用途：这是一套研究支持的提示词技巧，用于优化提示词、增强智能体指令、处理复杂问题，以提升 AI 输出质量。资料称这些技巧可带来 45-115% 的质量提升，依据来自 MBZUAI、Google DeepMind 与 ICLR 2024 的同行评审研究。
主要能力与核心技巧：一、金钱激励框定（+45%），如“我会为这道题的完美解答付你 200 美元”，用于复杂技术问题、优化和调试；二、逐步推理（准确率 34%→80%），如“Let's solve this step by step”，用于多步推理、数学和逻辑分析；三、挑战框定（困难任务 +115%），用于难题、边界情况和简单方法已失败的问题；四、利害语言，如“这对我职业生涯至关重要”“答案不完整会被扣分”；五、专家人设（24%→84%），把“你是一个有用的助手”替换为具体领域与经验的角色描述；六、自评请求，让模型给答案 0-1 置信度并解释理由；七、组合使用，把角色、利害、逐步推理与自评叠加在同一提示中。
使用方式：资料给出两类实现模式。用于 OpenCode 智能体时，在其提示中加入提示增强段落，包含利害意识、逐步方法、专家人设与自评。用于斜杠命令时，在命令提示中按结构化小节组织，包含 Context（专家角色与领域）、Stakes（任务关键性）、Approach（逐步分析）、Task（实际任务）、Quality Check（置信度与假设）。资料提及相关技能：prompt-refinement、content-optimization、comprehensive-research。
适用场景：复杂技术问题、优化任务、调试、多步推理、数学与逻辑分析、困难问题与边界情况、需要质量评估的模糊问题，以及领域特定的技术实现。
限制与说明：资料称 LLM 并不真正理解激励，而是对与高质量训练样本相关的语言做模式匹配，激励语言触发的是更高品质文本分布的选择，属统计机制而非情感操纵。资料还提供反合理化表，回应“这是噱头”“只用一种技巧就够”“模型够聪明不需要提示”等疑虑，主张组合使用效果叠加。资料中部分示例文本因原文省略而显示为空格，具体完整句式未提供。具体价格、收费方式与更多使用步骤暂未提供。