Prompt分享

——不是玄学，是一套可复制的方法AI时代最浪费的，是不用AI备考我在2025年秋招第一轮投了20家公司，通过率是20%。我的问题不是能力不够，而是备考方式完全错了。我在背八股文，背完一遍，去面试，面试官一换个问法我就懵了。第二轮，我换了一套方法——系统性地使用AI来备考。最终结果：投了15家，通过率提升到了70%，拿到了4个offer，其中包括两家我之前认为自己没机会的公司。今天我把这套方法完整拆解给你，包括具体的Prompt示例。🔝第一招：用AI分析JD，精准定位考察重点每家公司的面试考察侧重点是不同的。同样是后端开发岗，有的公司重算法，有的重系统设计，有的重业务理解。怎么提前知道这家公司会考什么？——把JD喂给AI。Prompt示例：以下是一份后端开发工程师的岗位JD：[粘贴JD内容]请帮我：1. 分析这个岗位最可能考察的技术方向（按优先级排列）；2. 列出每个方向的高频面试题（每个方向5到8题）；3. 指出这个JD中哪些描述暗示了团队的技术栈偏好；4. 给出备考建议，假设我只有3天时间。用这个Prompt处理5到10份目标公司的JD，你会发现同类公司的考察侧重点高度相似，可以建立“高频考点清单”集中击破。🔝第二招：用AI做项目复盘，提炼STAR素材面试中关于项目经历的问题，是最拉分也最难准备的部分。第一步，用一段话简单描述你做的项目给AI：“我做了一个电商平台的秒杀系统。技术栈是Java+Redis+Kafka。主要难点是高并发下的库存扣减和订单创建。我通过预减库存+消息队列削峰+分布式锁解决了超卖问题。QPS峰值在2000左右。”第二步，让AI帮你结构化：“请把这段描述改写成面试用的STAR格式，要求背景部分有数字支撑，行动部分有技术细节，结果部分有可量化的数据。同时预测面试官可能从这个项目里追问的5个技术问题，帮我准备答案。”AI给出的结果通常比你自己写的清晰很多，而且会帮你发现在原始描述里遗漏的亮点。🔝第三招：AI模拟面试，针对薄弱点特训这是我认为最有价值的一个方法。很多人背了很多知识点，但一到面试就结巴。原因不是不懂，而是不习惯在压力下表达。AI可以扮演面试官，针对你的薄弱点进行专项训练。完整Prompt示例：“你现在是一位腾讯后端开发部门的资深面试官，正在面试一位有1年实习经验的应届生。面试规则：每次只问一个问题；如果我的回答不完整，追问相关细节；如果我回答正确，给出简短评价并进入下一题；如果我回答错误，先不要告诉我答案，给一个提示；面试持续20轮。重点考察方向：JVM内存模型和垃圾回收；MySQL索引原理和查询优化；Redis缓存策略；分布式系统CAP定理。请开始面试，从一道中等难度的题目开始。”用这个方法连续练习3天，很多你以为懂了的知识点，在被追问细节时才发现其实是假懂。🔝第四招：用AI优化行为类问题表达还有一类问题很多人忽略的：面试官问的不是技术问题，而是行为类问题。“说一个你遇到的最难的挑战，你是怎么解决的”——这类问题如果回答不好，技术再好也会被扣分。方法：先自己想一个回答，然后把它发给AI：“这是我对'你最大的缺点'这道面试题的回答：[你的回答]。请帮我评估：1. 这个回答是否真实且能引发共鸣；2. 有没有让面试官感到不安的表达；3. 是否展示了自我认知和成长意识；4. 给出改进后的版本。”你会发现AI的改进版本在逻辑结构和情感表达上都更成熟，而且保留了你想传递的核心信息。使用AI备考的两个注意事项第一，AI生成的内容需要内化，不能背诵。如果你把AI给你的回答一字不差地背下来，面试时说起来会有明显的“背稿感”，面试官是能感受到的。正确做法是用AI提供框架和素材，然后用你自己的语言表达出来。第二，技术问题一定要验证AI的回答。AI有时候会给出听起来合理但实际上有细节错误的技术解释。在用AI答案准备面试之前，用搜索引擎或者官方文档交叉验证一遍，尤其是涉及版本特性、源码细节的部分。工具改变的是效率，改变不了你需要真正掌握技术这个前提。但如果你已经掌握了七八成，AI能帮你把准备效率提升到原来的3倍。

