文章大纲生成器
根据主题快速生成结构清晰的文章大纲,适合长文写作前的规划。
覆盖写作、编程、学习、办公、营销、数据 6 大场景共 92 个模板,一键复制,含变量占位符与使用示例。
根据主题快速生成结构清晰的文章大纲,适合长文写作前的规划。
将原文改写为指定风格,保留核心信息的同时调整语气和文风。
生成引人入胜的小说开头,包含场景、人物、悬念三要素。
从可读性、性能、安全性、最佳实践四个维度审查代码。
分析报错信息与代码,定位 Bug 根因并给出修复方案。
根据函数签名或接口定义自动生成规范的 API 文档。
为指定函数生成覆盖正常、边界、异常场景的单元测试。
用费曼学习法将复杂概念用通俗语言解释,支持调节难度。
结构化精读学术论文,提取核心观点、方法、贡献与局限。
模拟面试官针对指定岗位追问,并给出反馈与改进建议。
将会议录音转写文本整理为结构化纪要,提取决议与待办。
根据要点快速生成正式/非正式邮件,支持中英文。
将复杂任务拆解为可执行的子任务,并估算工时与依赖。
生成符合小红书风格的种草文案,含标题、正文、话题标签。
一次生成多版广告文案,便于 A/B 测试优选。
围绕目标关键词生成 SEO 友好的长文,含结构化标记建议。
从数据表格或描述中提取洞察、异常与行动建议。
根据自然语言需求生成 SQL 查询,含表结构理解与优化建议。
围绕调研目标生成结构化问卷,含题型设计与分析框架。
根据代码 diff 自动生成符合 Conventional Commits 规范的提交信息。
根据任务描述自动生成 Few-shot Prompting 所需的输入-输出示例对。
分析现有 Prompt 的不足并优化,提升输出质量与稳定性。
根据功能描述生成结构化 PRD,含用户故事、验收标准、优先级与里程碑。
基于用户行为数据或访谈记录,生成结构化用户画像,含痛点、需求与场景。
分析 SQL 查询的性能瓶颈,给出索引建议、改写方案与执行计划解读。
生成符合搜索引擎最佳实践的标题,控制字符数、关键词位置与点击吸引力。
生成 155-160 字符的 SEO meta description,包含关键词与行动号召。
根据代码语言与项目类型生成结构化代码审查清单,含严重度标注。
根据竞品信息生成结构化竞品分析报告,含 SWOT、功能对比与策略建议。
把会议录音转录稿整理为结构化纪要,含决议、待办与责任人。
把一篇内容改写为多个平台适配的版本(公众号/小红书/微博/知乎)。
根据岗位要求生成结构化简历评分卡,含四大维度权重与红旗信号检测。
基于候选人简历定制化生成面试问题,含技术深挖、项目经验与软技能考察。
根据员工绩效数据生成绩效评估报告,含评分、优势、改进与发展建议。
识别合同中的商业、法律、操作、合规四类风险,标注严重度与修改建议。
基于调研数据生成结构化研究报告,含背景、方法、发现、建议与引用。
根据邮件目的与要点生成专业邮件,含主题、正文、行动号召与签名。
根据产品概念与用户调研生成结构化 PRD,含用户故事、功能优先级与验收标准。
根据用户画像与场景生成用户旅程图,含触点、情绪、痛点与设计机会。
生成完整的设计系统规格文档,含色彩、字体、间距、组件定义。
从源文档提取专业术语并翻译为多语言,生成结构化术语表。
基于术语表与上下文做高质量翻译,保持术语一致与风格统一。
根据代码与项目规范生成结构化代码审查清单,含评分与改进建议。
把复杂任务自动拆解为多步 Prompt 链路,明确每步输入输出与重试策略,适用于内容生产、代码生成等长链路场景。
基于检索到的资料片段回答问题,强制标注引用来源,不知道就说不知道,有效抑制幻觉。
把模糊的业务现象(如"利润下降")拆解为 5 个可量化验证的子问题,每个给出假设、SQL 思路与预期影响方向。
分析 LLM 调用场景,识别可缓存前缀,估算缓存前后成本,给出失效条件与刷新策略,适配 Claude/GPT 不同缓存机制。
读取源码中的 API 定义,自动生成结构化文档:签名、参数表、返回值、可运行示例、注意事项。适合批量生成 SDK 文档。
