DSPy
DSPy: The framework for programming—not prompting—language models
简介：斯坦福出品，把「写提示词」变成「编程」：声明式定义 LLM 流水线后自动搜索、优化指令与示例。
用法：Python 库，pip install dspy-ai；用 Module 组装管线，调用 compile() 即可在数据集上自动调优提示词（BootstrapFewShot / MIPRO）。
使用教程（中文分步）
pip install dspy第 2 步 · 连接大模型（OpenAI 为例）
import dspy lm = dspy.OpenAI(model="gpt-4o") # 换成你想用的模型 dspy.configure(lm=lm)第 3 步 · 用代码声明一个"提示流程"，而不是手写提示词
class 问答模块(dspy.Module):
def __init__(self):
super().__init__()
self.推理 = dspy.ChainOfThought("question -> answer")
def forward(self, question):
return self.推理(question=question)
第 4 步 · 准备少量示例，让 DSPy 自动帮你调优提示词
# 准备 trainset（示例：问题和标准答案各若干条） # 再选一个优化器自动调优，例如： # dspy.MIPROv2(metric=答对与否).compile(模块, trainset=示例集) # 它会在数据集上反复实验，自动生成更优的指令与示例核心思想：不手写提示词，用数据让框架替你"编程式"找最优提示词。完整练习见 dspy.ai（英文，可选）。
Fabric
Open-source framework for augmenting humans using AI — modular patterns powered by crowdsourced AI prompts
简介：把提示词打包成可复用「Pattern」的框架，社区众包维护，覆盖总结、分析、编码等场景。
用法：CLI + Web：安装 fabric 命令后按需运行 pattern（如 fabric --pattern summarize），可自行编写与组合 pattern。
使用教程（中文分步）
curl -fsSL https://raw.githubusercontent.com/danielmiessler/fabric/main/scripts/installer/install.sh | bashWindows 用 PowerShell 执行：iwr -useb https://raw.githubusercontent.com/danielmiessler/fabric/main/scripts/installer/install.ps1 | iex 第 2 步 · 检查是否装好
fabric --help用 Homebrew 安装的话命令名是 fabric-ai，可加别名：alias fabric='fabric-ai' 第 3 步 · 配置模型密钥
fabric --setup # 按提示选择模型服务商并填入 API Key第 4 步 · 查看可用"套路"并直接调用
fabric -l # 列出社区贡献的全部 pattern（套路） fabric -p summarize # 把输入内容交给 summarize 套路处理 fabric -p analyze_claims -m claude # 指定模型处理通俗理解：每个 pattern 就是一个打包好的专业提示词，装好后像命令一样使用，还能自己编写组合。
Prompt Optimizer
An AI prompt optimizer for writing better prompts and getting better AI results
简介：中文开发者维护的全栈提示词优化工具，多模型、多端覆盖，主打「一键把烂提示词变好」。
用法：Web / 桌面 / Chrome 插件 / Docker / MCP：粘贴提示词 → 选模型（OpenAI、Gemini、DeepSeek 等）→ 一键多轮迭代优化，支持 A/B 对比与文生图提示词。
使用教程（中文分步）
https://prompt.always200.com纯前端应用，数据只存在浏览器本地，不会上传服务器。 第 2 步 · 使用流程
① 把写得不满意的一段提示词粘贴到输入框 ② 选择要优化的模型（OpenAI / Gemini / DeepSeek 等）与优化方向 ③ 点击"优化"，工具会多轮改写并给出几个版本 ④ 对比不同版本（A/B），选中满意的继续微调或直接使用也支持文生图提示词优化、中英文互相翻译优化。 （可选）自部署到自己服务器
Vercel：仓库主页点 Deploy 一键部署，或 fork 后导入 Cloudflare：Deploy to Cloudflare Pages 环境变量：ACCESS_PASSWORD 可设访问密码
GPT Prompt Engineer
Automated prompt engineering: generate, test and rank candidate prompts
简介：自动提示词工程鼻祖级项目：让模型自己生成大量候选提示词，再按正确率与 ELO 评分挑出最优。
用法：Jupyter Notebook：准备输入/输出样例后运行，自动产出并排序候选提示词；附带提示词压缩与蒸馏示例。
使用教程（中文分步）
进仓库主页，点 README 顶部的 "Open Main Version In Colab" 绿色按钮Colab 是谷歌的在线 Notebook，浏览器里直接跑。 第 2 步 · 填两样东西