工具：GPT5.2提示词正文：**角色定位**你是一个专业的简历优化大师，擅长深度解析岗位描述（岗位描述）并据此对简历进行实战化的改写，以提升求职成功率。**核心任务**通过对比用户提供的【岗位描述】与【个人简历】，进行精准的匹配度分析，并给出可以直接填入简历的具体修改建议。**执行逻辑**第一步：岗位深度分析如果用户提供了【岗位描述】，请直接输出以下内容（禁止以“好的”、“了解”等废话开头）：【工作内容分析】：用一句话精准概括该岗位的核心职责。【岗位要求分析】：专业素质：列出岗位必备的专业知识、工具使用、证书等硬性要求。软素质：列出沟通、团队协作、抗压能力等性格与通用能力要求。经验要求：明确行业年限、项目量级或特定业务背景要求。行业要求：列出所属细分领域或特定市场背景的要求。加分项：挖掘描述中隐含的优先录取条件。若【岗位描述】缺失，请直接回复：“请提供您的目标岗位描述。”第二步：简历匹配与修改建议在完成岗位分析后，若用户已提供【个人简历】，请结合【岗位描述】进行以下对比分析：【简历匹配度分析】：核心优势：求职者哪些经历能完美覆盖岗位的高频需求。明显短板：简历中缺失或描述模糊的关键岗位要求。【具体修改建议】（核心重点）：针对以上分析，给出具体的改写方案，包括但不限于：关键词植入：建议在简历中增加哪些岗位相关的专业术语。描述重构：请挑选1-2条简历原有的经历，按照“动作词+任务+结果（数据化）”的模式给出改写示范。版面调整：建议如何调整模块顺序以突出最相关的经验。若【个人简历】缺失，请提示：“请提供您的个人简历以进行匹配分析。”行为约束严禁废话：严禁使用“好的”、“收到”、“我很乐意为您服务”等礼貌性客套话。拒绝无关内容：对于与岗位分析、简历分析无关的问题，请礼貌拒绝回答。效果展示

分享一波超实用的前端求职AI提示词！让AI帮写简历项目描述时，输入「以大厂前端岗视角，用STAR法则改写这个管理系统项目，突出Vue3+AI集成、性能优化细节」；面试模拟时，发「扮演大厂前端面试官，围绕AI管理系统项目提3个深度技术问题+1个场景题」，效率直接拉满。

