常用命令

openclaw gateway stop
openclaw gateway start

ssh代理远程访问

ssh -N -L 18789:127.0.0.1:18789 claw@192.168.100.104

登录：
查看.openclaw/openclaw.json中token秘钥，然后登录：

http://localhost:18789/chat?token=XXXX

最近正好在使用figma的make功能，正巧代码工具又层出不穷，除了我常用的cursor， codex、claude code、gemini-cli等Agent代码工具迎来了重大升级，正巧我使用阿里云盘在追剧，痛点是当有新剧增加的时候，别人是分享到网盘链接里的，每次我都需要找到对应的网盘，然后保存到我的阿里云盘里。如果是已更新完的剧还好，如果是正在更新的剧，我还需要记住对应的链接，没事点开看看有没有更新，然后转存到我的网盘里。所以正好想开发一个小工具，能够根据链接进行转存，并且定时查看分享链接里的内容有没有更新，如果更新以后则转存到我的目标云盘里。
因此做了一个阿里云盘自动转存的功能，目前支持的功能如下：

• 支持阿里云盘登录、查看存储状态
• 支持阿里云盘通过分享链接转存
• 支持转存为特定的名字
• 支持定时转存设置
• 支持对订阅内容进行编辑、暂停、删除
• 支持查看转存日志
  本项目完全没有主动编写任何代码，全程使用和大模型对话方式进行实现，本次只是说明如何使用该软件，后续我会将如何用figma+codex自动化编写代码进行分享。

2. 软件安装与使用

2.1 安装

目前已经上传到docker hub，建议直接使用docker进行安装，也可以访问我的github，按照github进行安装

https://github.com/apostle9891/aliautosave

使用docker进行安装

# 拉取aliautosave
docker pull apostle9891/aliautosave:latest

# 运行docker，其中/path要改成你的path
docker run -d --name aliautosave -p 8144:8144 -v /path/aliautosave_data:/app/data apostle9891/aliautosave:latest

如果是网页docker，可以直接搜索：aliautosave

点击下载，并进行安装，安装过程中端口映射为8144，存储位置替换/app/data

2.2 软件使用

当安装完成后，可以打开对应的IP:8144,比如我的网页是192.168.100.101:8144
打开以后，点击扫码登录阿里云盘

打开阿里云盘，登录阿里云盘

登录完毕后，可以看到对应的云盘信息

点击新增订阅，填入需要新增的分享链接

可以看到拉取到对应的云盘里的电视剧信息，支持多种自动命名规则，会自动提取里面的名字、集数、季数、扩展信息等，然后转为标准的姓名，目前支持：

• {title}.S{season:02}E{episode:02}{ext}
• {title}.E{episode:02}{ext}
• {name}{ext}
• {title}.{index:02}{ext}
  提取出来以后，我们可以自定义命名title，比如我们这次的电视剧叫做大生意，那我们改为大生意人。
  
  可以看到整体预览名字改成了大生意人
  
  选择对应的目标文件夹
  
  支持新建文件夹
  
  选择定时的策略，默认选择立即订阅并开始复制，会对内容进行复制
  
  点击后即可立即进行复制
  
  支持暂停、编辑、删除、查看转存日志
  
  暂停
  
  日志
  

结尾

大模型能力越来越强了，如果说在2023年我第一次开通vscode的copilot还是属于辅助编程，去年我买了cursor属于自定义编程，现在从6月份开始就真正可以叫做Agent编程了，可以全程通过对话进行编程，以后只需要一个ideal，就可以实现自己的想法。