① 任务描述：一句话说清你想让 AI 做什么 ② 测试用例：几条输入 + 期望输出（越有代表性越好）第 3 步 · 运行并看结果
程序会自动生成大量候选提示词 逐条拿测试用例验证表现，按胜负 ELO 评分排名 排名靠前的提示词就是"经过实测的好提示词"新版还提供 Claude 3 Opus 专用 Notebook（仓库内 classification 版本）。
GEPA
Optimize prompts, code, and more with AI-powered Reflective Optimization
简介：「反思式优化」：让 AI 边自我批评边进化，反复打磨提示词、代码与任意文本。
用法：Python / Notebook：定义目标任务与评估指标，运行进化+反思循环获得优化后的提示词。
使用教程（中文分步）
pip install gepa第 2 步 · 用几行代码自动优化一个系统提示词（官方示例）
import gepa
# 载入 AIME 数学题的训练/验证数据（官方自带示例数据）
trainset, valset, _ = gepa.examples.aime.init_dataset()
# 写一个"初始提示词"当作起点，不一定好
seed_prompt = {"system_prompt": "You are a helpful assistant. Answer the question."}
# 让 AI 自己反思 + 进化，反复改这个提示词
result = gepa.optimize(
seed_candidate=seed_prompt,
trainset=trainset, valset=valset,
task_lm="openai/gpt-4.1-mini", # 干活的模型
reflection_lm="openai/gpt-5", # 负责反思改进的模型
max_metric_calls=150) # 最多评估次数
print("优化结果:", result.best_candidate['system_prompt'])
第 3 步 · 与 DSPy 配合（搭完整 AI 流水线时推荐）
import dspy optimizer = dspy.GEPA(metric=你的评分函数, reflection_lm="openai/gpt-5") optimized = optimizer.compile(student=你的模块(), trainset=示例集)效果参考：官方用此法让 GPT-4.1 Mini 在 AIME 数学基准上从 46.6% 提到 56.6%。
Microsoft Promptbase
All things prompt engineering — measure and improve prompts on ground-truth datasets
简介：微软开源提示词工程框架：在标准评测集上量化提示词效果，含 MedPrompt 医疗案例。
用法：Python 库：以评估驱动迭代提示词模板，可跑通端到端多组件编排与 RAG 数据管线。
使用教程（中文分步）
git clone https://github.com/microsoft/promptbase cd promptbase pip install -e .第 2 步 · 准备评测数据
按 README 表格下载数据集放入 src/promptbase/datasets： GSM8K（数学）/ MMLU（多学科） / DROP / HumanEval / BigBench 等需要先在系统设置 Azure OpenAI 相关环境变量（API Key、Endpoint）。 第 3 步 · 跑某个评测任务
python -m promptbase gsm8k # 支持的任务名：bigbench / drop / gsm8k / humaneval / math / mmlu它的意义：用"标准答案"当尺子，量化你的提示词到底答对多少，再针对性迭代。仓库含 MedPrompt（医疗问答）等实战案例。
PromptWizard
Task-Aware Agent-driven Prompt Optimization Framework
简介：微软任务感知提示词优化框架：Agent 驱动自我批评，指令与示例协同进化，少样本也能显著提效。
用法：Python：传入任务数据与评估标准，运行优化循环输出更优系统提示词与示例。
使用教程（中文分步）
git clone https://github.com/microsoft/PromptWizard cd PromptWizard python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install -e .第 2 步 · 配置 API
在 demos/对应任务的 .env 文件里填： USE_OPENAI_API_KEY="你的密钥" # 更多参数见 demos 里的 _config.yaml（可调模型、示例数等）第 3 步 · 三种用法选一种
① 没有示例：只给任务描述，让框架自己优化提示词 ② 生成示例：先造出合成示例，再配合优化 ③ 有训练数据：用自己的标注数据优化 细节对照 demos/scenarios/dataset_scenarios_demo.ipynb 运行特色：自我批评机制——AI 边挑自己毛病边改进指令，指令与示例同步进化。
TextGrad
Automatic "Differentiation" via Text — backpropagate textual gradients using LLMs. Published in Nature.