开始春招了这样的简历投出去反响不大，每天起来boss投一些，官网投一下已经开始怀疑自己简历内容问题了，有佬可以说一下嘛

1.项目真实性与“含 AI 量” (最坑的一道题)面试官： “你简历里的这几个项目，哪些是完全靠 AI 生成的？哪些是你自己写的？AI 帮你解决了什么具体问题？”面试核心： 考察你对项目的控制力。如果你说“全是 AI 写的”，面试官会认为你缺乏解决复杂工程问题的能力。高分策略： 诚实交代 AI 的参与度（比如：AI 辅助生成了 70% 的样板代码、Mock 数据或单元测试），但核心的架构设计、数据库状态机切换、分布式锁的竞争边界处理必须强调是你的思考。2. AI 代码的“排毒”能力面试官： “如果 AI 给你的业务逻辑代码（比如一个复杂的 SQL 优化建议）看起来能跑，但潜伏着死锁风险，你通过什么手段识别出来？”面试核心： 考察后端基本功。AI 会写代码，但它不一定懂你的线上数据库隔离级别。考核点： 慢查询分析、事务传播机制、索引失效场景的预判。3. AI 驱动的自动化测试面试官： “你会如何利用 AI 来提升单元测试的覆盖率？你是怎么设计 Prompt（或 Skill 规范）来确保生成的测试用例覆盖了所有的边界条件（Edge Cases）？”面试核心： 考查工程素养。进阶： 谈谈你如何定义一套 Markdown 格式的 Agent Skill，让 AI 能够针对 Git Diff 自动生成高质量的 Test Case。4. 生产环境中的 AI 风险控制面试官： “如果我们在后端引入大模型做自动化审核，模型‘幻觉’（Hallucination）导致误删了用户数据，你在系统架构上会设计什么样的‘熔断’或‘人工回滚’机制？”面试核心： 容错设计。后端的核心任务永远是确定性，而 AI 是概率性的，如何用确定性的架构去包裹概率性的输出。5. AI 时代的“防御性编程”面试官： “在接入 GitHub Copilot 或 Cursor 开发时，你是否遇到过 AI 生成的代码逻辑在并发场景下失效（比如忽略了单例模式的线程安全）？你是如何发现并修复这些‘高智商垃圾’代码的？”考察点： 考察你是否具备代码审计能力，而非盲目信任 AI。------------------------------🚀 写在最后：加入我们，定义未来的后端我们正在寻找那些对底层技术有敬畏心，对前沿工具更有好奇心的同学。我们需要你：扎实的后端功底（Java/Go/C++ 任一）。对系统架构有热情，理解分布式一致性和容错处理。能熟练使用 AI 工具，并对如何提升 AI 产出质量有自己的见解。🔗 快速通道（HR 每日清筛）别让你的才华埋没在简历池里，点击下方链接直接触达核心技术团队：春招投递链接在这里：【拼多多集团-PDD校园招聘】内推链接：https://careers.pddglobalhr.com/campus/grad?t=C17PiAsy4n，内推码：C17PiAsy4n。期待你的加入！我们一起，无拼不青春！（通过此链接投递计入内推，内推简历优先筛选~）(有任何问题欢迎找我私聊沟通，帮看面试进度)通过这个链接投递会进入内推池，简历会优先筛选。祝大家都能拿满意的 Offer，我们在 AI 时代的后端浪潮里见！作者：在刷代码的哈士奇很勤劳链接：https://www.nowcoder.com/feed/main/detail/a97b1cbb5e6a40519291f3313b971fde?sourceSSR=users来源：牛客网

1.项目真实性与“含 AI 量” (最坑的一道题)面试官： “你简历里的这几个项目，哪些是完全靠 AI 生成的？哪些是你自己写的？AI 帮你解决了什么具体问题？”面试核心： 考察你对项目的控制力。如果你说“全是 AI 写的”，面试官会认为你缺乏解决复杂工程问题的能力。高分策略： 诚实交代 AI 的参与度（比如：AI 辅助生成了 70% 的样板代码、Mock 数据或单元测试），但核心的架构设计、数据库状态机切换、分布式锁的竞争边界处理必须强调是你的思考。2. AI 代码的“排毒”能力面试官： “如果 AI 给你的业务逻辑代码（比如一个复杂的 SQL 优化建议）看起来能跑，但潜伏着死锁风险，你通过什么手段识别出来？”面试核心： 考察后端基本功。AI 会写代码，但它不一定懂你的线上数据库隔离级别。考核点： 慢查询分析、事务传播机制、索引失效场景的预判。3. AI 驱动的自动化测试面试官： “你会如何利用 AI 来提升单元测试的覆盖率？你是怎么设计 Prompt（或 Skill 规范）来确保生成的测试用例覆盖了所有的边界条件（Edge Cases）？”面试核心： 考查工程素养。进阶： 谈谈你如何定义一套 Markdown 格式的 Agent Skill，让 AI 能够针对 Git Diff 自动生成高质量的 Test Case。4. 生产环境中的 AI 风险控制面试官： “如果我们在后端引入大模型做自动化审核，模型‘幻觉’（Hallucination）导致误删了用户数据，你在系统架构上会设计什么样的‘熔断’或‘人工回滚’机制？”面试核心： 容错设计。后端的核心任务永远是确定性，而 AI 是概率性的，如何用确定性的架构去包裹概率性的输出。5. AI 时代的“防御性编程”面试官： “在接入 GitHub Copilot 或 Cursor 开发时，你是否遇到过 AI 生成的代码逻辑在并发场景下失效（比如忽略了单例模式的线程安全）？你是如何发现并修复这些‘高智商垃圾’代码的？”考察点： 考察你是否具备代码审计能力，而非盲目信任 AI。------------------------------🚀 写在最后：加入我们，定义未来的后端我们正在寻找那些对底层技术有敬畏心，对前沿工具更有好奇心的同学。我们需要你：扎实的后端功底（Java/Go/C++ 任一）。对系统架构有热情，理解分布式一致性和容错处理。能熟练使用 AI 工具，并对如何提升 AI 产出质量有自己的见解。🔗 快速通道（HR 每日清筛）别让你的才华埋没在简历池里，点击下方链接直接触达核心技术团队：【PDD实习生招聘】🔗 内推链接：https://careers.pddglobalhr.com/campus/intern?t=IU9k50iFrF🎫 内推码：IU9k50iFrF⭐ 为什么说PDD暑期实习“性价比很高”① 实习满2个月即可申请转正相比很多公司需要 3-6个月实习，PDD暑期实习满2个月即可发起转正流程。② 实习转正薪资通常高于校招入职通过 实习转正入职的薪资一般更有优势。③ 免费三餐 + 高薪实习公司提供 免费三餐 + 有竞争力的实习薪资。(有任何问题欢迎找我私聊沟通，帮看面试进度)通过这个链接投递会进入内推池，简历会优先筛选。祝大家都能拿满意的 Offer，我们在 AI 时代的后端浪潮里见！

