prompts.chat 解读：17 万 Star 开源提示词库怎么用

它是什么

prompts.chat 前身是 Awesome ChatGPT Prompts，仓库创建于 2022 年 12 月 5 日，是提示词工程领域最早的开源集合之一。作者 Fatih Kadir Akın（GitHub 用户名 f）是 WordPress/Automattic 的开发者布道师，也是 GitHub Stars 项目成员。截至 2026 年 9 月 23 日，仓库有 170,992 个 Star、约 2.2 万个 Fork（GitHub API 实测），README 自称"全球最大的开源提示词库"。

这个体量带来的是一整套背书，README 页面都给了出处：Forbes 在 2023 年 1 月报道过它；哈佛大学 IT 部门和哥伦比亚大学的教学指南引用了它；Google Scholar 上有 40 多篇论文引用；Hugging Face 上同名数据集是最受喜欢的数据集之一；GitHub 官方 Staff Pick 也收录了它。OpenAI 联合创始人 Greg Brockman 和 Wojciech Zaremba、Hugging Face CEO Clement Delangue、前 GitHub CEO Thomas Dohmke 都在 X 上公开提过这个项目。

比背书更值得注意的是另一件事：今天提示词写作里最常见的"I want you to act as a …"（扮演某个角色）开头，正是从这个仓库推广开的。它把"给 AI 分配角色 + 约束输出格式 + 给出第一句话"固定成了可复制的模板，后来的提示词库大多沿用了这个写法。

四种使用方式

网页直接用

最省事的入口是 prompts.chat/prompts，按分类浏览，选中后复制到任意对话模型里。提示词原文对模型没有偏好，ChatGPT、Claude、Gemini、Llama、Mistral 都能用——README 首页也按这个口径列了支持模型。

CLI 命令行工具

npx prompts.chat

启动一个终端交互界面，可以搜索、浏览提示词，适合不想离开终端的开发者。

Claude Code 插件

项目提供官方 Claude Code 插件，安装分两步（在 Claude Code 会话里执行）：

/plugin marketplace add f/prompts.chat
/plugin install [email protected]

装上之后不只有搜索：/prompts.chat:prompts <关键词> 直接搜提示词，/prompts.chat:skills <关键词> 搜技能，两者都支持 --type IMAGE、--category coding、--tag productivity 这类过滤参数；另有 Prompt Manager 和 Skill Manager 两个 Agent 处理多步骤任务。细节见仓库的 CLAUDE-PLUGIN.md。

MCP 服务器

prompts.chat 也可以作为 MCP（Model Context Protocol）服务器接入任意支持该协议的工具。远程模式只要一个 URL：

{
  "mcpServers": {
    "prompts.chat": {
      "url": "https://prompts.chat/api/mcp"
    }
  }
}

本地模式走 npx：

{
  "mcpServers": {
    "prompts.chat": {
      "command": "npx",
      "args": ["-y", "prompts.chat", "mcp"]
    }
  }
}

库里有什么

数据规模与格式

仓库主文件 prompts.csv 收录 2,169 条提示词（2026 年 9 月 23 日导出统计），type 字段分三类：纯文本提示词 1,836 条、结构化提示词 312 条、图像提示词 21 条。数据同时发布在 Hugging Face 和全量 Markdown 文件 PROMPTS.md 里，方便直接喂给程序。

提示词里的占位符有自己的约定：${变量名} 或 ${变量名:默认值}，例如面试官提示词里的 ${Position:Software Developer}。网站还能识别 [[name]]、{{name}}、[NAME]、%name% 这些常见写法并自动转换成统一格式（源码 src/lib/variable-detection.ts），所以从别处抄来的提示词不用手工改占位符。

分类

线上分类页（prompts.chat/categories）有 44 个主题分类，粒度比早期版本细得多。2026 年 9 月下旬各分类的量级大致是：图像生成（Image Generation）410 条最多，其后是 Vibe Coding 103 条、Web 开发 93 条、Agent Skill 88 条、营销 38 条、设计 36 条、视频生成 35 条、数据科学 29 条。写作、教育、商业、效率、健康等场景也各有独立分类。

一条提示词长什么样

以库里最早的 Linux Terminal 提示词为例，写法是三段式：先指定角色（“I want you to act as a linux terminal”），再约束输出（只回复终端输出、放在代码块里、不解释），最后用一句 my first command is pwd 启动对话。这套结构简单，但把"AI 应该怎么响应"交代得足够具体，是库里大多数提示词的共同骨架。

配套的免费教程

项目配套了一本免费的交互式提示词教程 The Interactive Book of Prompting，25 个以上章节，从基础写法讲到 Chain-of-Thought（思维链）、Few-Shot Learning（少样本学习）和 AI Agent。教程源码就在仓库的 src/content/book 目录，MIT 许可证适用。

自托管部署

自托管是企业内部提示词库的主要用法：数据不出内网，品牌和分类可以定制。

快速开始

npx prompts.chat new my-prompt-library
cd my-prompt-library

手动安装

git clone https://github.com/f/prompts.chat.git
cd prompts.chat
npm install && npm run setup