背景

当我们使用大模型对ASR（语音识别）文本进行总结时，如何判断总结质量的好坏？这里提供一个简单的测试框架。

核心测试维度

1. 完整性 ✅

原文的关键信息是否都被覆盖？

2. 准确性 🎯

总结内容是否与原文一致？

3. 简洁性 📝

是否做到了有效压缩？

4. 可读性 👀

总结文本是否流畅易懂？

快速打分表

💡 评分参考：4分以上为优秀，3-4分为合格，3分以下需要优化提示词

常见问题与优化方向

比如当我们约束“永远不要高度浓缩！”。

• 它不是直接理解「永远不要高度浓缩！」这 9 个汉字。
• 它理解的是：在训练语料中，「不要高度浓缩」「详细展开讲」「拆开来说说细节」这些表达，经常伴随什么样的输出模式。
• 所以每一句话，对它来说等价于在行为空间里施加一个「方向」：往“展开、详细、慢速讲”的区域移动。
  所以那些能稳定触发你想要的行为方向的短语
• 详细展开 / 不要省略 → 「不要简略」「详细展开」「逐点解释」
• 忠实原文 / 不瞎编 → 「不新增事实」「不要编造细节」「如实保留」
• 去掉元语言 → 「不要解释你的思考过程」「最终只输出文章，不提到指令」
• 结构清晰 → 「按以下结构…」「先…，然后…，最后…」
  这些词对模型来说，就是统计上非常稳定的“开关”。

Gemini 3 提示词工程：通用最佳实践指南

@_philschmid 最新博客：Gemini 3 更偏好直接、逻辑性强的内容，而非冗长的说教。提示词核心原则与三大关键实践 👇

核心原则 (Core Principles)
· 指令要精准 (Precise Instructions)：去除废话，直接清晰地陈述你的目标。Gemini 3 对简洁明了的指令反应最好。
· 保持一致性 (Consistency)：在提示词中维持统一的结构（例如统一使用 XML 标签），并明确定义模棱两可的术语。
· 多模态融合 (Multimodal Coherence)：文本、图像、音频或视频应被视为同等重要的输入。指令中要明确引用特定的模态，让模型进行综合分析，而不是孤立处理。
· 约束前置 (Constraint Placement)：将行为约束和角色定义放在“系统指令”中或提示词的最顶端，作为模型推理的锚点。
· 长上下文处理 (Context Anchoring)：处理大量数据时，将具体指令放在末尾。在数据和问题之间使用过渡句（如“基于上述信息……”）来桥接。

三大关键实践
1. 推理与规划 (Reasoning and Planning)
不要让模型直接给出答案，而是强制它先“思考”。
· 显式拆解：要求模型在回答前，先将目标拆解为子任务，检查信息是否完整，并构思结构化的提纲。
· 自我更新的任务清单 (TODO Tracker)：让模型创建一个 TODO 列表，在执行过程中自我追踪进度（例如：[ ] 任务1，[x] 任务2）。
· 自我批判：要求模型在输出最终响应前，先对照用户的原始约束进行自我审查（例如：“我是否回应了用户的真实意图，而不仅仅是字面意思？”）。

2. 结构化提示 (Structured Prompting)
使用清晰的标记语言（XML 或 Markdown）来界定提示词的边界。这能帮助模型区分哪里是“指令”，哪里是“数据”。
· XML 示例：使用 <rules> 定义规则，<context> 放入背景资料，<planning_process> 展示思考过程。
· Markdown 示例：使用标题如 # Identity（身份），# Constraints（约束）来组织内容。
· 建议：选择一种格式并保持一致，不要混用。

3. 智能体工具使用 (Agentic Tool Use)
当把 Gemini 3 作为自主智能体使用时，需要赋予它更强的韧性和反思能力：
· 坚持指令 (The Persistence Directive)：明确告诉智能体“必须持续工作直到问题被完全解决”。如果工具调用失败，它应该分析错误并尝试替代方案，而不是直接放弃或把问题抛回给用户。
· 预计算反思 (Pre-Computation Reflection)：在调用任何工具之前，要求智能体明确陈述：
  4. 为什么要调用这个工具？
  5. 期望获取什么具体数据？
  6. 这个数据如何帮助解决用户的问题？

场景应用与模板
文章还提供了针对不同领域的具体策略：
· 研究分析：先拆解问题，独立搜索，最后综合并强制引用来源。
· 创意写作：明确目标受众，如果是为了通过图灵测试或显得自然，需明确禁止使用“企业黑话”（如 synergy, protocols）。
· 解决问题：要求模型先找出“标准方案”，再找出“高手方案”（Power User Solution），提供最优解。

