一、文本生成类PROMPT（4个）
1. 结构化大纲生成器
模板：”请以[目标文体]形式，围绕[主题]生成包含[X]个层级的逻辑框架，要求每个层级包含3个核心要点，并标注各层级间的递进关系。”
应用场景：撰写技术文档、市场分析报告时快速搭建框架。例如输入”以白皮书形式，围绕’AI大模型应用场景’生成3级框架，标注递进关系”，可输出包含基础概念、行业应用、未来趋势的完整大纲。
技术原理：通过层级约束确保内容完整性，递进关系标注提升逻辑性，避免写作过程中出现结构混乱。
2. 多视角观点生成器
模板：”针对[主题]，分别以[角色1]、[角色2]、[角色3]的立场撰写300字观点，要求包含数据支撑与案例佐证。”
案例演示：输入”针对’企业数据安全治理’，分别以CTO、安全工程师、合规顾问的立场撰写观点”，可得到技术实现方案、风险防控措施、法规遵循建议三类内容。
优势分析：突破单一视角局限，适用于产品需求文档撰写时收集多方意见，或撰写行业分析报告时呈现多维观点。
3. 风格迁移转换器
模板：”将以下文本转换为[目标风格]，保留核心信息但调整表达方式：[输入文本]”
典型应用：将技术文档转换为客户案例时，输入”将以下技术参数说明转换为面向非技术人员的营销文案”，可自动生成突出应用价值的宣传内容。
实现机制：通过风格词库匹配与句式重构，在保持信息准确性的前提下实现表达方式的根本转变。
4. 续写完善助手
模板：”基于以下文本片段，续写[X]字内容，要求保持原有语言风格并补充[具体要素]：[文本片段]”
操作示例：输入”基于’AI模型训练流程包括数据收集、预处理…’，续写500字内容，补充模型评估指标与优化方法”，可获得包含完整训练闭环的扩展文本。
价值体现：解决写作卡顿问题，特别适用于长文档撰写时的内容衔接与要素补充。
二、逻辑优化类PROMPT（4个）
5. 逻辑漏洞检测器
模板：”分析以下文本的逻辑结构，指出存在的3处漏洞，并给出修改建议：[输入文本]”
检测维度：因果关系是否成立、论据是否充分、结论是否合理。例如分析市场预测报告时，可发现”用户增长必然导致营收提升”这类忽略成本因素的逻辑缺陷。
改进效果：通过系统性检测提升文本严谨性，特别适用于技术方案评审、商业计划书撰写等场景。
6. 论证强化生成器
模板：”针对以下观点，补充3个支撑论据与2个反方观点，并分别给出应对策略：[观点陈述]”
实战案例：输入”针对’云原生架构是未来趋势’，补充论据与反驳应对”，可获得技术优势数据、行业应用案例、成本对比分析等强化论证内容。
应用价值：构建说服性文本的完整论证链，适用于技术白皮书、投标文件等需要强论证的场景。
7. 冗余信息剔除器
模板：”精简以下文本，删除重复表述与无关信息，保留核心观点与必要细节：[输入文本]”
处理效果：将技术文档中”该功能通过…实现，其核心机制是…”的冗余描述，优化为”该功能基于…机制实现”，提升文本可读性。
效率提升：减少30%-50%的无效信息，特别适用于需要严格控制篇幅的场景。
8. 术语统一校验器
模板：”检查以下文本中的术语使用，统一不一致表述，生成术语对照表：[输入文本]”
校验范围：包括技术术语（如”机器学习”与”ML”）、品牌名称（如”Python”与”python”）、缩写全称等。
质量保障：避免因术语不统一导致的理解歧义，特别适用于多人协作的技术文档撰写。
三、数据分析类PROMPT（4个）
9. 数据解读生成器
模板：”基于以下数据表格，生成包含趋势分析、异常点标注、关联性建议的解读报告：[数据表格]”
分析维度：时间序列趋势、同比环比变化、指标间相关性。例如分析销售数据时，可自动识别季度波动规律与产品组合效应。
决策支持：将原始数据转化为可执行的洞察，适用于经营分析会、产品迭代决策等场景。
10. 图表描述生成器
模板：”为以下图表撰写专业描述，包含标题、坐标轴说明、趋势总结、关键数据标注：[图表链接/描述]”
输出示例：针对折线图可生成”2023年Q1-Q4用户活跃度变化趋势显示，Q3因营销活动出现峰值，Q4回归平稳水平，12月活跃用户达120万”。
应用场景：快速生成PPT图表说明、技术方案中的效果展示部分。
11. 对比分析生成器
模板：”对比[方案A]与[方案B]，从[维度1]、[维度2]、[维度3]进行量化分析，给出推荐建议：[方案描述]”
对比维度：包括实施成本、效果预期、风险系数等。例如对比两种技术架构时，可输出”架构A初期成本低但扩展性差，架构B初期投入高但长期维护成本降低30%”。
决策价值：为技术选型、产品路线规划提供量化依据。
12. 预测模型构建器
模板：”基于以下历史数据，构建[线性回归/时间序列/分类]预测模型，预测[目标变量]未来[X]期的值：[数据集]”
技术实现：自动选择合适算法，输出模型公式与预测结果。例如根据用户增长数据预测下季度活跃用户数，误差率控制在5%以内。
应用前景：适用于需求预测、资源规划、风险评估等需要前瞻性判断的场景。
四、PROMPT使用最佳实践
- 精准定义需求：在输入中明确文体、角色、要素等约束条件，如”以技术博客形式，面向开发者撰写”比”写一篇文章”效果更好。
- 迭代优化：首次输出后通过”请增加XX细节/调整XX风格”进行微调，逐步逼近理想结果。
- 组合使用：将多个PROMPT串联使用，如先用大纲生成器搭建框架，再用续写助手完善内容，最后用逻辑检测器优化。
- 知识注入：在PROMPT中嵌入领域知识，如”参考Gartner技术成熟度曲线，分析AI大模型的当前阶段”。
五、进阶应用技巧
- 变量参数化：将固定部分设为变量，如”请以[文体]形式撰写关于[主题]的文章”，通过替换变量实现模板复用。
- 条件分支设计：构建包含”如果…则…”逻辑的PROMPT，如”如果数据存在季节性波动，则采用STL分解法处理”。
- 多模型协作：结合文本生成与数据分析模型，如先用数据分析PROMPT处理数据，再用文本生成PROMPT撰写报告。
这些经过验证的PROMPT模板，通过结构化输入框架与明确约束条件，可显著提升文本处理效率与质量。开发者与职场人士可根据具体场景选择或组合使用，建议建立个人PROMPT库并持续优化，形成专属的文本处理工作流。