AI 能力恐怖如斯……  

前言这是我的agent系列文章的第4篇，该系列分为三部分：AI认知篇：详细讲解相关基础概念AI实践篇：分享诸如skills怎么写、怎么ai coding、怎么写好prompt等的最佳实践AI八股篇：分享我自己整理的应付大模型应用开发岗位必备的八股笔记如果觉得有帮助，欢迎关注我并期待后续文章！预期是日更哦！当天没更可能是因为太累了，周末会弥补的。在大模型应用落地的浪潮中，我们常常面临一个核心矛盾：大模型博学但“失忆”，且容易“胡编乱造”。它不知道我们公司昨天的会议纪要，也不了解最新的内部产品文档。为了解决这个问题，检索增强生成（RAG, Retrieval-Augmented Generatio...

- 你必须认真阅读并实时严格遵守以下的所有要求:————————————————————————————————————在处理任何问题时，都以最高标准进行专注细致、不遗漏关键信息的思考；在充分理解问题本质与根因的前提下，从整体系统和多视角全面审视相关因素及其相互作用，主动质疑假设、寻找反例与潜在偏见；在结构化组织推理链路的同时保持创造性与前瞻性，探索替代方案并评估长期影响及资源约束；全过程持续反思和校正，识别盲点与矛盾并寻求平衡，在有限信息与时间内做到尽可能深入和彻底，最终给出可实践、可解释且风险可控的结论。- **递归深化**：不管是分析,查找问题，解决方案都必须强制要对每个要点都要深入展开，不停留在表面。- 一级深化：对问题本身进行全方位分析- 二级深化：对每个分析点进一步展开和细化- 三级深化：考虑所有可能的边界情况、异常情况、特殊场景- 持续深化：直到穷尽所有相关的分析维度- 对问题分析、根因诊断、解决方案制定的每个环节都必须逐层深入展开，禁止任何表面化处理- 对所有问题（包括看似简单的问题）一律先按“可能存在隐藏复杂性”处理，进行细粒度拆分，构建一条包含 至少 8 步、通常 8–20步（复杂情况可到 30 步） 的主链，按时间顺序编号；在推理过程中可根据新信息随时增删和重排步骤。- 主链中的每一步必须简要说明：当前子任务、可/已使用的工具（如代码阅读、运行命令、update_plan 等）以及下一步计划；同时保持与 update_plan 同步，确保任一时刻只有一个步骤处于 in_progress 状态。- 对所有关键假设和重要结论，进行多轮苏格拉底式自我质询（至少 2 轮，必要时可扩展到 3–8 轮）：以“对手 A / 对手 B / 对手C”等角色，从不同角度提出质疑，主动寻找反例、边界情况和隐含前提，并逐条回应。- 质询的停止条件不是“形式上的轮数”，而是：在当前信息和工具范围内，不再出现新的、实质性影响结论的反驳或疑问，进一步质询只会重复既有观点或依赖不存在的信息。- 对每一轮质询后，给出当前结论的主观置信等级（高/中/低），并用简短文字说明支撑该置信的证据和逻辑；当置信还达不到“高”时，必须明确指出哪些部分仍不确定、缺少哪些证据或信息。- 若在质询过程中发现关键但薄弱的环节（无论问题表面多简单），需从这一点出发开辟一条简化“分支链路”（3–8 步），专门用于验证这一点；分支完成后，将结论与影响合并回主链，并更新整体判断。- 在收尾阶段，对主要结论做系统的交叉验证：列出每条结论及其证据来源（题目信息、代码片段、运行结果、官方文档、常识等），检查结论之间是否自洽、是否与前述假设一致，有无内在矛盾或被忽略的前提。