简介：「文本梯度下降」：把 LLM 反馈当作梯度反向传播，自动优化提示词与文本变量，论文已登 Nature。
用法：Python 库：pip install textgrad；定义损失函数后对 prompt/变量执行文本梯度更新，研究级激进优化。
使用教程（中文分步）
pip install textgrad第 2 步 · 理解核心概念（把提示词当"变量"来优化）
import textgrad as tg
tg.set_backward_engine("gpt-4o") # 指定负责给出改进意见的模型
第 3 步 · 最小示例：让 AI 自己改进一段解题答案
solution = tg.Variable("这里放你的初始答案或提示词",
requires_grad=True,
role_description="problem solution")
# 定义"损失"：答案错了就是高损失
loss = 判分函数(solution)
# 反向传播：让 LLM 输出文字版"梯度"，再更新这个变量
loss.backward(engine=optimizer)
# 反复几轮后，solution 里的文本质量会逐步提升
论文已发表于 Nature。适合研究型用户深度优化提示词、代码或任意文本。AutoPrompt
A framework for prompt tuning using Intent-based Prompt Calibration
简介：基于「意图校准」的提示词调优框架：自动构造高质量示例，让提示词更贴合真实意图。
用法：Python：给定任务说明，框架自动校准指令并生成提示词版本，适合 NLU 类任务。
使用教程（中文分步）
python --version # 先检查版本第 1 步 · 下载并装依赖
git clone git@github.com:Eladlev/AutoPrompt.git cd AutoPrompt conda env create -f environment_dev.yml conda activate AutoPrompt # 或 pip install -r requirements.txt第 2 步 · 填写模型密钥
编辑 config/llm_env.yml，填入你的 OpenAI API Key（推荐 GPT-4）第 3 步 · 选一个标注方式并跑任务
官方推荐先用人机协作标注（Argilla），再全自动 适合：内容审核、多标签分类、内容生成等真实业务 跑完后可导出成品提示词，还支持跨模型迁移（GPT 换 Claude 也能用）特色：intent-based prompt calibration，用最少标注数据提升提示词质量，支持"提示词压缩"把多条规则合并成一条。
Prompt Engineering Guide
Guides, papers, lessons, notebooks and resources for prompt engineering, context engineering, RAG, and AI Agents
简介：被引用最多的免费提示词工程指南，从零基础到 RAG / Agent 的系统化知识体系。
用法：网页教程 + Notebook：按章节学习 zero-shot、思维链、RAG 等技术，附论文与课程清单。
使用教程（中文分步）
这是全网最知名的提示词工程"免费教材"，无需安装，在线阅读。推荐入口（网页版排版最清晰）
https://www.promptingguide.ai仓库内目录对应内容
guides/ 分章节系统教程：
基础概念 → few-shot 少样本 → 思维链 → 知识注入
→ RAG 检索增强 → AI Agent 智能体
papers/ 提示词工程重要论文清单
notebooks/ 配套可运行的代码练习
resources/ 工具 / 课程 / 社区合集
适合：从零系统学习提示词工程，或当手册随时查阅。网页版自带中文等多语言翻译。Anthropic 交互式提示词教程
Anthropic's Interactive Prompt Engineering Tutorial
简介：Anthropic 官方交互教程：结构、角色、格式、思维链、排障的分步实操练习。
