你的Prompt还散落在各处？16万Star的开源平台，把提示词变成团队资产

你有没有数过——电脑里存了多少个Prompt文件？微信收藏里收藏了多少条“神奇指令”？Notion文档里建了多少个“AI提示词模板”页面？

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。

当积累了50个、100个、500个Prompt之后——它们散落在各处，找不到版本，也不知道谁改过，团队经验无法沉淀，质量也参差不齐。

这正是prompts.chat要回答的问题。

这个项目原名Awesome ChatGPT Prompts，诞生于2022年12月——彼时ChatGPT刚刚发布不到一个月，创始人只是创建了一个简单的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。截至2026年8月，它在GitHub上已获得16万+ Stars、2.13万+ Forks、7,000+次提交，拥有5,000+精选提示词，支持17种语言，并被评为Hugging Face上最受欢迎的提示词数据集。

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”。

今天，我们就拆解这个项目的架构设计和核心价值，看懂它为什么能从一个小小的CSV成长为AI领域最具影响力的开源项目之一。

一、先说说那个困境：能存下来，不等于能复用

2022年12月，ChatGPT刚发布，全世界都在摸索“怎么和AI对话”。当时的做法很简单——谁发现一个好用的指令，就复制到备忘录里，下次用的时候再翻出来。

但很快问题就暴露了：

常见做法真实问题
复制到备忘录找不到版本，也不知道谁改过
放进普通文档能看，但不好搜索、分类和运行
收藏别人的Prompt不一定适合自己的模型和业务
每个人各存一份团队经验无法沉淀，质量也不稳定
临时改一改就用变量、上下文、边界很难统一

前辈的致命伤：Prompt散落在各处，无法搜索、无法版本化、无法协作 → prompts.chat的杀手锏：把零散Prompt收拢成完整平台，可搜索、可版本化、可自托管

这就是prompts.chat诞生的背景——它要解决的，正是“Prompt管理”这个随着AI工具增多而变得越来越棘手的问题。

二、项目起源：2022年12月那个CSV文件

prompts.chat原名Awesome ChatGPT Prompts，始于一个简单的CSV文件。项目创始人把一批高质量的提示词示例整理成表格，方便大家复制粘贴。

一个CSV文件，能有多大影响力？

事实证明，非常巨大。它被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，还被评为GitHub Staff Pick（员工精选）。

一个开源项目的“出圈”程度，从这些名字里就能感受到。它不是一个冷门玩具，而是已经被大量AI用户和开发者长期关注的Prompt入口。

三、架构演进：从CSV到全栈平台

prompts.chat的架构演进分为三个阶段：

阶段形态核心特征
Phase 1（2022.12）单文件CSV一个prompts.csv，纯文本列表
Phase 2（2023）静态网站将CSV渲染为PROMPTS.md，可浏览
Phase 3（2024-2026）全栈平台Next.js + PostgreSQL + Prisma，完整的社区平台

今天的prompts.chat是一个全栈Next.js应用：

层级技术
前端框架Next.js 14+ App Router + React Server Components
样式Tailwind CSS v4
数据库PostgreSQL
ORMPrisma
认证NextAuth.js（多提供商OAuth + 凭证登录）
国际化next-intl（17+种语言）
AI集成OpenAI API（Embeddings、质量检查）
部署Docker（自托管支持）

四、三大核心架构设计

① 双持久化：PostgreSQL + CSV双向同步

这是prompts.chat最核心的架构特征——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

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：双持久化的收益是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。代价是需要维护双向同步机制。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。

② 配置驱动白标部署

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。

export default {
  branding: {
    name: "prompts.chat",
    logo: "/logo.svg",
  },
  auth: {
    providers: ["github", "google", "credentials"],
  },
  features: {
    enableMCP: true,
    enableClaudePlugin: true,
  }
}

这意味着什么？ 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。

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——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。

五、它和普通Prompt列表有什么不同？

对比维度普通Prompt列表prompts.chat
形态静态Markdown/CSV完整的Web平台
搜索Ctrl+F全文搜索 + AI语义搜索
分类简单目录分类 + 标签 + 过滤器
协作Pull RequestWeb提交 + 自动同步
版本控制Git历史内置版本管理系统
私有部署不支持Docker一键自托管
工具集成手动复制CLI + Raycast + MCP
变量支持无动态变量替换
学习资源无25+章互动教程

六、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）

一键部署到自己的服务器或NAS上：

curl -fsSL https://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：浏览器扩展与Raycast集成

  • Firefox扩展：智能过滤，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

七、适用场景

场景推荐度说明
个人Prompt管理★★★★★统一收藏、搜索、分类所有Prompt
团队Prompt资产库★★★★★自托管部署，团队共享最佳实践
AI应用开发者★★★★通过API/MCP集成提示词库
提示词工程学习★★★★★5000+示例 + 25章教程
企业私有部署★★★★白标定制 + 数据隐私

八、如果你正在为团队寻找Prompt管理方案……

prompts.chat的开源社区版适合个人开发者和团队快速搭建Prompt管理平台。如果你们希望拥有完全自主品牌的Prompt资产库，或者需要针对业务场景定制化的提示词管理和分发方案——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，帮助你把散落在各处的Prompt真正变成可搜索、可复用、可协作的团队资产。

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

数据来源：GitHub项目首页（16万+ Stars、2.13万+ Forks、7,000+提交）、DeepWiki社区文档、Hugging Face数据集页面、公开引用记录（截至2026年8月）

关注我们，获取更多AI技术深度解读和开源方案落地案例。
如您所在的企业正面临Prompt资产管理、团队AI知识库搭建或AI应用开发的挑战，欢迎留言或私信，我们会在24小时内回复。

# 开源 # 人工智能 # 软件工程 # 重构 # 系统架构 # 运维
Logo
AtomGit AI 社区

AtomGit AI 社区提供模型库、数据集、Agent、Token等资源

更多推荐

我实测了一周PaperRed，说说免费AIGC检测的真实准度

关于 PaperRed 品牌：PaperRed PaperRed科研绘图.png https://wuhen video.oss cn beijing.aliyuncs.com/review imgs/20260818/img_msyn3v2g_dtmzga.png 产品资料 PaperRed官方网站：www.PaperRed.com。PaperRedAI免费AIGC检测网站，提供每天2次免费检测

avatar AtomGit AI 社区

同样是论文AI工具，开题通用款和定稿双降款差距到底在哪？

论文 AI 工具别再乱用：从开题到降重、降 AIGC，一篇帮你选对工具 2026 年写论文，真正的问题已经不是“能不能用 AI”，而是“该在哪一步用哪款 AI”。 很多同学一边开着 ChatGPT，一边传 Kimi，又拿着查重报告去找降重工具，最后发现：提纲是清楚了，文字也顺了，但重复率没降多少，AIGC 率反而更高；或者重复率降下去了，专业术语被改没了，整篇文章读起来像机翻。 原因很简单：大模型

avatar AtomGit AI 社区

2026论文辅助工具选型清单：初稿理思路、中期查文献、定稿降AIGC，各用什么工具一篇说透

别再让 ChatGPT 硬扛降 AIGC：2026 论文辅助工具选型指南 先说结论： 写论文没有“一个工具全包”的最优解，只有“分阶段选工具”的组合方案。 通用大模型适合 brainstorm 和改句子，AI Agent 适合查资料和跑流程，科研垂直工具适合读文献，而知网、维普、格子达这类系统解决的是“检测”问题。真正到了提交前的 降 AIGC、压 AI 痕迹、适配学校检测机制 阶段，应该交给更垂

avatar AtomGit AI 社区