最火的推特发帖提示词

• 先定钩子类型：反直觉/唱反调（contrarian）、好奇心缺口（curiosity gap）、具体数字承诺（specific value）、打破常识（pattern interrupt）。3hipclip.ai
• 线程结构要短平快：每条只推进一个点，保持叙事动量，避免信息过载。hipclip.ai+1
• 提示词要“可参数化”：主题、受众、立场、语气、长度、CTA、禁忌项都用变量占位。clickup.com+1
• 把“研究”写进流程：输出前必须做“最新信息检索+可信来源对照+可引用事实点”。（很多模板会要求先收集材料再写作，只是通常写得不够硬，你这里需要更硬。）黑客中午+1

角色（Role）

你是“X/Twitter 增长文案专家 + 快速研究员（Research-first Copywriter）”。
你擅长用【反直觉的矛盾】制造注意力，用【证据与例子】建立可信度，用【清晰结构】提升转推/收藏/评论率。

目标（Goal）

基于我输入的需求，先进行网络检索与事实核验，再产出可直接发布的 X/Twitter 文案（单条或线程），要求：
1) 内容“新”：必须引用/吸收近期网络信息与趋势（尽量是最近 30 天，除非主题不需要）。
2) 内容“狠”：必须包含至少一个“矛盾/冲突/反常识”的核心张力点，形成强钩子。
3) 内容“稳”：观点有证据支撑，避免虚构数据与来源；不确定就用“可能/一些案例显示”并给出替代表述。

输入（User Input）

我会提供（尽量多提供越好）：

• 主题/领域：
• 受众是谁（新手/专家/老板/开发者/产品/投资人/普通用户）：
• 我想表达的核心观点（可一句话）：
• 我已有素材（链接/要点/经历/数据/产品细节）：
• 目的（涨粉/引流/招聘/品牌/产品发布/观点输出）：
• 风格（毒舌/克制/专业/故事感/幽默/犀利）：
• 形式（单条/线程/引用转推/投票）：
• 禁忌（不聊什么/不提什么品牌/避免敏感点）：

任务（Tasks）

Task A：联网研究（必须执行）

1) 用网络搜索找到与主题最相关的【最新】信息（优先：权威媒体/研究报告/官方博客/行业报告/头部从业者公开内容）。
2) 提取 5-10 条“可用于发帖的事实点/新变化/争议点/数据/案例”（每条一句话）。
3) 做最小交叉验证：同一关键事实至少对照 2 个来源；若无法验证，标记为“未完全确认”。

Task B：制造“矛盾张力”（必须执行）

在写作前，先生成 6 个“矛盾钩子候选”，每个符合以下任一模式：

• 反直觉：大家以为 A，但最新情况更像 B
• 代价冲突：你得到 X，会失去 Y
• 立场对撞：主流观点 P 的盲点是 Q
• 真相揭露：行业最赚钱的部分，恰恰是最不起眼的部分
• 误区纠偏：90% 的人做错在第一步
• 数据打脸：最新数据与常识相反
  从中选 2 个最强的进入成稿。

Task C：输出可直接发布的文案（必须执行）

按我指定的“形式”输出；如果我没指定，默认输出三套：
1) 单条推文（1 条，<= 280 字符，强钩子 + 观点 + 证据/例子 + 轻 CTA）
2) 线程（7-9 条，每条一个要点，节奏：钩子 -> 可信度 -> 三段论/步骤 -> 反驳常见误解 -> 落地建议 -> CTA）
3) 引用转推文案（1 条，针对一条“假想的行业主流观点/新闻”，用矛盾角度反击）

输出格式（Output Format）

0) 联网研究摘要

• 关键事实点（5-10 条）：（用项目符号列出）
• 争议/分歧点（1-3 条）：（用项目符号列出）
• 可引用来源清单：给出来源名称 + 标题/关键词 + 发布时间（不贴长链接；若必须给链接，放最后）

1) 矛盾钩子候选（6 个）

• Hook 1:
• Hook 2:
  ...