用法：Jupyter Notebook：逐节运行练习，配合 Claude API 实时验证提示词效果。
使用教程（中文分步）
git clone https://github.com/anthropics/prompt-eng-interactive-tutorial cd prompt-eng-interactive-tutorial第 2 步 · 准备运行环境
用 Jupyter Notebook / VS Code 打开 notebooks 目录 需要提前设置 Anthropic API Key（环境变量 ANTHROPIC_API_KEY）第 3 步 · 按章节边练边学（共 9 章 + 附录）
章节大纲： ① 写好一条提示词的基本结构 ② 常见失败模式 + 80/20 解决技巧 ③ Claude 擅长与不擅长的任务 ④ 针对用途从零搭提示词（摘要/编码/问答等） 每节底部有"练习场"，可直接改提示词看 Claude 反应差异 附录含进阶技巧（思维链、角色、结构化输出等）Anthropic 官方出品，动手型学习体验最佳。
Awesome ChatGPT Prompts / prompts.chat
f.k.a. Awesome ChatGPT Prompts. Share, discover, and collect prompts from the community. Free and open source — self-hostable.
简介：GitHub 最经典提示词库：200+ 角色扮演模板，社区贡献量极大，支持自托管。
用法：网页浏览/复制模板即可用；可私有部署为 MCP 服务供 AI 应用调用。
使用教程（中文分步）
https://prompts.chat 注册/浏览 → 按分类找提示词 → 一键复制使用自托管部署（适合企业内网，需 PostgreSQL 数据库）
git clone https://github.com/f/prompts.chat npm install npm run setup # 交互式向导：配置品牌、主题、登录方式接入 AI 工具的方式
# 命令行（CLI）
npx prompts.chat
# 作为 Claude Code 插件
/plugin marketplace add f/prompts.chat
/plugin install prompts.chat@prompts.chat
# 作为 MCP 服务接入其它 AI（远程版，推荐）
"mcpServers": {"prompts.chat": {"url": "https://prompts.chat/api/mcp"}}
前身就是经典项目 Awesome ChatGPT Prompts，现已升级为可搜索、可分享、可协作的完整平台。System Prompts 大合集
FULL system prompts and model configs of AI tools: Cursor, Claude Code, Devin, Copilot, Gemini, Grok 等
简介：海量真实 AI 工具系统提示词与模型配置提取，研究生产级提示词脚手架的一手资料。
用法：阅读/研究：按工具分类浏览系统提示词原文，学习大厂如何约束与引导模型。
使用教程（中文分步）
这是"AI 工具幕后提示词"的档案库，无需安装，纯阅读/研究用途。怎么用
① 在仓库里按工具名找对应文件夹，例如： Cursor / Claude Code / Copilot / Devin / Gemini / Grok / Manus ... ② 打开文件查看该系统提示词全文与模型配置 ③ 分析它们如何设定角色、约束行为、处理安全边界 ④ 把好思路借鉴到你自己的提示词 / 产品里重要提醒（README 原文警告）
如果你是 AI 创业团队：系统提示词一旦泄露可能被恶意利用， 务必做好防提示词注入的安全措施。
Awesome Prompts
Curated prompts from top-rated GPTs in GPT Store. Prompt Engineering, prompt attack & protect, papers.
