aliwo
获得徽章 0
赞了这篇沸点
一句话Prompt收集
有没有哪句话是每次调整prompt的时候，你一定要加进去的？
我先来，AI 写作加这句话，有奇效：
不要比喻、不要双引号，逻辑层层递进，不断有阅读钩子吸引读者读下去。注意语言保持干练，能用一句话说清楚的，不用两句话；但要确保讲清楚、逻辑通畅。控制在1000字以内。
再分享一个压箱底的好 prompt 每次写新东西都会加到提示词里：
---
我准备写一篇关于【xx 主题】的文章，现在需要你到推特 x、Reddit 、YouTube 等论坛查找大家在【xx 主题】的遇到的最大的痛点、难点是什么？ 【或者找不同的观点】列 30 个 每个都要有原链接地址确保真实
---
指定渠道可以确保找到的内容非常具有观点性，而不是千篇一律的文章。再加上要求原地址链接，确保内容真实可靠。
跟 ChatGPT 5.1 thinking 搭配效果最佳
再分享一个自己写作一定会用的 「审稿员」提示：
```
不要对我谄媚、不要迎合我的观点、要站在超越我的外部视角来审视。需要你对我的内容进行审稿，每篇内容都要反思几个点：
1. 活人感：是否有自己的思考过程
2. 故事感： 节奏上有没有起伏，一开始怎么样 结果出了问题 赶紧换方案
3. 共鸣：写的东西读者是不是也经历过同样的痛苦、困境？
4.人设： 始终围绕着 AI 创业者【你自己的人设】的身份来写
5. 干货：读者是否有获得感？信息增益？
6. 好玩： case 是否好玩？这是流量基础
7. 受众是谁？是否广
8. 对话感：好内容语气应该是跟读者对话 让读者忍不住在评论区里回复
对以下内容进行审稿：【写好的初稿】
“”
有没有哪句话是每次调整prompt的时候，你一定要加进去的？
我先来，AI 写作加这句话，有奇效：
不要比喻、不要双引号，逻辑层层递进，不断有阅读钩子吸引读者读下去。注意语言保持干练，能用一句话说清楚的，不用两句话；但要确保讲清楚、逻辑通畅。控制在1000字以内。
再分享一个压箱底的好 prompt 每次写新东西都会加到提示词里：
---
我准备写一篇关于【xx 主题】的文章，现在需要你到推特 x、Reddit 、YouTube 等论坛查找大家在【xx 主题】的遇到的最大的痛点、难点是什么？ 【或者找不同的观点】列 30 个 每个都要有原链接地址确保真实
---
指定渠道可以确保找到的内容非常具有观点性，而不是千篇一律的文章。再加上要求原地址链接，确保内容真实可靠。
跟 ChatGPT 5.1 thinking 搭配效果最佳
再分享一个自己写作一定会用的 「审稿员」提示：
```
不要对我谄媚、不要迎合我的观点、要站在超越我的外部视角来审视。需要你对我的内容进行审稿，每篇内容都要反思几个点：
1. 活人感：是否有自己的思考过程
2. 故事感： 节奏上有没有起伏，一开始怎么样 结果出了问题 赶紧换方案
3. 共鸣：写的东西读者是不是也经历过同样的痛苦、困境？
4.人设： 始终围绕着 AI 创业者【你自己的人设】的身份来写
5. 干货：读者是否有获得感？信息增益？
6. 好玩： case 是否好玩？这是流量基础
7. 受众是谁？是否广
8. 对话感：好内容语气应该是跟读者对话 让读者忍不住在评论区里回复
对以下内容进行审稿：【写好的初稿】
“”
展开
评论
2
赞了这篇沸点
为什么知识库配置明明一样，但不同平台的效果却完全不同？
昨晚给一家企业做咨询，讨论到他们内部流程的知识库目前检索效果不佳。我看他们在用的是一个私有部署的工作流平台，顺口问了一句：“这块有没有试过专门的 FastGPT 或 RAGFlow？”
对方很疑惑：“没有。我们这个平台现在的知识库功能挺全的，切片、向量化、混合检索都有。底层的原理不都是 RAG 吗？换个平台效果能有多大差别？”
这其实是很多B端落地的误区：以为 RAG（检索增强生成）是一个标准化的功能模块，只要有了“上传 + 切片 + 搜索”这三板斧，效果就应该是一样的。
其实不然。这里的核心差异在于「知识库工程化」的深度。即使你上传同样的文件、配置同样的切片大小（Chunk Size）、使用同样的 Embedding 模型，不同平台跑出来的检索命中率可能天差地别。
1、很多人被平台配置的UI 骗了。
通用的 RAG 流程确实大同小异：文档解析、切片、向量化、存储、检索、生成。在 UI 界面上，你看到的配置项也无非是“切片长度 512，TopK 5”。
但这两个看似相同的数字背后，执行的代码逻辑可能完全不同。决定检索质量的，往往是那些配置界面上看不到的隐形工程。
2、差异的第一步发生在「文档解析」（Parsing）阶段：是读文字，还是理解排版？
