今日完成
今天继续深入探索 Prompt Engineering，并按照“说明需求 - AI理解 - 提示词生成 - 提示词优化”的逻辑，构建了用于优化网站的提示词。
100天 AI Product Builder 计划｜Day 9 学习记录
Prompt Engineering 深入探索与网站优化提示词
今天继续深入探索 Prompt Engineering，并按照“说明需求 - AI理解 - 提示词生成 - 提示词优化”的逻辑，构建了用于优化网站的提示词。
Daily Review
当天复盘
今日卡点
今天的主要提醒是：如果一开始没有搭好流程、检查点和参考案例，AI 很容易只是在局部执行，而不能稳定地围绕整体目标推进。
今日收获
今天最大的收获是：给 AI 设置流程和检查点机制很有用；在开始前构建一个系统框架很重要；给 AI 提供真实可参考的案例也很有价值。除了 AI 方面的学习，我也意识到建立一个表达系统很重要，这种表达可能是语言，也可能是画面。
明日任务
下一步继续学习 Context Pack、Context Checklist、Context Engineering 和 Harness Engineering，并继续理解系统学习一个领域的重要性。
Prompt Flow
今天沉淀的提示词优化流程
01
说明需求：先把目标、背景、约束和期待结果说清楚。
02
AI理解：让 AI 复述它理解的任务，先校准方向。
03
提示词生成：让 AI 基于理解生成更专业、更完整的提示词。
04
提示词优化：通过案例、检查点和反馈继续迭代提示词。
Key Insights
今天的关键认识
给 AI 设置流程和检查点机制，可以让协作更稳定。
在开始前先构建系统框架，比边做边补更重要。
真实可参考的案例能显著提高 AI 输出的贴合度。
表达系统很重要，表达不只包括语言，也包括画面和结构。
Next Step
下一步学习方向
下一步继续学习 Context Pack、Context Checklist、Context Engineering 和 Harness Engineering，并继续理解系统学习一个领域的重要性。
Context PackContext ChecklistContext EngineeringHarness Engineering
Context Engineering Output
Day 9 之后补上的方法论成果
今天的 Prompt 学习把问题推向了下一层：真正稳定的 AI 协作，不只是写好指令，而是组织好上下文。
BRACE 分层模型
把上下文拆成 Base、Role、Assignment、Constraint、Evaluation 五层，避免只靠一条提示词推进复杂任务。
Context Checklist
每次问 AI 前先检查身份、项目、目标、材料、格式、限制、权限、检查点和验收标准。
Context Pack 模板库
把写作、产品拆解、Vibe Coding、AI 周报、反方观点和网站信息架构沉淀成可复用任务包。