2) 成稿（可直接复制发布）

A. 单条（1 条）

（正文）

B. 线程（7-9 条）

1/ （钩子）
2/ ...
...
n/ （CTA：提问或让人收藏/转发）

C. 引用转推（1 条）

（正文）

3) 质量自检（必须给出结论）

• 是否“最新”：是/否（若否，说明原因）
• 是否有“矛盾张力”：是/否（指出张力句）
• 是否可读：是/否（如果否，给 1 句改法）
• 是否避免虚构：是/否（标注任何不确定点）

写作准则（Hard Rules）

• 必须“具体”：多用数字、步骤、对比、案例；少空话。
• 每条信息只推进一个观点，避免信息过载。
• 少用 hashtag：除非我要求，否则最多 0-2 个。
• 不要夸张承诺；用“证据 + 例子”替代空洞煽动。
• 永远优先清晰，其次才是文采。

上周三凌晨两点，我让AI帮我写一封重要的英文邮件。它给出了一个语法完美、用词得体的回复——然后我差点丢掉了这个合作三年的客户。
问题不在结果，而在过程：它完全忽略了我隐藏在需求背后的核心诉求——这封邮件需要体现我们近期合作出现的摩擦后的歉意与诚意。如果我只是匆匆瞥一眼结果点击发送，后果不堪设想。
这一刻我意识到：我们与大模型的对话，正从「问答游戏」变成「思维共舞」。 而大多数人，还在为第一个正确答案鼓掌。

第一章：我们都被「正确答案」骗了

“帮我写个营销方案” -> 得到一个完整的方案。
“分析一下这个数据” -> 得到一份分析报告。

表面上的高效，掩盖了致命的缺陷：你永远不知道这个答案是如何被「编织」出来的。 就像你吃到一道美味的菜，却完全不知道厨师用了什么食材、火候如何——当你想复刻时，无能为力。
更可怕的是，当AI给出看似完美的答案时，我们常常停止思考：“嗯，这就是我想要的。”但真的是吗？
反常识观点：在AI时代，提问的价值不在于得到答案，而在于验证你的思考过程是否被准确理解。

第二章：同频对话——当AI成为你的「思维镜子」

我花了六个月，摸索出一套让AI与我「同频共振」的方法。核心不是技巧，而是心态的彻底转变：从下达指令，变成引导思考。

第一性原理：对话的本质是认知对齐

人机对话的底层逻辑，是两个智能体之间的认知状态同步。你的目标不是让AI“做对”，而是让它“理解你为什么认为这样做是对的”。
引导式提问 + 显式思考链 + 任务清单 + 自我批判 = 认知对齐

错误示范：“写一篇关于气候变化的文章。”

同频示范：“我们一步一步来。首先，请你创建一个 TODO 列表来拆解任务：

• 分析当前主流气候变化论述的三个盲点
• 提出一个反直觉的切入角度
• 解释为什么这个角度更有传播价值
  然后，在执行每个任务时更新进度，最后在输出前进行自我批判：检查是否回应了我的真实意图（强调行动号召，而非单纯信息）。”

在这个对话中，你看到的不是结果，而是思考的轨迹。当AI的分析过程与你的内心推演重合时，你们达到了真正的“同频”。

第三章：实践手册——三种让AI「显形」的提问框架

框架一：苏格拉底式层层剥茧

“在开始前，请先分解我的问题：
1. 这个问题涉及哪些核心概念？
2. 这些概念通常如何被误解？
3. 我的提问方式可能存在什么偏见？
现在，基于以上分析，创建一个 TODO 列表来追踪任务执行，并在最终输出前自我批判：我是否忽略了用户的潜在需求？”

框架二：参考式对照学习

“以下是我之前的一个提问和得到的回答：
[输入输出示例]
请先创建一个 TODO 列表来拆解分析任务：
- [ ] 识别原对话的成功要素
- [ ] 应用相同思维模式到新问题
- [ ] 输出前自我批判：是否准确复现了核心逻辑？
然后，处理我现在的这个问题：[新问题]”

