企业官网建设流程全解析

prompts.chat：从提示词合集到全球最大的开源 AI 提示词平台

一、引言

你电脑里有多少个 Prompt 文件？微信收藏里有多少条“神奇指令”？Notion 文档里有多少个“AI 提示词模板”页面？

看起来很简单，对吧？写个好的 Prompt，复制到 ChatGPT 里用就行了。但当你积累了 50 个、100 个、500 个 Prompt 之后——它们散落在聊天记录、浏览器书签、截图、本地 txt、飞书文档、Obsidian 笔记里——事情开始变得失控了。

你可能会问：有没有一个地方，能把所有 Prompt 统一管理起来——能搜索、能分类、能分享、能追踪版本，还能直接接入 AI 工具链？

这正是 prompts.chat 要回答的问题。

prompts.chat 不是又一个 Prompt 列表，而是全球最大的开源 AI 提示词平台——从 2022 年 12 月的一个 CSV 文件起步，发展为拥有 16 万+ GitHub Star、5000+ 精选提示词、支持 17 种语言、可自托管的完整社区平台，让 Prompt 从散落在各处的“素材”变成可搜索、可复用、可协作的团队资产。

本文将深入剖析 prompts.chat 的架构设计、核心模块、技术选型和工程化实践，帮你理解它为什么能从一个小小的提示词合集成长为 AI 领域最具影响力的开源项目之一。

二、项目概览：从“Awesome ChatGPT Prompts”到全球最大的提示词平台

2.1 一句话概括

prompts.chat 不是又一个“提示词列表”，而是一个从 CSV 文件进化而来的完整开源提示词管理平台——集浏览、搜索、收藏、分享、版本控制、自托管、MCP 集成于一体，让 Prompt 从“复制粘贴的素材”变成“可搜索、可复用、可协作的团队资产”。

2.2 项目起源：2022 年 12 月的那个 CSV 文件

prompts.chat 原名Awesome ChatGPT Prompts，诞生于 2022 年 12 月——彼时 ChatGPT 刚刚发布不到一个月，全世界还在摸索“怎么和 AI 对话”。项目创始人创建了一个简单的 CSV 文件，收录了一批高质量的提示词示例，方便大家复制粘贴使用。

谁也没想到，这个 CSV 文件会成长为全球最大的开源 AI 提示词平台。

2.3 核心数据

2.4 影响力：被谁认可了？

prompts.chat 的影响力远远超出了开源社区：

• 被 Forbes 报道
• 被哈佛大学、哥伦比亚大学引用为教学资源
• 获得 40+ 篇学术论文引用
• 被 OpenAI 联合创始人 Greg Brockman 和 Wojciech Zaremba 推荐
• 被 Hugging Face CEO Clement Delangue 推荐
• 被前 GitHub CEO Thomas Dohmke 推荐
• 被评为 Hugging Face 上“最受欢迎的提示词数据集”
• 获得 GitHub Staff Pick（员工精选）

看到了吗？一个开源项目的“出圈”程度，可以从这些名字里感受到——OpenAI 的联合创始人、Hugging Face 的 CEO、GitHub 的 CEO 都在推荐它。这不是一个冷门玩具，而是已经被大量 AI 用户和开发者长期关注的 Prompt 入口。

三、整体架构与设计哲学

3.1 架构演进：从 CSV 到全栈平台

prompts.chat 的架构演进可以分为三个阶段：

3.2 三大核心架构原则

prompts.chat 建立在三大核心架构原则之上：

① 双持久化（Dual Persistence）

所有提示词同时存储在 PostgreSQL 和 prompts.csv 中。PostgreSQL 负责运行时查询、搜索和过滤；prompts.csv 负责 Git 版本历史和贡献者归属。

② 配置驱动定制（Configuration-Driven Customization）

整个应用可以通过prompts.config.ts和环境变量进行定制，无需修改代码即可实现白标部署。

③ 多协议访问（Multi-Protocol Access）

提示词可以通过三种方式访问：

• 标准 Web UI：浏览器访问
• CLI 工具：命令行快速调用
• MCP（Model Context Protocol）：直接集成到 AI IDE 中

设计洞察：双持久化架构的收益在于兼顾了数据库的性能和 Git 的可追溯性——社区可以通过 Web 界面提交提示词，同时仓库保持 CSV 作为可审计的事实来源。代价在于需要维护双向同步机制，增加了系统的复杂度。因此，这种架构特别适合需要社区协作和版本追溯的公开数据集项目。