把版本间的 Breaking Changes 分类整理,生成包含"旧→新"代码对比、影响评估、FAQ 的迁移指南,适合大版本升级文档。
把一次性 Prompt 改造为可复用的参数化模板:识别可变部分抽成变量,稳定部分固化,设计变量清单与默认值,输出可被模板引擎调用的标准模板。
把业务人员的自然语言提问转成可执行的 SQL,自动适配表结构与字段,含安全约束(只读、禁 DROP、LIMIT 默认)与结果预览说明。
对 PR diff 按 5 维度(安全/性能/逻辑/可维护/测试)打 0-3 分,输出风险总分、高风险项清单(含行号与修复建议)、是否建议人工复审的量化判断。
为两个 Prompt 版本设计 A/B 测试:识别核心差异、设计测试任务集、选定评估指标、计算样本量、给出统计显著性判断方法,让 Prompt 迭代从感觉驱动变数据驱动。
从需求文档批量生成测试用例,覆盖等价类/边界值/场景法/错误推测/正交实验五种方法,每条带前置条件、步骤、预期结果、优先级、方法标注与依据。
读取 Notion 页面内容,提取核心信息、待办、决策、关键数据,输出结构化摘要,并可选回写到指定摘要库,让长文档变可检索的结构化知识。
为 Prompt 设计版本管理方案:语义化版本号、变更记录规范、灰度发布流程、回滚决策树,让 Prompt 像代码一样可追溯、可对比、可回滚。
从竞品资料批量生成对比矩阵:固定维度横向对比、优势劣势分析、差异化机会与竞争威胁挖掘、蓝海空间识别,输出可直接回写 Notion 的结构化报告。
根据硬件条件(内存/GPU)和使用场景(聊天/编码/RAG),生成本地模型运行配置:Ollama Modelfile、LM Studio 参数、模型选型建议与量化等级选择。
分析 Prompt 的 Token 成本:估算消耗、识别可压缩/可缓存/可路由部分、给出优化后版本与成本对比,让 API 账单从黑盒变可控,目标砍掉 70% 成本。
从错误日志和代码推演 Bug 根因:过滤日志噪音、提取关键堆栈、定位可疑代码、三层根因分析(直接原因/触发条件/为何未暴露)、生成验证假设与修复方案(临时止血+长期根治)。
从产品需求规划 MVP 技术架构:选技术栈、拆模块、定数据模型、设计 API、画部署图、估算成本,输出可执行的全栈方案,让 MVP 一周内可跑起来。
对 Prompt 变更做回归测试:新旧版同跑黄金测试集,按事实/格式/安全三维度打分,标记回归项,给出"通过/有条件通过/阻塞"的上线结论,防止改一个词把好行为改没了。
从慢查询、代码、前端 trace 三处信息分层定位性能瓶颈:DB 层找 Seq Scan/N+1,接口层找串行调用,前端层找 LCP/长任务,输出分层根因、验证假设与分阶段优化方案,让"系统变慢了"不再靠经验拍脑袋。
把一句模糊需求拆成 Agent 可执行的 plan:阶段划分(探索/实施/验证/收尾)、每阶段的工具调用与 checkpoint、依赖顺序、回滚点、验收标准。输出直接喂给 /plan 或 /goal,让长任务 Agent 不跑偏、可回退。
从 Agent 的 append-only 事件日志(如 Muse Code 的 .jsonl session 日志)提取异常模式与改进点:失败步骤聚类、平均恢复次数、上下文增长曲线、subagent 冲突热点,输出性能瓶颈、稳定性问题和优化建议,让长任务 Agent 越用越稳。
把零散的事故记录整理成一份结构化、可追责、可落地的复盘报告:事件概述、影响范围、时间线、根因分析(5 Why)、分类定性、改进措施与责任人,遵循 blameless culture(对事不对人)原则。
根据任务描述自动生成带正例要求+反例约束+边界红线+对比对撞的四件套结构化 Prompt,解决"模型总踩你没想到的坑"的问题,让输出稳定性从 70% 提至 95%。
针对 jQuery/老 Vue/AngularJS 等祖传前端项目,自动梳理页面清单、全局依赖关系、风险分层与迁移顺序,输出 4 天窗口内可执行的迁移计划(骨架/样板页/批量/兜底),附每页的等价迁移 Prompt 模板。