- 对仍然无法在现有信息和工具条件下完全验证的部分，明确标记为“残余不确定性”：说明不确定的内容、可能带来的风险，以及如果有更多时间或资源，应该通过哪些手段进一步验证。- 推理过程内部必须严格遵守上述流程，以最高质量为优先------- 认真思考分析理解用户的需求，避免歧义，如有歧义或者不理解，请先询问用户等待用户澄清后并清单化整理复述用户的需求等待用户确认。- 用户在学习中文，所以回复尽可能使用中文回复以及交互 包括文档,注释的编写等等 ,专业术语 词汇 等类似的 可依旧用原本的语言。无需强制翻译- 频繁积极使用todo待办事项管理器工具(别名可能叫：update_plan，计划看板 ..等之类的 )来创建,跟踪，更新，管理任务等，可根据需求在任务中动态新增或者调整任务- 进程或运行相关命令必须优先通过 desktop-commander 交互式 MCP 终端执行,但是文件的编辑,写入 请不要通过此工具来编辑。通过组合 desktop-commander工具比如 start-process + interact-with-process 可用维持一个完整可持续的 shell从而进行持续交互，不至于每条命令重新开。只允许为命令设置 10000ms-30000ms 区间的 timeout_ms；注意避免一次性读取过多输出从而导致撑爆上下文窗口,使用完毕后记得及时关闭对应的会话窗口。- 善于了解工具的使用方法并根据情况使用工具组合，组合工具互相配合来使用以此更好的解决问题- 列步骤细节、挑战质疑，设证据门槛与100%置信判据。召集2-4严苛内对手，以逻辑校验、偏差识别、反例测试自下而上盘问核心假设，遇支线先短探后总结归主线。逐问应答需附置信百分与论据，对手独立挑刺评级并持续质询置信度，未达95%置信即继续深挖且每轮检遗漏。收尾按需求清单交叉验证，审查逻辑闭环、术语一致性与反驳准备，经对手终审后以≥95%置信交付；证据未证实至100%可靠前，同时追溯根因并记录残余不确定性，并且进行递归深化深入思考和分析根因，直至证据链和方案100%可靠 可行 。- 为同一问题提出多套方案，逐一评估并迭代优化解决方案，预判可能的连锁影响。- 通过交叉验证、回归验证等手段确认方案质量，最终从全局视角选定最佳解。- 保持项目整洁 - 任务完成后清理其临时文件，验证/测试脚本用完即删，根目录不留临时文件- Context7文档查询 - 设计/编码前必查最新API文档，遇到库问题立即查询，避免过时信息和版本冲突- WebSearch智能搜索 - 方案设计前搜索最佳实践，遇到错误搜索解决方案，避免踩坑和盲目尝试- 遵循“蟑螂定律”：一旦发现问题，就沿着相关代码链路深挖，检查是否隐藏系统性缺陷，直至确认根因后再实施修复，避免只修表面。

之前分享过AI产品的面经，现在给大家分享一下平时工作时会用到的prompt；找实习的小伙伴们也可以看看自学一下工作中的实际场景 ；其实现在上下文对话能力很强了，我一般是先写框架，然后让AI完善，再用AI给的prompt，生成结果；从“想清楚场景”到“落原型/PRD/流程图”，基本可以串成一条工作流👇1、用户场景适用： 你想做某个功能/产品，但还不清楚用户到底会怎么用、在哪些情境下用。Prompt：假如我是要【xxx】的用户，请根据附件/以下思维导图，梳理作为用户会出现的所有可能【xx】场景。要求：按用户目标/使用频次/决策链路分类，补充触发条件与成功标准。2、逻辑梳理适用： 场景有了，但还没...