3.3 技术栈

prompts.chat 是一个全栈 Next.js 应用：

代码库采用monorepo 结构，包含主 Next.js 应用、CLI 工具和浏览器扩展。

3.4 三层架构

prompts.chat 遵循标准的三层架构：

┌─────────────────────────────────────────────────────────────────────┐ │ 表示层（Presentation Layer） │ │ Next.js App Router 页面 + React Server Components │ │ 主题系统 + 17 种语言国际化支持 │ └─────────────────────────────────────────────────────────────────────┘ │ ┌─────────────────────────────────────────────────────────────────────┐ │ 应用层（Application Layer） │ │ Next.js API Routes + Server Actions │ │ 业务逻辑：提示词 CRUD、搜索、过滤、质量检查 │ └─────────────────────────────────────────────────────────────────────┘ │ ┌─────────────────────────────────────────────────────────────────────┐ │ 数据层（Data Layer） │ │ PostgreSQL（运行时查询）←→ prompts.csv（Git 历史）双向同步 │ │ Prisma ORM + 迁移管理 │ └─────────────────────────────────────────────────────────────────────┘

四、核心模块源码解析

4.1 源码目录结构

prompts.chat/ ├── src/ │ ├── app/ # Next.js App Router │ │ ├── api/ # API 路由 │ │ │ └── prompts/ # 提示词 CRUD API │ │ ├── prompts/ # 提示词浏览页面 │ │ │ ├── [id]/page.tsx # 提示词详情页 │ │ │ └── page.tsx # 提示词列表页 │ │ └── page.tsx # 首页 │ ├── components/ # React 组件 │ │ ├── layout/ # 布局组件 │ │ └── prompts/ # 提示词相关组件 │ ├── lib/ # 工具库 │ │ └── config/ # 配置系统 │ └── content/book/ # 提示词工程电子书 ├── prisma/ │ └── schema.prisma # 数据库 Schema ├── scripts/ │ └── generate-contributors.sh # CSV 同步脚本 ├── prompts.csv # Git 版本控制的提示词数据 ├── PROMPTS.md # 人类可读的提示词文档 ├── prompts.config.ts # 应用配置 └── messages/ # 17 种语言的国际化文件

4.2 双持久化架构：PostgreSQL + CSV 双向同步

这是 prompts.chat 最核心的架构特征。

数据库 Schema（Prisma）中的核心模型：

// 文件路径：prisma/schema.prisma（示意）model Prompt{id String@id@default(cuid())title String description String?content String// 提示词正文category String?tags String[]isPrivate Boolean @default(false)// 私有提示词isUnlisted Boolean @default(false)// 不公开列出createdAt DateTime @default(now())updatedAt DateTime@updatedAtauthor User@relation(fields:[authorId],references:[id])contributors PromptContributor[]// 多对多贡献者关系}model User{id String@id@default(cuid())name String?email String@unique// ...prompts Prompt[]contributed PromptContributor[]}

CSV 同步机制：scripts/generate-contributors.sh脚本从生产站点的 CSV 端点拉取最新数据，更新本地仓库，并通过 Git 元数据保留贡献者归属。

数据流：

用户通过 Web UI 提交提示词 ↓ PostgreSQL 存储（运行时查询、搜索、过滤） ↓ scripts/generate-contributors.sh 同步 ↓ prompts.csv 更新（Git 历史、贡献者归属） ↓ GitHub 仓库自动提交（由 GitHub Action 触发）

设计洞察：这种“数据库 + CSV”双轨制设计的收益在于——社区贡献者可以通过 Web 界面提交提示词，而 GitHub 仓库始终保持为可审计的 CSV 事实来源。代价在于双向同步需要额外的脚本和 CI 流程来维持一致性。

4.3 配置系统：白标部署的核心

配置系统将静态代码配置与运行时环境变量合并：

// 文件路径：prompts.config.ts（示意）exportdefault{branding:{name:"prompts.chat",logo:"/logo.svg",// ...},auth:{providers:["github","google","credentials"],// ...},features:{enableMCP:true,enableClaudePlugin:true,// ...}}

环境变量以PCHAT_为前缀，可以覆盖配置文件中的任意值。

配置驱动的白标部署意味着：你 fork 这个项目，修改几行配置，就能部署一个完全属于你自己品牌的提示词平台——Logo、名称、主题色、功能开关全部可定制。

4.4 搜索系统：关键词 + AI 语义搜索

prompts.chat 的搜索系统在两个层面运行：

4.5 国际化：17 种语言支持

prompts.chat 通过next-intl支持17 种语言，包括中文、日语、韩语、法语、西班牙语等。所有提示词和 UI 文本都可以在messages/目录下找到对应的翻译文件。