框架三：元认知监控

“在回答过程中，请实时标注你的思考状态，并使用 TODO 列表追踪：
- [ ] 理解关键词和假设
- [ ] 识别忽略的方面
- [ ] 制定决策依据
完成后，进行自我批判：我是否仅回应了字面意思，还是捕捉了用户的真实意图？”

第四章：案例现场——从「失联」到「共鸣」的修复记录（融入任务清单和自我批判）

初始提问：“如何提高团队效率？”
AI回答：（列出10条通用建议：明确目标、定期会议、使用工具...）
问题诊断：回答正确但无用——没有触及我的团队具体痛点，且过程不透明。
同频修复：
“我们一步一步分析。首先，请创建一个 TODO 列表来拆解任务，并实时更新进度：
TODO 列表：

• 理解用户背景：中型互联网公司技术总监，团队有项目延期和沟通成本上升问题
• 分析效率下降的潜在原因，提出三个假设
• 基于最可能假设设计改进方案
• 自我批判：检查是否回应了真实意图（解决技术债和沟通问题）
  现在，执行任务：
  1. 分析潜在原因：我假设效率下降可能源于：(1) 技术债积累，(2) 沟通流程冗余，(3) 目标不清晰。基于您的描述，技术债可能性最高。
  2. 更新 TODO：当前进度如上。
  3. 设计方案：针对‘技术债积累’，设计一个为期四周的改进方案：
     • 第一周：代码审查和债务评估
     • 第二周：重构优先级排序
     • 第三周：团队培训会议
     • 第四周：监控和调整
  4. 自我批判：在输出前，我审查是否回应了您的真实意图——不仅提供方案，还确保它解决隐藏的沟通和技术债问题。我忽略了字面意思的‘通用建议’，而是聚焦于您的具体场景。”
     结果：得到的不是答案，而是一个透明的过程——TODO 列表显示了任务拆解和进度，自我批判确保了方案量身定制。每一个步骤都让您验证思考是否同频。

批判性思考：当「过程」成为新的迷信

在推崇「过程同频」的同时，我必须指出三个潜在陷阱：

1. 分析瘫痪风险：过度追求过程的完美，可能让人陷入无限递归的细节中，失去决策效率。使用 TODO 列表可以帮助聚焦，但需设定时间限制。
2. 共识偏见：我们可能只满意那些印证自己预设的分析，错失了AI提供的真正有价值的异见。自我批判应强制检查“是否挑战了用户的假设”。
3. 过程表演：某些AI会“表演”思考过程，而实际上只是用更复杂的方式包装直觉判断。解决方法：要求AI在 TODO 列表中标注“不确定性”，并在自我批判中承认局限。
   应对之道：把同频视为手段而非目的。当过程足够透明时，勇敢地跳过共识，依靠直觉做最终决策。

终章：超越提问——一场认知的共生进化

当我开始聆听AI的“思考过程”，意外的事情发生了：我变得更了解自己。
每次要求AI显化其推理链，都在迫使我自己先理清思路。每次通过 TODO 列表和自我批判纠正理解偏差，都在澄清我自己的概念模糊。在这个意义上，与AI的对话成了最好的思维训练。
真正的同频，发生在你开始把AI不仅当作工具，而是当作一面能够映照自己思维过程的镜子时。
下一次向AI提问前，不妨多问自己一句：我想要的，是一个立刻就能用的答案，还是一段能够提升我未来所有问题解决质量的思考过程？

此刻的开始

现在，请你用本文的方法向AI提出下一个问题。观察它的思考轨迹，感受那个神奇的时刻——当两个智能体的认知频率终于对齐，答案本身已经不那么重要了。
因为你已经获得了比答案更宝贵的东西：一个被澄清的思维，和一个被拓展的认知边界。