设置向导会配置品牌、主题、登录方式（GitHub / Google / Azure AD）和功能开关。

部署后可以调什么

• 数据库：PostgreSQL，README 推荐 Neon 的托管实例。
• 运行时定制：Docker 部署可以通过 PCHAT_ 前缀的环境变量覆盖配置（站点名称、主题色、登录方式、功能开关等），改配置不需要重新构建镜像。
• 功能开关：私有提示词、变更请求、分类、标签、评论默认开启，AI 搜索和 AI 生成默认关闭，都可以按需切换。
• 文档：完整指南见 SELF-HOSTING.md 和 DOCKER.md。

贡献与许可

提交提示词有两个入口：网页 prompts.chat/prompts/new 填表后自动同步到 GitHub 仓库；或者走常规的 GitHub PR。

许可证分两块，用途不同时要看清楚：

提示词内容按 CC0 发布，做商业产品不用操心版权链路，这是它对比很多提示词站点的实际优势。

Kids 专区

prompts.chat/kids 是给 8 到 14 岁孩子的游戏化 AI 入门：用谜题和互动故事练习"怎么把话说清楚"，角色叫 Promi。做成了闯关形式，成人陪同使用更稳妥。

采用建议

• 找提示词直接用：网页搜索就够了，分类粒度细，复制即走。
• 团队内部建提示词库：自托管是正经卖点，双许可证扫清了合规障碍，PCHAT_ 环境变量降低了运维成本。
• 给 Agent 工具接数据源：MCP 服务器和 Claude Code 插件让提示词检索嵌进工作流，不用切窗口。
• 想学提示词工程：先读配套教程，再用库里的提示词对照着改——库由社区贡献，质量有高有低，照单全收不如挑着看。
• 介意数字时效的读者：Star 数、分类数量这类数字随时间变化，以 GitHub API 和官网实时数据为准。

自测题

1. prompts.chat 的前身是什么？

   点击查看答案

   Awesome ChatGPT Prompts，仓库创建于 2022 年 12 月。

2. 提示词里的变量怎么写？

   点击查看答案

   `${变量名}` 或 `${变量名:默认值}`；`{{name}}`、`[[name]]` 等常见写法会被网站自动转换。

3. 两种许可证各管什么？

   点击查看答案

   源代码和站点自有内容（含教程）用 MIT；提示词数据（prompts.csv、PROMPTS.md、用户提交）用 CC0 1.0，进入公有领域，无需署名。

4. MCP 远程模式的接入点是什么？

   点击查看答案

   `https://prompts.chat/api/mcp`，配置在工具的 `mcpServers` 里；本地模式用 `npx -y prompts.chat mcp`。

5. 自托管用什么数据库？

   点击查看答案

   PostgreSQL，README 推荐 Neon 托管实例；Docker 部署可用 `PCHAT_` 环境变量做运行时定制。

练习

练习 1：用 CLI 搜一条提示词

1. 运行 npx prompts.chat，在交互界面里搜索 “code review”
2. 挑一条提示词，注意它的 ${变量} 占位符，换成你自己的场景
3. 粘贴到任意对话模型里，观察输出是否符合提示词的约束

练习 2：接入 MCP 服务器

1. 在 Claude Desktop 的 MCP 配置里加上远程模式（URL 见自测题第 4 题）
2. 重启后用自然语言让它"搜一条关于写作的提示词"，确认数据来自 prompts.chat

练习 3：跑一个自托管实例

1. git clone https://github.com/f/prompts.chat.git && cd prompts.chat
2. npm install && npm run setup，跟着向导完成配置
3. 启动后试着改一个 PCHAT_ 环境变量，观察配置如何生效

进阶路径

1. 读教程：The Interactive Book of Prompting，重点看 Chain-of-Thought 和 Few-Shot 两章
2. 拆结构：挑 10 条同一分类的高赞提示词，对比它们的角色定义和输出约束写法
3. 读源码：src/lib/variable-detection.ts 展示了变量识别的工程实现，src/lib/similarity.ts 是相似提示词的去重逻辑
4. 搭私库：按 SELF-HOSTING.md 部署，再对照 src/lib/config/index.ts 把功能开关调成团队需要的形态
5. 学协议：如果要在自有产品里接 MCP，参考仓库的 MCP 实现和 API 文档

相关资源

结语

prompts.chat 的价值分两层。历史层面，它把"Act as …“写成模板并推广开，是 2022 年底那波提示词热潮里留存下来的少数项目。实用层面，它今天仍然在维护：数据每周在更新，CLI、插件、MCP 三条接入路径覆盖了从个人到团队再到 Agent 工作流的场景，CC0 许可证让数据可以放心拿去用。要挑毛病，社区贡献的提示词质量参差，老提示词对新模型未必还是最优写法——把它当素材库和参考实现，而不是标准答案，是更合适的用法。