https://x.com/i/article/2112540873783410688

【X 长文】开源「提示语管理.skill」，就为快速选出最适合你的 Prompt（附 25个深度思考神级提示语）

今年我攒了一堆思考类的提示语。

满满 25个，有经典的苏格拉底式提问、第一性原理和对抗性审查、双向钢人论证，Anthropic 哲学家的寓言记忆法，条条都好用。一般来说我有两条路来存提示语，方法一把有用的点拆出来放到 Agent.md，这样可以全局生效但是真存不了太多，塞多了模型就开始阿巴阿巴了。方法二就是存到备忘录，然后用快捷键唤醒复制粘贴，缺点就是贴到对话框之后还要删删改改的。

这个问题困扰了我蛮久的。

问题不在存储，每次都是到了要用的那一秒，我根本就没有想起来自己存过什么，还是要打开备份重新过一遍。要不就是发出去了才想起来，早知道加上某个提示语就不会聊成这样了。

转折发生在我用 Matt Pocock 的那套 skill 的时候，

里面有一个很出名的 skill，叫 grill-me，通过持续追问来补充计划，一度取代了我心里 superpower 里 brainstorming 头脑风暴的位置。

除了 grill-me，里面还有个叫 ask-matt 的路由。

它干的事情很简单，你不需要知道他仓库里有多少个 skill，也不需要记住哪个叫什么名字，你就跟他说，我现在遇到了什么情况，然后 ask-matt 会帮你挑出来合适的 skill。

我第一次用的时候，说了一句大概是「我有个 AI 提示语合集网站 goodcase，里面放了 1000 多个视频，视频的存储优化的想法还比较模糊，不确定该怎么推进」。ask-matt 看了一眼我的描述，说你应该先用 grilling 把想法问清楚，让每个分支都问到底为止，然后拿 to-spec 收成规格书做成开发计划。

它不光告诉我用哪个，还告诉我为什么不是另一个，以及跑完之后接哪个。

我当时就意识到，这个形态就是解决「提示语存了一堆但从来不用」这个问题的正确姿势。

一个能管理能分流提示语的新 skill。

所以我就照着 ask-matt 的形态，把今年用到的所有思考类提示语都熔炼进了一个路由里。

这就是 25 条思考提示语的全貌。

都是我基本上每天都会用到的，分六个场景，问清问题，学习理解，解决问题，决策类，计划类和自我认识类。

外加一个路由，我给它取名叫

老爷爷 👴

给你的 Agent 发这一句话就能用上。

npx skills@latest add LearnPrompt/laoyeye

帮我用上laoyeye，github.com/LearnPrompt/laoyeye

为什么叫老爷爷？做到路由这一步的时候我突然想起小说里那个经典设定。

主角戴着的戒指里住着一缕残魂，本身打不了任何架，但阅历深，能在关键时刻指一条路。你把这个角色对应到提示语路由上，一模一样。

安上之后任何一句话随便一个地方敲 laoyeye 帮我 ，当然了切换成语音输入后原地大喊的效果会更好。老爷爷会读取上下文简单提问了解你的处境，给出你最合适的功法，也就是提示语。

老爷爷的智慧不止于此。

实际上有了多 Agent 并发之后我很多时候都是开的全权限，然后就确认确认点点点，不然就让模型自己解释一下做到哪里了，然后再确认确认点点点。

动脑子的时间反而变少了。

所以我希望老爷爷不是一次性的，能作用在整个对话生命周期。

我做这个 skill 给自己定了一个规矩，就是原提示语一个字不改。

这听上去很简单对吧，但是把这些提示语 skill 化最常见的做法就是把别人的提示语拆散，改写成 Agent 风格的流程步骤，加上分支判断和检查清单，让它看起来更工程化。

我之前做的思考提示语点子王就是这样做的。

当时因为 Agent 对同一个概念奥卡姆剃刀反复表达多次带来的性能下降让我反复调整了好多版，后面还是回到第一版了，也就是直接在提示语里面开头塞一句奥卡姆剃刀。。。

再就是苏格拉底式提问里有一句，

「每次只问一个问题，根据我的回答决定下一问，不要提前给我一整套问卷」。

这句话在做成 skill 的时候会被压成了请逐步提问这几个字，模型立刻会把六个问题一次倒出来，整条提示语的价值当场清零啊。。。

因为有一些提示语大家都已经很熟了，我就不逐个介绍了。有一些可能还不知道怎么用，所以我挑出了两个最近用得稍微比较多的方法跟大家讲一下，乔哈里视窗。

乔哈里视窗是心理学里一个经典的自我认知模型，

四个象限，你知道别人也知道的叫开放区，你不知道但别人知道的叫盲区，你知道但别人不知道的叫隐藏区，双方都不知道的叫未知区。做成提示语之后，AI 会先帮你梳理一件事里你已经看到的部分，然后追问那些你可能没意识到的盲区，最后把两边拼起来，就会发现自己对这件事的理解突然立体了。

上次我拿它分析自己做内容的习惯，AI 指出我在选题阶段花的时间远远不够，大部分精力都耗在制作环节，而我自己完全没感觉到这个偏差。这就是盲区被照出来的那一下。

还有一个值得单独拎出来说的是逆向法，

跟第一性原理非常互补。

这条提示语是先让 AI 先帮你列出所有隐藏雷点，漏了什么，忽略了什么，哪个环节最容易翻车。列完之后把每条翻过来，就变成一张模型必须遵守的清单。我最近做重要决策之前都会先跑一遍逆向法，真的能抓到那些我以为不会出问题的地方。

说到这里你可能会问，这跟直接把提示语丢给 AI 有什么区别。

反正我都是跟 AI 聊天，为什么要多一个路由的步骤。

我想区别在于，你跟 AI 说帮我想想这个问题，它会用它自己的方式帮你想。这个方式可能很好可能很坏，没有约束的前提下我们就是抽卡机制。

这 25 个提示语里的每一个都带着作者精心设计的约束。

苏格拉底式提问限制了最多六问就收，逼它在六个问题之内帮你找到真正的问题。专家会诊要求专家之间必须互相质疑，在分歧里找到真正的信息。双向钢人论证必须把两边都论证到最强之后才让你选。

顺便说一下跟上游的关系。

如果你已经装了 Matt 的 skills 仓库，不用卸。老爷爷收录的时候都加了来源前缀，matt-grilling、kaz-leader、carl-idea-king，25 个名字跟上游发布的名字零重合，不会覆盖你已装的任何 skill。

我在做这个东西的过程中一直在想一件事。

我们这个时代不缺好提示语，到处都是，GitHub 上更多。

但大部分使用方式是，看到一条好的，收藏，然后再也不看了。

我称之为薛定谔的看。

原因是提示语库带来的认知负担太重了。你面前有 25 条常用提示语甚至更多，每一条都需要你先理解它是干什么的，适合什么场景，跟其他几条的区别是什么，然后在你卡住的那一刻，从里面精确地想起来该用哪一条。

这件事对人类来说太难了。

但对 AI 来说，是一次匹配。

所以正确的分工是，

我们负责感知自己卡在哪里，第一时间提出来。

AI 负责从仓库里帮你挑提示语。

小说里的老爷爷也是这样，非必要他不替主角打，

他就在主角进入秘境的时候说一句，

小子，你该往那边走。

然后主角自己无双割草拿好资源拿到手软，

我很希望我们都能体验上这种爽感。