把模糊指令变成清晰、可测试的提示词，适用于 ChatGPT、Claude、Gemini 等 AI 模型。无需登录，直接粘贴提示词开始。 把模糊想法变成值得信赖的提示词 让结果可以迁移到常见 AI 模型。 明确任务、上下文和待决定的信息。 让提示词保持可迁移，并跟随指令中明确的语言。 匿名访客每天可免费运行 1 次，注册后额外获得 3 次固定试用；注册试用次数不会每日重置。本次运行会将输入发送到 Worker 和已配置的模型服务商，但不会自动保存。请勿粘贴 API 密钥、密码或机密个人数据。 结果包括更清晰的指令、修改摘要、假设和待检查的风险。 价值不只是增加文字，而是帮助你做出更清楚的决定 有用的提示词应该明确任务、上下文、限制条件和输出格式。优化器会把这些隐藏决定变成你可以检查和测试的修改版本。 先明确目标、受众、上下文和缺失信息，再决定是否需要增加文字。 把模糊偏好变成关于语气、长度、来源、安全和输出行为的明确边界。 将受众、产品、语言或输入文本等变化内容，与稳定的任务指令分开。 阅读修改摘要和质量说明，自主保留、编辑或拒绝建议的重写结果。 先写清任务，再补充必要的上下文 “把这个改好一点”会让模型自行猜测成功标准。可检查的提示词应该写明受众、资料边界、输出格式和回退行为，同时把仍需你确认的假设标出来。 建议重写只是起点。重要提示词仍应使用有代表性的输入进行测试。 同一个目标，在不同模型中需要不同的上下文 目标模型只是一个检查视角，不代表官方集成，也不保证不同模型版本的行为完全一致。 为我们的新分析功能写一封发布邮件。 你是一名产品营销文案。上下文：该功能帮助小团队发现每周趋势。任务：为 [受众] 写一封发布邮件。限制：120-160 字，使用直白语言，不添加未经证实的承诺。输出：先给一个主题行，再给正文，并只保留一个 CTA。 为什么效果更好： 明确角色、上下文边界和输出结构，方便 ChatGPT 生成后直接检查和编辑。 审阅这份政策，告诉我需要修改什么。 你是一名谨慎的政策审阅者。上下文：<policy> 标签内的文本是权威内容，不要自行添加要求。任务：找出含糊、冲突或有风险的表述。限制：引用证据，区分事实和假设，并给出简洁修订。输出：Markdown 表格，列为问题、证据、风险、修订。 为什么效果更好： 分段边界和证据优先的输出，能让 Claude 在长文本审阅中回指原文。 研究适合小型设计团队的最佳笔记本电脑。 你是一名研究分析师。上下文：使用给定来源和产品链接，为一支 5 人设计团队比较笔记本电脑。限制：以 [日期] 的信息为准，区分来源事实和估算，标记缺失数据，并遵守 [预算]。输出：Markdown 表格，列为型号、价格、设计工作适配度、来源、注意事项；最后给出 3 句话的建议。 为什么效果更好： 明确研究范围、来源处理和固定结构，有助于核查 Gemini 在混合或时效性资料上的结果。 有效的提示词优化是一个迭代循环：描述工作、完善指令，然后用真正重要的输入验证修改是否有帮助。 01 粘贴 把粗略指令粘贴到编辑器，再补充受众、参考资料或示例。直接从真实任务开始，优化器才能保留你的意图，而不是把一句模糊的话润色成无法使用的长句。

把粗略指令粘贴到编辑器，再补充受众、参考资料或示例。直接从真实任务开始，优化器才能保留你的意图，而不是把一句模糊的话润色成无法使用的长句。 02 明确 选择提示词类型、目标模型和优化目标，并说明长度、语气、字段、变量、引用或回退行为等限制。这样可以把隐藏假设变成可检查的决定，方便你在重复工作中继续使用。 选择提示词类型、目标模型和优化目标，并说明长度、语气、字段、变量、引用或回退行为等限制。这样可以把隐藏假设变成可检查的决定，方便你在重复工作中继续使用。 03 对比 将原始提示词与建议版本进行对比，检查修改摘要、假设和风险。使用有代表性的示例测试后，再保留表现更好的版本；优化结果是起点，不是自动变好的保证。 将原始提示词与建议版本进行对比，检查修改摘要、假设和风险。使用有代表性的示例测试后，再保留表现更好的版本；优化结果是起点，不是自动变好的保证。 准备一个正常输入、一个边界情况，以及一个应该触发安全回退的输入。某个版本在单一示例上更好，并不代表它不会在最重要的边界案例上退化。 让重复性的 AI 工作更容易复用 提示词结构取决于具体工作。选择接近的场景，可以帮助编辑器保留原意、暴露缺少的决定，并产出更容易检查的结果。 把宽泛的写作要求变成包含受众、语气、长度、资料范围和输出格式的内容 brief。将产品、语言或活动信息设为变量，同一条提示词就能复用于邮件、摘要、脚本和编辑任务。 在请求代码前写清任务、仓库背景、限制条件和验收检查。补充目标文件、报错信息、兼容要求和测试命令，可以减少模型猜测，让结果更容易按真实实现进行审查。 明确问题、证据范围、时间区间、来源规则和不确定性处理方式。高质量的研究提示词要求模型区分事实与假设、提供依据并按固定格式输出，便于你核查推理。 描述输入字段、数据类型、缺失值处理和精确输出结构。这样可以把发票、客服工单或问卷文本转换成一致的 JSON 或表格，并在进入下游流程前暴露异常记录。 设定客服角色、升级规则、语气、账户数据边界和回复分类。加入缺少信息时的安全回退，并明确何时转交人工，避免模型为了完整回答而自行猜测。 给出角色、目标、受众、决策标准和模拟边界。面试练习、销售异议处理、战略讨论或利益相关者评审，都能通过轮流规则和反馈标准变得更真实、更可重复。 选择使用场景，同时保留提示词的可迁移性 模型预设帮助优化器理解提示词将被使用的上下文，但不代表官方集成，也不保证不同模型版本会产生完全相同的行为。 关于通用提示词设计，可以参考 OpenAI 提示词工程文档 ，再结合你实际使用的模型和产品要求进行调整。 为什么提示词评估和版本管理应该放在一起 优化会生成一个候选版本，评估告诉你它在有代表性的输入上是否有效，版本管理则让你识别候选版本、和旧提示词对比，并在输出退化时回滚。 根据任务选择事实依据、必填字段、语气、拒答行为或代码测试结果等标准。不要用一个笼统分数代替对结果的实际判断。 用同一组输入测试原始提示词和优化版本。某个版本在单一示例上更好，并不代表它不会在边界案例失败，或不会因更长上下文产生额外成本。 记录改了什么、使用了哪个模型、覆盖了哪些测试，以及为什么接受这个版本。这是团队维护提示词库的基础。 想把改写变成可重复验证的流程？查看 提示词优化的六步测试指南 。 了解当前版本能做什么、输入会发送给谁，以及为什么优化结果仍然需要人工检查。 可以用这个提示词优化工具优化 ChatGPT 提示词吗？ 可以优化 Claude 提示词吗？ 可以优化 Gemini 提示词吗？ 提示词优化器和提示词增强器有什么区别？ 从免费优化开始，检查每一处修改；当提示词质量成为产品的一部分，再进入可重复的工作区流程。