五、核心功能与使用场景

5.1 它解决的是什么问题？

prompts.chat 解决的核心问题非常朴素：AI 工具越多，Prompt 反而越容易乱。

你可能在这些地方都存过 Prompt：

• 微信收藏、飞书文档、Notion、Obsidian
• ChatGPT / Claude / Gemini 的历史会话
• 截图、浏览器书签、本地 txt
• 团队群里别人发过的一段“神奇指令”

问题在于：能存下来，不等于能复用。

prompts.chat 的价值，就是把这些零散 Prompt 收拢成一个更像“平台”的东西。

5.2 核心功能矩阵

5.3 MCP 集成：让提示词进入 AI 工具链

prompts.chat 实现了MCP（Model Context Protocol）标准，使得 AI 工具可以直接与提示词库进行程序化交互。

prompts.chat MCP Server暴露了所有公开提示词作为 MCP 资源：

• 通过prompts/list列出所有提示词
• 在 AI 编码助手中直接搜索、浏览和使用提示词

这意味着什么？你不再需要打开浏览器、搜索、复制、粘贴——你的 AI 助手可以直接从 prompts.chat 拉取提示词并应用到当前任务中。

设计洞察：MCP 集成的收益在于将提示词库从“静态资源”变成了“可被 AI 主动调用的动态能力”。代价在于需要维护 MCP 服务器的稳定性和 API 兼容性。因此，这种集成特别适合深度使用 AI 编码助手的开发者，轻度用户则可能更倾向于直接使用 Web UI。

六、工程化实践

6.1 快速部署：三种方式

方式一：直接访问官网

访问 prompts.chat 即可浏览、搜索和使用所有公开提示词。

方式二：Docker 自托管（推荐）

prompts.chat 提供了完整的 Docker 支持，可以一键部署到自己的服务器或 NAS 上：

# 一键部署脚本curl-fsSLhttps://gitee.com/jun-wan/script/raw/master/prompts-chat-manager/prompts-chat-manager.sh\-o/tmp/prompts-chat-manager.sh&&\chmod+x /tmp/prompts-chat-manager.sh&&\/tmp/prompts-chat-manager.sh

部署完成后会输出访问地址以及默认生成的管理员账号和密码。

方式三：自托管配置

对于需要深度定制的场景，可以参考 SELF-HOSTING.md：

• 可自定义品牌（Logo、名称、主题色）
• 可配置认证方式（GitHub、Google、邮箱密码）
• 可启用/禁用功能开关

6.2 贡献方式

任何人都可以通过两种方式向 prompts.chat 贡献提示词：

1. Web 界面：访问 prompts.chat/prompts/new，填写表单提交
2. GitHub：提交 Pull Request 修改prompts.csv

通过 Web 界面提交的提示词，会由GitHub Action 自动创建 commit。

新提交的提示词会经过可选的质量检查和去重检查，然后才被持久化。

6.3 浏览器扩展与 Raycast 集成

prompts.chat 提供了多种快捷访问方式：

• Firefox 扩展：支持智能过滤（按分类、标签、提示词类型：Text/JSON/Image/Video），一键复制到剪贴板
• Raycast 扩展：在 Raycast 中搜索、浏览和复制 AI 提示词

6.4 配套学习资源

prompts.chat 不只是“给鱼”，也“给渔”：

• 《The Interactive Book of Prompting》：25+ 章免费互动提示词工程指南，覆盖从基础到高级技术（思维链推理、Few-shot Learning、AI Agents）
• 《Prompting for Kids》：面向 8-14 岁儿童的互动游戏式学习体验

七、生态与影响力

7.1 社区数据对比

7.2 它和普通 Prompt 列表有什么不同？

7.3 适用场景

八、总结与展望

8.1 核心架构亮点汇总

8.2 对开发者的启示

prompts.chat 回答了一个根本问题：如何让“提示词”从一个纯文本片段，进化为一个完整的资产管理平台？

它的答案是三条递进的原则：

1. 数据格式要开放——从 CSV 起步，让任何人都能参与和贡献
2. 平台要可自托管——数据主权是信任的基石
3. 能力要可集成——MCP 让提示词库从“被动浏览”变成“主动调用”

prompts.chat 的终极启示，不是“又一个提示词列表”，而是“Prompt 不应该只是复制粘贴的文本，而应该是可搜索、可版本化、可协作的知识资产”。

项目地址：https://github.com/f/prompts.chat

官方网站：https://prompts.chat

Hugging Face 数据集：https://huggingface.co/datasets/fka/prompts.chat

本文数据来源：GitHub 项目首页、DeepWiki 社区文档及公开数据（截至 2026 年 8 月）

如您所在的企业正面临数字化难题，或有 AI 落地、系统集成相关需求，欢迎进一步沟通。我们可提供针对贵企业具体场景的定制化方案和现场调研服务。