Prompt：从影像中截取的一帧，完整重现 1990 年的日本涩谷。 第一人称视角，观看人们在涩谷街头行走。 图像质量、服装、广告、建筑等，完整再现当时的日本涩谷。 来自随意拍摄影像中的一帧。

Prompt 9：给产品定一个合理价格 “我有一个产品点子：[product idea]，目标用户是 [audience]。对比低价、中价、高价三种定价策略。分别说明每个价格应该包含什么、吸引哪类用户、转化逻辑，以及优缺点。最后给出一个适合前期快速出单的推荐价格。”

Prompt 10：选择最适合的销售平台 “我想卖一个与 [skill] 相关的被动收入产品。请对比 Gumroad、Etsy、Payhip、Shopify、Notion 市场或自建网站等平台。结合我的产品类型 [product type]、用户 [audience] 和目标 [goal]，推荐最适合的平台，并说明原因，包括手续费、搭建难度、流量潜力和新手友好度。” ```

Prompt 8：生成完整产品大纲 “我想为 [audience] 做一个关于 [topic] 的 [product type]。帮我生成完整大纲，包括：产品标题、核心承诺、模块结构、每一部分内容、附加赠品、快速见效设计，以及最终交付形式。要求简单实用、值得付费，避免学术化。”

GitHub 上 Yao Open Prompts 这个开源提示词库，按真实场景分好类，直接复制就能用，颇为全面。 包含了 116 个中文提示词，覆盖工作、学习、营销、内容创作、编程等九大类，每个文件只保留可复制的提示词正文，干净利落。 GitHub： 内置的提示词生成系统，能帮我们从需求分析到格式规范一步步生成高质量提示词。 还有 25 个 GEO 营销模板和 36 个内容运营提示词，都是拿来就能改的实战模板，值得收藏备用。

日读论文 Prompt 技巧中的「角色扮演法」，有效，但为啥会有效呢？这篇论文给了一个解释，有意思。 ──────── The Granularity Axis: A Micro-to-Macro Latent Direction for Social Roles in LLMs 扮演非格，实是刻度 ──────── 你跟 GPT 说「你是一位忧心的家长，孩子最近沉迷手机怎么办」，它给你的答案带着具体家长的那股焦虑——「试试把手机放客厅」「和孩子聊聊他刷的都是啥」。然后你换一句：「你是世界银行行长，怎么看青少年屏幕成瘾这个全球公共健康问题」——同一个模型，瞬间换了一套口吻：跨国数据、政策杠杆、长期 GDP 影响。 这个换台的丝滑感，所有用过大模型的人都体会过。但模型脑子里究竟发生了什么？过去研究者的默认假设是：模型记住了"家长该怎么说""行长该怎么说"——每个角色对应一组语言风格的模板。如果你打开模型，应该能看到几百个角色，对应几百个独立的小堆。「扮演」就是个表面活儿——本质是模板匹配。 但 Qin 这群人翻出来的发现完全不一样。他们让模型分别"扮演"75 个角色（从最微观的"忧心的家长"到最宏观的"世界银行行长"），把每次回答时模型内部的隐藏向量都记下来，再做几何分析。结果：这 75 个角色不是几百个孤立的点——*它们排在一根直线上*。从微观到宏观，每个角色都是这根线上的一个刻度。换角色不是换一套风格模板，是沿着一把"视野远近"的尺子挪一个位置。 ──────── *"角色"不是模型的属性，是这根轴上的一个坐标。所谓"扮演谁"，本质是"挪到哪一格刻度"。* 这个洞见超出 LLM。 你在生活里"扮演角色"——CEO、父亲、咨询顾问、学生家长——之间的切换，可能也不是几百个独立模板，而是同一个你沿着几根类似的轴（粒度、时间尺度、利他度、风险偏好）调位置。模型把这件事做得这么干净，可能不是因为它特别简单，是因为它继承了人类语言里就编码了的这种结构——*我们的语言对"视野远近"这件事，本身就是个连续刻度*。