互译是否依赖外部服务基本不依赖依赖翻译服务与 Notion 权限主要产出可复制的提示词文本可视化提示词与导出图片提示两个项目都建议先跑通默认数据再改内容改完数据再排查启动问题会分不清是环境问题还是数据格式问题。4. 可复现的提示词模板从角色设定到输出格式约束站点的词拿来就能用的比例不高真正省时间的是把它们拆成模板填空生成。模板化之后同一套结构可以复用到对话、绘画、代码审查等不同场景也方便做版本管理。4.1 五段式骨架与字段职责我常用的骨架是角色、任务、上下文、约束、输出格式五段。角色决定术语层级任务决定动作上下文提供素材约束负责收窄解空间输出格式决定结果能不能被程序继续处理。缺哪一段都会出问题没有约束模型会自由发挥没有输出格式返回的内容没法直接进下游流程。字段作用写法要点常见反例role固定术语层级和语气写具体岗位不写「专家」「你是一个很厉害的助手」task明确单一动作一个动词不叠加「分析并改写并翻译」context提供素材用分隔符包裹原文素材和指令混在一段里constraints收窄解空间可验证的条件「尽量准确一点」output_format对齐下游给出字段名或表头「用清晰的格式输出」4.2 把提示词参数化成可填空模板模板存成 YAML渲染交给模板引擎改词不用改代码# prompts/code_review.yaml role: 你是一名资深 {{ language }} 工程师 task: 审查下面的代码并给出修改建议 context: | {{ code }} constraints: - 只指出确定存在的问题不确定的标注为待确认 - 每条建议给出修改后的代码片段 output_format: Markdown 表格列为问题 | 位置 | 原因 | 修改from jinja2 import Template import yaml, pathlib def render(path, **kwargs): spec yaml.safe_load(pathlib.Path(path).read_text(encodingutf-8)) parts [ spec[role], spec[task], 上下文\n spec[context], 约束\n \n.join(f- {c} for c in spec[constraints]), 输出格式 spec[output_format], ] return Template(\n\n.join(parts)).render(**kwargs) print(render(prompts/code_review.yaml, languagePython, code...))language决定术语层级换成 Java 或 Go 时同一份约束仍然成立code是唯一需要每次替换的变量。把output_format固定成表头名称之后返回结果可以直接按|切分入库不需要再让模型输出 JSON。这套结构在 AI 编程场景里同样适用把编码规范、目录约定、命名规则写进约束段比每次口头交代稳定得多。规则文件放版本控制里换机器换协作者都能保持一致。4.3 优化器与人工迭代的分工边界优化器适合处理「结构缺失」不适合处理「领域知识缺失」。我被问过几次为什么 PromptPerfect 优化完效果反而变差基本都能归到同一类原因原提示词里带着业务专有名词优化时被替换成了更通用的表达。判断标准很简单——如果你的提示词里包含只有你们团队才懂的术语、字段名、业务流程优化后要逐条核对术语是否还在如果只是句式和结构松散交给优化器没问题。实践中的分工可以这样定结构问题交给优化器事实问题交给人。优化器跑完先存一版人工再补回被抹掉的专有名词两次结果都留在版本库里下次遇到同类任务直接复用改好的那版。多语种提示词也是同理PromptPerfect 支持任意语言输入但翻译后的术语一致性仍要靠词表约束不能指望优化环节兜底。5. 图像提示词反查从成图倒推 tag 与参数绘画方向的提示词没法凭空写最省事的路径是反查。完整链路是先用 OpenArt discovery 或 Krea 按风格浏览成图找到接近目标的三到五张把它们描述里反复出现的风格词抄下来再拿这些词去 promptoMANIA 的 prompt-builder 或 aitag.top、AI Dawnmark 这类 tag 生成器里补全构图、材质、镜头维度最后回 Midjourney 调参数收敛。5.1 词表与参数分离方便批量试把主体、风格、排除项分开维护拼接时再合成一句改一个维度不用重写整段subject a ceramic teapot on a linen cloth style [soft daylight, 35mm film grain, muted earth tones] exclude text, watermark, extra handles prompt , .join([subject] style) f --ar 3:2 --stylize 250 --no {exclude} print(prompt)--ar控制画面比例商品图和场景图的比例需求完全不同--stylize数值越高风格化越强代价是偏离主体描述商品类目一般压到两百上下--no后面跟要排除的元素用逗号分隔写「watermark」「text」这类高频干扰项比写「不要水印」有效。权重分隔符::用来调整某个词的相对影响配合 MidJourney-Styles-and-Keywords-Reference 里整理的图像权重对照可以定量看某个词的强度变化而不是靠感觉加减。5.2 反查结果要落到自己的词表里反查出来的句子直接复制通常效果不稳因为原作者可能用了特定模型版本或垫图。我的做法是只提取其中的风格形容词和材质词主体描述全部重写参数按自己的输出用途重新设。同一组风格词在对话类任务里也能复用——描述产品图的「soft daylight」「muted earth tones」搬到文案提示词里用来约束输出语气同样成立词表是可以跨模态沉淀的资产。本文还有配套的精品资源点击获取