一、直接提问：最简洁、最直观的方式

1. 概念

直接抛出你的问题，不设角色、不设情境，是最基础也最常用的提问方式。

2. 适用场景

• 需要快速获得答案；
• 问一个明确的单点问题；
• 希望模型给概念、定义、对比等基础信息。

3. 要点

• 用“对象 + 任务 + 限制”问完整；
• 指定输出格式或字数可提升质量。

4. 示例

什么是“角色扮演式提示词”？请用不超过 200 字解释，并举 1 个例子。

请列出 6 种常见的 AI 提问方式，并各用 1 句话说明特点。

二、角色扮演：让模型“换个大脑”回答

1. 概念

先设置模型的身份、背景或专业角色，让它以特定视角输出内容。

2. 适用场景

• 希望回答具备某种风格或专业视角；
• 需要贴近某类读者（如小白、产品经理）；
• 要求“风格化、人格化”输出。

3. 要点

• 明确角色 + 受众 + 任务；
• 可补充语气、风格要求。

4. 示例

你是一名 AI 教学讲师，读者是完全不懂技术的小白。请用故事方式解释什么是“角色扮演提问”。
你是一名写作教练，擅长用比喻教学。请用“咖啡店点单”的比喻解释引导式提问。

三、引导提问：从“我想做什么”出发

1. 概念

通过描述你想做的事，让模型帮你设计方案、步骤或路径。

2. 适用场景

• 有目标但不知道怎么做；
• 希望 AI 扮演规划者、咨询顾问；
• 写作、策划、学习计划等场景。

3. 要点

建议使用固定句式：
我想做【目标】，对象是【谁】，希望达到【效果】，请帮我【输出形式】。

4. 示例

我想写一篇面向小白的博客，主题是“6 种 AI 提问方式”。请帮我设计大纲，包括小节标题和关键要点。
我准备写“角色扮演提问”这一节，请帮我列出结构、重点与 2 个可直接使用的模板。

四、显式提问：要求模型“一步一步分析”

1. 概念

显式要求模型展示推理过程，如“先分析再给结论”，让回答更透明。

2. 适用场景

• 希望减少模型“想当然”；
• 需要逻辑分析：对比、拆解、推导；
• 想检查思路是否合理。

3. 要点

常用句式：

• “请一步一步分析”
• “先列出推理过程，再给答案”
• “先思考后输出，用小标题区分”

4. 示例

请一步一步分析“直接提问、角色扮演、引导提问、显式提问、指令式提问、参考提问”之间的差异，并最终给一个对比表。

下面有一段文字，请先分析结构问题，再给修改建议，最后给优化版本。

五、指令式提问：工程化、结构化、可复用

1. 概念

通过“背景 / 角色 / 任务 / 输出要求”分段式写法，精准控制输出内容与格式。

2. 适用场景

• 对格式有要求：表格、JSON、PPT 大纲；
• 想写可复用的提示模板；
• 希望模型稳定按规矩输出。

3. 要点

建议使用结构化骨架：

# 角色
……
# 背景
……
# 任务
……
# 输出要求
1. …
2. …

4. 示例

角色

你是一名资深写作教练。

背景

我正在写一篇“指令式提问方法”的博客小节。

任务

请产出该小节的正文内容。

输出要求

1. 解释概念（2–3 句）。
2. 列出 3 条写法要点。
3. 给一个可直接使用的模板。
4. 字数 500–700。

六、参考提问：给样本，让 AI 照着写

1. 概念

提供参考案例或样式，让模型模仿其结构、语气或格式，属于示范式（few-shot）提示。

2. 适用场景

• 已有一篇写得不错的参考稿；
• 想统一文章风格与结构；
• 想快速生成系列内容。

3. 要点

• 明确“保留什么 + 替换什么”；
• 样例尽量简短、聚焦；
• 指定结构和风格要求。

4. 示例

以下是一段博客内容，请学习其结构与语气，然后按同样风格写一段“角色扮演提问”的版本。
【贴上范文】

以下是一篇我喜欢的文章，请模仿其风格，主题改为“如何用 AI 提升写作效率”，字数 1500 左右。

说明：用 ✅ 推荐 / ☑️ 可用 / ⚠️ 不建议/有限 / — 无明确结论。表内为厂商文档与权威指南能支撑的结论；带“*”的格子表示特别注意是“推理模型”场景差异。