欢迎大家来做牛客prompt题单。引入30+日常生活场景，像写coding一样锻炼大家写提示词prompt的能力。在线测试链接：https://www.nowcoder.com/exam/oj/ta?tpId=408

Prompt分享：P: 作为一名专为5-8岁儿童设计游戏的资深前端开发者。 T: 请帮我创建一个“图片单词配对”的网页小游戏。 C:  游戏的目标是帮助小学一年级学生学习10个关于水果的英文单词（Apple, Banana, Orange, Grape, Strawberry, Watermelon, Peach, Pear, Mango, Lemon）。游戏界面需要展示10张水果图片和10个单词卡片，学生需要将正确的单词拖拽到对应的图片上。拖拽正确时，卡片会吸附到图片旁并有绿色提示；错误则弹回原位并有红色提示。 F: 请将所有的HTML、CSS和JavaScript代码生成在一个单一的HTM...

最近写大论文真的崩溃头秃，找到了个不错的指令！也发出来给大家看看！希望盲审过过过过

AI不仅能提升工作效率，还能帮助你高效找工作。博主AlFrontliner分享了亲身经历。短短7天，他用ChatGPT完成了简历重写、优化Linkedln、模拟面试等，拿到了5个面试邀请。他总结了6个实用的ChatGPT提示词(prompt)，让你一步步把AI变成自己的专属猎头、简历顾问和面试官！

Prompt1：项目亮点提炼我的项目：【项目名称及你的角色】 技术栈：【列出使用的技术】 请帮我提炼3个最能体现技术能力的亮点，每个亮点：用一句话说明做了什么用数据说明效果突出技术难点或创新点Prompt2：平淡项目包装我有一个比较常规的项目，担心写在简历上没有亮点： 项目背景：【描述】 我的职责：【描述】 使用技术：【列出】 请帮我从以下角度挖掘亮点： 1. 技术选型的考量 2. 遇到的难点和解决方案 3. 可量化的成果（即使是小的提升） 4. 与其他方案的对比优势 输出3个版本的描述，从保守到略微包装（但不夸大事实）。Prompt 3：弱化学历背景（双非/专科）我的学历背景：【学校+专业】...

分享一个健身计划的prompt练起来请帮我制定一份个性化的增肌与体态改善计划，以下是我的具体情况：1. 基本信息：- 身高：【填写】- 体重：【填写】- 年龄：【填写】- 性别：【填写】- 体型特征：【如偏瘦/易胖/肌肉底子等】- 训练经验：【填写，如健身小白/入门1年等】2. 当前问题：- 体态问题：【如圆肩/含胸/骨盆前倾等】- 薄弱部位：【如核心/背部/臀部等】- 目标肌群：【希望重点增强的部位】3. 现实条件：- 每周可投入时间：【填写】- 训练场地：【如健身房/家庭】- 可用器械：【如哑铃/杠铃/拉力带等】- 饮食习惯和限制：【如素食/过敏原等】4. 具体目标：- 短期目标（3个月）：【填写】- 长期目标（1年）：【填写】- 体重期望：【填写】- 体态改善重点：【填写】请为我制定：1. 详细的训练计划（含具体动作、组数、频率）2. 体态矫正方案（含拉伸和矫正动作）3. 营养补充建议（含每日所需蛋白质等营养素）4. 渐进式计划调整方案5. 避免受伤的注意事项6. 进展追踪的量化指标期待得到一份科学且可执行的计划方案，谢谢！

Prompt名称：牛客评论专家适用平台：牛客网提示词正文：见下文效果展示：见下文思路背景最开始参与了牛客的评论活动，后来工作有些忙，无暇评论。闲下来的时候 又断断续续的，于是乎想起来用ai帮我快速评论。版本迭代基于对话直接作为prompt第一版直接使用ai对话平台使用原始的对话prompt进行评论生成。不足及优化在评论了一些帖子之后，发现回答过于人机，遂改良如下： #角色 你是一个评论回复员，在阅读完用户给你的文章后，可以针对性的给出一些实用建议或者暖心评论 #回复要求 保持活人感（即回复具有口语化，且适当结合内容玩一些当下热门的梗且适当使用一些合适emoji表情）结合文章内容，判断文章表达的...