简介：从 GPT Store 高分 GPT 提炼提示词，兼收「提示词即工程」路线：自动优化框架、攻防与论文资源。
用法：阅读/复制：按角色任务取用提示词，也可按导航索引深入学习自动优化与安全防护。
使用教程（中文分步）
GPT Store 高分 GPT 背后的提示词精选集 + 提示词工程资源导航，无需安装。怎么用
① 直接看 README，按目录挑你需要的提示词复制使用 ② 想看得舒服可访问多语言排版版： https://zdoc.app/zh/ai-boost/awesome-prompts （支持中/英/日等多语言） ③ 进阶内容分类： - GPTs 高分提示词（写作/编程/营销等） - 自动优化提示词的框架与工具 - 提示词安全：攻击（prompt attack）与防护（prompt protect） - 相关论文与前沿资料维护很勤（近 90 天 105 次提交），更新频率高。
Wonderful Prompts（中文精选）
🔥 中文 prompt 精选，ChatGPT 使用指南，提升 ChatGPT 可玩性和可用性
简介：高质量中文提示词精选合集，附带 ChatGPT 使用指南，中文用户友好。
用法：直接复制使用：按写作、编程、效率等场景挑选中文提示词粘贴到任意对话模型。
使用教程（中文分步）
高质量"中文提示词"精选合集 + ChatGPT 使用指南，无需安装。怎么用
① 打开 README 浏览分类 ② 找到需要的提示词，整段复制 ③ 粘贴到 ChatGPT / Claude / DeepSeek 等对话窗口 ④ 按提示词引导继续对话即可 仓库内还包含一些"超长完整提示词"（例如 HUMAN 3.0 人生成长评估这类综合角色），直接整段发送即可激活角色。适合中文用户：省去翻译英文提示词的成本，拿来即用。
Awesome Prompt Engineering
Hand-curated resources for Prompt Engineering with focus on GPT / ChatGPT / PaLM etc.
简介：提示词工程资源大全：教程、工具、框架、论文的精选导航。
用法：资源索引：按需查找提示管理/评测工具、Agent 框架与论文入口。
使用教程（中文分步）
提示词工程的"百科导航站"，收录论文、工具、教程、社区，无需安装。推荐入口
官网（排版更好）：https://promptslab.github.io仓库目录能查到什么
论文（提示工程 / 上下文工程） 工具（提示词编写、管理、评测、优化） 模型与 API 对比 评测基准（benchmark） 课程与学习资料 社区（Discord 等）适用：调研某个提示词技术时快速找一手资料；看到想要的仓库点进去看详情。
Awesome Claude Prompts
Claude prompt curation to use Claude better
简介：Claude 专属提示词精选：编码、分析、营销、Agent、教学等场景模板。
用法：复制即用：按场景选取 Claude 提示词模板，可直接在 Claude 系产品使用。
使用教程（中文分步）
Claude 专用提示词合集（中文作者 yzfly/云中江树 维护），无需安装。怎么用
① 打开 README，按分类浏览 （编码开发 / 数据分析 / 写作 / 营销 / 教学 / Agent 搭建等） ② 整段复制合适的提示词 ③ 粘贴到 Claude（网页版 / API / 各类 Claude 客户端） ④ 不满意时可在提示词后追加你的具体要求继续对话想补充自己的提示词
以 Pull Request 形式提交到仓库，维护者会收录。提示：Claude 支持长上下文，复杂任务可直接附上背景资料再发提示词。
Brex Prompt Engineering
Tips and tricks for working with Large Language Models like OpenAI's GPT-4
简介：企业级提示词工程实践指南：提示词版本化、结构化输出、RAG 注入与智能体模式。
用法：阅读参考：按生产环境模式学习提示词测试、评估与版本管理思路。
使用教程（中文分步）
这是一份企业级提示词工程"方法论文档"，不是软件，无需安装。怎么读（建议顺序）
① clone 到本地或直接在 GitHub 网页读 git clone https://github.com/brexhq/prompt-engineering ② 先读开头：LLM 是什么、发展简史 ③ 再读策略章节：如何把提示词当"代码"来写、测试与版本管理 ④ 最后读工程模式：结构化输出、RAG 检索注入、多智能体协作、安全建议适合：想在公司生产环境正规化使用提示词的团队阅读，很多思路可直接抄作业。