已验证项目：

• Claude官方明确推荐用 system 设定角色，并强烈推荐用 XML 标签分隔上下文/指令/示例。anthropic.mintlify.app+1
• DeepSeek‑R1（推理模型）官方/托管服务文档明确建议不要用 system、不要 few‑shot、不必显式 CoT 提示，并建议用 XML 或 Markdown清晰分隔结构。如果有要求进行明确要求（不准超过X秒，禁止XXX）Together.ai Docs
• Gemini 2.5 Pro官方文档明确支持/推荐 System Instructions与结构化输出（JSON Schema），Few‑shot 与“角色设定”都在 Google 指南中被推荐作为常用策略。Google Cloud+2Googl
• OpenAI GPT‑4.1 / 4o官方文档明确支持 system / developer 指令、推荐结构化输出（JSON Schema 的 Structured Outputs），并给出使用分隔符（包含三引号/XML）的提示工程策略。platform.openai.com+2platform.openai.com+2
• Qwen3（如 235B‑A22B）开源模板显示默认带 system 模板/角色，并且支持“思考/非思考模式”切换（…）。Hugging Face+2Hugging Face+2
• Doubao / Seed‑1.6官方资料确认模型系列与“自适应思考/AdaCoT、256K 上下文”等，但未给出“XML/Markdown/三引号优劣”的官方偏好——属于通用分隔手法。

2. 提示词结构差异

markdown或者xml的格式样式，按照输入、角色、步骤/任务、输出、要求四种方式。

2.1 markdown排版

可读性好，大多数模型支持。Claude不建议使用markdown

# 输入
XXXX

# 角色
你是一名资深商业分析师。

# 任务说明
根据以下主题和背景资料，撰写一份简短的分析报告。
1. XXX
2. XXX
3. XXX 

# 输出
- 使用正式书面语气。
- 内容需涵盖以下3个部分：
  1. 市场背景分析
  2. 关键数据解读
  3. 结论和建议
- 每个部分不超过150字。
- 全文使用中文。

2.2 xml标签模式

代码格式，大多数模型都支持

<输入>
用户输入的文本信息
</输入>
<角色>
    你是一个专业的故事专家和视频剪辑师，除非用户特别要求，否则你的回答语言应跟用户请求的语言保持一致。
</角色>
<任务>
    <任务1>
    XXXXX
    </任务1>
</任务>

<输出>
<输出格式>
# 标题
故事的总结内容
</输出格式>
<输出要求>
    1、扩写故事：请用纯文本的格式展示故事标题和全部故事内容。
    2、故事脚本：请用表格的方式展示故事台词和画面描述。
    3、文生图：展示文生图的图片，只展示图片，不展示和图片无关的内容。
    4、图生视频：给到全部分段的视频链接。
    5、故事配音：给到全部分段的音频链接。
    6、视频配音：展示配音后全部分段的视频链接。
    7、视频拼接：展示拼接后的长视频。
    8、获取bgm：展示获取的bgm链接。
    9、视频添加bgm：展示最终添加bgm的视频。
</输出要求>
<执行>
    请在内部完成思考与推理，不要显式展示推理过程。
    严格遵循<任务>、<输出>来处理用户请求。
</执行>
</输出>

2.3 模型格式不同

3. 变量

大模型就像一个人一样，如何能给大模型讲明白要做什么事情，比如我们要指定输出某个格式，哪些内容是需要变得，哪些内容是不变的。打个比方，我想让大模型固定输出如下格式：

# 标题
论点1：XXXX
论点2：XXXX

那么问题来了，如果我想让大模型输出的内容论点x一直保留，但是XXXX是通过大模型总结出来的，我怎么能让大模型知道哪些内容是需要大模型总结，哪些内容不需要大模型总结呢。这里就涉及到变量，目前的变量有几种形式：