把一句模糊的"我想做个XX"想法,改写成适合 Qoder 智能体工作台 / Cursor / Bolt.new 等 Agent 平台消费的高质量任务描述:选对模式、补全背景、定义验收、约束不要做什么,首话成功率从 30% 提至 80%。
不会写 Prompt?让 AI 帮你写。你只需用自然语言描述需求,这个模板会让 AI 扮演资深 Prompt Engineer,生成一个包含角色定义、任务说明、输入变量、输出格式、约束条件和自检清单的完整 Prompt。支持指定目标模型和输出格式。
从代码或函数签名中自动生成 API 文档。输入函数/接口代码,AI 会提取端点路径、HTTP 方法、请求参数(含类型和必填)、响应结构、错误码,输出标准 Markdown 格式的 API 文档,附带请求/响应示例。
让 AI 分析抓取到的网页内容,自动提取关键信息、结构化数据、生成摘要和对比表格。支持多网页内容聚合分析,输出结构化对比报告。适合配合 Fetch MCP 或网页抓取工具使用。
让 AI 先输出初稿,再以批评者身份审视自己的初稿找出问题,最后根据批评意见修订。如此反复 2-3 轮,零样本即可提升输出质量 30%+。内置止损机制防止"越改越差"。
输入一条监控告警信息,AI 会自动分诊:判定告警级别(P0-P3)、识别是否为误报、推断可能的根因、给出处置建议。支持 Prometheus/Grafana 格式的告警 JSON。适合 SRE 和运维团队使用。
输入 Redis 键名和数据结构,AI 会分析数据分布、发现异常模式、给出优化建议。支持 String/Hash/List/Set/ZSet 五大数据类型的分析。适合配合 Redis MCP 做数据巡检。
让 AI 先制定分步计划再按计划逐步执行的提示模板。比单纯"Let's think step by step"更系统化,防止跳步和遗漏。内置计划→执行→验证三阶段,支持自检和回溯修正。在数学推理、多步骤代码生成、项目规划等场景提升 10%+ 准确率。
输入日志片段,AI 会识别超出常规 ERROR/WARN 之外的隐藏异常模式。包括:时序异常(时间间隔突变)、语义异常(含错误关键词的 INFO 日志)、频率异常(同一日志突增)、关联异常(跨服务因果链)。输出结构化异常报告,含异常类型、严重度、可能根因。适合配合 ELK/Loki 使用。
输入容器状态和日志信息,AI 会自动诊断容器故障根因。支持识别 OOMKilled、CrashLoopBackOff、镜像问题、网络隔离、资源不足、配置错误等常见容器问题。输出诊断报告含故障类型、根因分析、修复步骤和预防建议。适合配合 Docker MCP 使用。
把你原本平淡的任务指令,改写为带有情感刺激语(重要性声明 / 鼓励 / 适度压力)的增强版 Prompt。基于 Microsoft Research 的情感提示研究,用一句"这对我很重要"往往能把准确率拉高 8-10%,尤其适合数学推理、逻辑分析和长文生成。
输入 Sentry issue 列表或单个 issue 的堆栈信息,AI 自动完成严重度分级(P0-P3)、根因推断、影响面评估和修复优先级排序。适合配合 Sentry MCP 使用,把每周几十条线上异常压缩成一份可直接执行的修复清单。
把 MySQL / Oracle / SQL Server 的 SQL、存储过程、触发器、建表语句转换为目标数据库(如 PostgreSQL)方言。输出可直接执行的转换结果 + 逐条差异说明 + 风险提示,覆盖数据类型映射、自增主键、分页语法、字符串函数、日期函数、UPSERT 等高频坑。
把 Agent 工具调用日志按"风险/合规/成本/必要性"四维逐条评分,输出结构化审计报告与降级建议。让 prompt injection / 越权调用 / 重复浪费 / 不必要工具调用的失控行踪一表可查,配合 Artifactory MCP 形成 Agent 治理闭环。