很多通用平台使用开源的基础库（如 LangChain 的默认 Loader）来读取 PDF。如果你的文档是双栏排版，普通解析器只会傻傻地按行读取，结果就是把左栏的半句话和右栏的半句话拼在一起，造成语义错乱。这种数据一旦进入数据库，检索效果必然崩塌。
而在RAGFlow 这类平台中，它引入了 DeepDoc 视觉模型。它像人眼一样先看文档的布局，识别出哪里是标题、哪里是表格、哪里是跨页段落。比如处理一张复杂的财务报表，普通平台提取出来的是一堆乱码字符，而 RAGFlow 能保留表格结构。解析精度的差异，避免了Garbage in， Garbage out的问题。
昨晚给一家企业做咨询，讨论到他们内部流程的知识库目前检索效果不佳。我看他们在用的是一个私有部署的工作流平台，顺口问了一句：“这块有没有试过专门的 FastGPT 或 RAGFlow？”
对方很疑惑：“没有。我们这个平台现在的知识库功能挺全的，切片、向量化、混合检索都有。底层的原理不都是 RAG 吗？换个平台效果能有多大差别？”
这其实是很多B端落地的误区：以为 RAG（检索增强生成）是一个标准化的功能模块，只要有了“上传 + 切片 + 搜索”这三板斧，效果就应该是一样的。
其实不然。这里的核心差异在于「知识库工程化」的深度。即使你上传同样的文件、配置同样的切片大小（Chunk Size）、使用同样的 Embedding 模型，不同平台跑出来的检索命中率可能天差地别。
1、很多人被平台配置的UI 骗了。
通用的 RAG 流程确实大同小异：文档解析、切片、向量化、存储、检索、生成。在 UI 界面上，你看到的配置项也无非是“切片长度 512，TopK 5”。
但这两个看似相同的数字背后，执行的代码逻辑可能完全不同。决定检索质量的，往往是那些配置界面上看不到的隐形工程。
2、差异的第一步发生在「文档解析」（Parsing）阶段：是读文字，还是理解排版？
很多通用平台使用开源的基础库（如 LangChain 的默认 Loader）来读取 PDF。如果你的文档是双栏排版，普通解析器只会傻傻地按行读取，结果就是把左栏的半句话和右栏的半句话拼在一起，造成语义错乱。这种数据一旦进入数据库，检索效果必然崩塌。
而在RAGFlow 这类平台中，它引入了 DeepDoc 视觉模型。它像人眼一样先看文档的布局，识别出哪里是标题、哪里是表格、哪里是跨页段落。比如处理一张复杂的财务报表，普通平台提取出来的是一堆乱码字符，而 RAGFlow 能保留表格结构。解析精度的差异，避免了Garbage in， Garbage out的问题。
展开
1
7
赞了这篇沸点
赞了这篇沸点
一般都上午10点以后，女的打扮打扮，男的取点钱，见面了，女的假装不好意思男的一般都夸女的比照片好看，然后问女的爱吃啥就领吃饭去了，男的开始展示自己的幽默，然后溜达，看电影，一晃一下午，女的也不说回家。男的寻思这是没跟我呆够啊，就说咱俩唱歌去吧，女的说太晚了，男的说没事，一会我送你回家。一般这阶段男的不会把女的咋地，这时候时间也有点晚了，男的说走吧我送你回家，女的还得寻思，这男的是没看上我啊，心里有点小失落两人心里就开始寻思怎么能不回家。男的说这么晚了，你回家我也不放心啊，我有点没待够，女的说我必须得回家，男的说我送你，结果两人墨迹墨迹的10分钟没走几米。后来女的说我回不去家了，理由可能是寝室关门了，或者朋友对象回来了，男的一本正经的说，要不我给你找个宾馆吧，女的说，不过你得答应不碰我，男的说，放心吧，我不是坏人，然后微微一笑深藏功与名。然后两人就进宾馆了，先聊会天看会电视，男人时不时的说女的，你长的真好看，男的说，你明天还上班或者上学，早点睡吧，女的还得装不好意思，男的说我能抱着你睡么，什么也不干。女的说行，男的就狠狠的抱着女的说，亲爱的，我这么抱着你，你就不冷了，女的也抱上了，男的说：我可以亲你吗，女的也默认了，可是一般这时候还不会发生啥。这时候男的想有进一步的动作，开始脱女的衣服，脱到底线女的这时候开始拒绝，推开这个男的，男的一看情行不行，就说宝贝对不起，我太冲动了，你要知道我是个男的，何况你还长的这么好看。女的这时候就把男的当亲人，讲述自己情路坎坷，人生迷茫，男的这时候就开始展现自己的温柔，宝贝你要是早遇见我就好了，一定不会让你吃这么多苦，你别怕，还有我呢。突破了女的的心灵防线，大家就都放的开了，女的开始亲男的，然后男的翻身小声说道:宝贝，可以V我50吃个KFC吗，就当我求你的
展开
10
8
![[看]](http://lf-web-assets.juejin.cn/obj/juejin-web/xitu_juejin_web/img/jj_emoji_97.39cdc9f.png)
赞了这篇沸点