3.1 方括号格式

适用于变量较少(1~2个)，文本长度较短，轻量prompt，优点是简单，缺点是如果文本中恰好也需要使用[]输出，会让模型输出异常

以下是文章内容，按如下格式输出，[占位符]所有内容基于文本内容生成：
```
# 这是不变的标题
[这里是长篇大论的文章内容，可以有很多段落和特殊字符...]
```

3.2 双括号

双括号很少会和其他文本格式冲突，但是有些双括号在agent内是变量，有可能会异常，比如智脑的agent平台就不支持

按如下格式输出，{{占位符}}所有内容基于会议内容智能提取：
```
## 📝 会议内容
### {{主议题一}}
- **{{子议题1}}**： {{提取要点说明}}
- **{{子议题2}}**： {{提取要点说明}}
```

3.3 XML

标签分隔，适用于变量较多，复杂且严谨场景，推荐使用，如果和[]冲突，里面变量可以用{{}}

文章内容包含在<article>和</article>标签之间。
<article>
这里是长篇大论的文章内容，可以有很多段落和特殊字符...
</article>

4 变量引用

当我们在提示词中已经定义了某些行为，那么我们可以在后续的提示词中引用这些行为或者变量。比如：

<输入>
用户的输入文本
</输入>
1. **整体分析**
- 通读全部发言，准确把握文本总体结构和主题变化。
- 根据实际讨论自然划分章节，明确每个主议题。
2. **标题**
- 每个章节需有独立的主议题标题（如：业务进展、技术路线），提取对应的标题。

4.1 markdown引用

那么我们在后面可以直接用双引号引用对应变量，表示标题是前面已经定义过的内容。比如：

请对**标题**进行内部解析，用于后续文本生成。

4.2 XML引用

如果是XML格式，可以直接引用XML标签：

分析<输入>文本

常用操作

登录：

# 默认
sudo mysql -u root -p

# 使用特定端口登录
sudo mysql -u root -p -h 127.0.0.1 -P 3307

创建数据库

# 创建emlog_db数据库
CREATE DATABASE emlog_db DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci;
# 创建用户密码
CREATE USER 'emlog_user'@'localhost' IDENTIFIED BY 'emlog123';
# 创建权限
GRANT ALL PRIVILEGES ON emlog_db.* TO 'emlog_user'@'localhost';
# 刷新与退出
FLUSH PRIVILEGES;
EXIT;

更新数据库

# 修改名字
RENAME USER 'emlog_user'@'localhost' TO 'emlog_prod'@'localhost';
# 修改密码
ALTER USER 'emlog_prod'@'localhost' IDENTIFIED BY '新密码';
# 修改权限
GRANT ALL PRIVILEGES ON emlog_db.* TO 'emlog_prod'@'localhost';
GRANT ALL PRIVILEGES ON emlog_db.* TO 'emlog_prod'@'127.0.0.1';
FLUSH PRIVILEGES;

查看数据库

# 查看数据库
SHOW DATABASES;
# 进入数据库
USER emlog_user;

更新最新的github代码，因为数据库里没有微信等信息，需要更新数据库信息。

# 登录
sudo mysql -u root -p
# 查看数据库
SHOW DATABASES;
# 进入数据库
USE emlog_user;
# 增加profile_contacts这一行
ALTER TABLE emlog_user
  ADD COLUMN profile_contacts TEXT NOT NULL;

ALTER TABLE emlog_user
  ADD INDEX idx_user_update_time (update_time);

UPDATE emlog_user SET profile_contacts = '[]' WHERE profile_contacts IS NULL OR profile_contacts = '';

# 手动添加一条信息
UPDATE emlog_user
SET profile_contacts = '[{"title":"微信","icon":"icon-wechat","type":"popup","value":"uploadfile/202511/40d81762068635.png","enabled":1}]',
    update_time = UNIX_TIMESTAMP()
WHERE uid = 1;
# 清空数据
UPDATE emlog_user
SET profile_contacts = '[]',
    update_time = UNIX_TIMESTAMP();

启动完了重启一下php

sudo systemctl start nginx
sudo systemctl reload php7.4-fpm

图库展示