把一段「我想让 AI 自动处理音视频」的模糊需求,拆成可落地的多模态流水线:切片策略、每段 prompt、并发度、成本测算、失败重试与断点续传方案。针对 Qwen3.8-Omni-Flash / Gemini 等全模态模型优化,重点解决长上下文中间遗失、时间戳漂移、FFI 大对象传输三个高频坑。
扫描项目结构与技术栈,产出一份能被 Claude Code / Codex / Cursor / Trae 同时读取的 AGENTS.md。按 8 个标准区块组织(技术栈钉版本 / 常用命令可复制 / 代码规范 / 测试要求 / 架构速览 / 禁区带原因 / 工作流 / 环境说明),根目录控制在 150 行内,并给出子目录分层配置建议与 CI 防分裂校验。
把一句模糊需求转成「边界—契约—任务—验收」四段式开发任务书,自带 BLOCKER 停止机制、范围外清单与逐条可执行验收命令,杜绝 AI 直接吐 2000 行脚手架。
把一次 Agent 任务的完整调用链路(步骤名、模型、token、重试次数)丢给 AI,输出成本归因表、模型路由表、Prompt 缓存改造点、上下文预算,以及一份带回滚红线的灰度方案。用于解决「Demo 便宜、上线贵、规模化后账单涨 10 倍」的 Agent 成本失控问题。
为「会实际操作电脑/数据库/生产环境」的 Agent 设计一套可落地的权限治理方案:四象限动作分类、五道闸门、影响面预算、熔断红线。解决 RBAC 在 Agent 场景下失效的问题——Agent 拿着一个人的全部权限,却不受「知道后果 / 会被追责 / 动作离散」这三条人类前提的约束。
当 Agent 造成了实际损害(越权、数据外泄、跨境采集、误操作)时,用这个模板完成三件事:四层责任链(模型厂商 / 平台方 / 部署方 / 审批人)的客观划分、事故响应的 7 天处置流程、以及一份能作为「已尽合理注意义务」证据的整改方案。核心判断法是:谁有能力阻止事故,谁承担主要责任。
当一个 Agent 平台把所有调用都打给最贵模型时,一次 40 次调用的任务里往往只有 4 次真正需要贵模型,却吃掉 80% 以上的成本。用这个模板对每个任务做 D0-D4 五级难度判定,输出应走的模型档位、置信度、风险标记与失败后的升档策略,再配合规则前置(有 schema / 阶段名 / 上下文长度)把判定成本压到总支出的 2% 以内。适合月模型支出超过 3 万元、任务类型 heterogeneous 的团队做降本第一步。
把一次跨文件的代码改动翻译成一张可核销的锚点账:先输出全部命中点的四元组清单(编号 / 文件 / 行号 / 符号串)并按「直接改 / 连带改 / 动态引用 / 跳过并给理由」分类,再按依赖拓扑排出分批执行顺序,最后给出反向校验方案与无法解释残留的验收口径。适用于重命名、API 改名、字段改名、依赖升级、跨包迁移等涉及 5 个以上文件的改动。核心价值不是让 AI 改得更快,而是让「改完了」从主观判断变成可以验证的零残留。
把「让 AI 评审我的 PR」这件模糊的事,翻译成一张可落地的三道闸门清单:风险分级规则(哪些 PR 只跑机械扫描、哪些必须走深度审查)、第一道闸门的拦截条件(保守阈值,宁可漏不可误报)、第二道闸门的结构化输出格式(severity + confidence + uncertainty + coverage.not_checked 四件套)。核心价值是置信度体系——AI 评审被团队抵制的头号原因不是能力不够,是它不敢说「这里我没把握」,导致正确的意见也被一并怀疑。适用于已经试过 AI 评审但误报太多被团队吐槽、或 PR 堆积导致评审成为交付瓶颈的团队。
把一句模糊需求转成 Agent 可执行、可验收的任务规格书。核心是产出「范围外清单 + 可判定验收标准 + 验收命令 + 回滚方式」四件套——这是 AI 编码返工率治理的第一步,实测能把一次通过率从 38% 拉到 46%。关键设计是只写验收不写实现:规定越细,Agent 注意力越被摊薄、通过率反而下降。