让千问从五个维度拆解分析下这段提示词：

维度一：角色与意图的隐性定义 (Role & Intent Definition)

原文体现：

"Export all of my stored memories... Preserve my words verbatim..."

（导出我所有存储的记忆……原样保留我的措辞……）

拆解分析：

*   隐性角色设定：虽然没有显式地说“你是一个数据迁移专家”，但通过动词 Export（导出）和约束 Preserve my words verbatim（原样保留），强行将 AI 的角色从“对话者”切换为“档案管理员”或“数据提取器”。

*   核心技巧：动词即指令。

    *   普通写法：“帮我总结一下你记得关于我的事。”（AI 可能会概括、润色，丢失细节）

    *   高阶写法：“导出（Export）……原样保留（Preserve verbatim）。”（明确了动作的精确性和保真度要求）。

*   学习点：在需要精准执行任务时，避免使用模糊动词（如“看看”、“处理”），直接使用强动作动词（如“提取”、“映射”、“转译”、“原样复述”）来锁定 AI 的行为模式。

维度二：思维链的显性结构化 (Explicit Structural Chain-of-Thought)

原文体现：

Categories (output in this order):

1. Instructions... 2. Identity... 3. Career... 4. Projects... 5. Preferences...

拆解分析：

*   分类穷举（MECE 原则）：提示词没有让 AI 自己决定怎么分类，而是预先定义了 5 个互斥且穷尽的类别。这防止了 AI 将“工作偏好”错误地归类到“个人兴趣”中，保证了输出的一致性。

*   顺序控制：明确指定 output in this order（按此顺序输出）。这对于后续的数据处理（如脚本解析）至关重要。

*   边界界定：在第 1 点中特别注明 Only include rules from stored memories, not from conversations（仅包含存储记忆中的规则，不包含对话内容）。这是非常关键的负向约束，防止 AI 把临时对话当成永久记忆。

*   学习点：不要信任 AI 的自发分类能力。对于复杂任务，必须在 Prompt 中预定义好“骨架”。使用 ## 标题和数字列表是引导 AI 遵循逻辑结构的最有效方式。

维度三：Few-Shot 风格的格式规范 (Format Specification as Few-Shot)

原文体现：

Format each line as: [YYYY-MM-DD] - Entry content here.

If no date is known, use [unknown] instead.

拆解分析：

*   模板化输出：它没有用自然语言描述格式（如“请写上日期和内容”），而是直接给出了一个视觉模板 [YYYY-MM-DD] - Entry content here。LLM 对这种模式匹配的能力极强，能极大减少格式错误。

*   边缘情况处理（Edge Case Handling）：专门提到了 If no date is known 的情况。很多初级提示词会忽略这一点，导致 AI 在遇到缺失数据时产生幻觉（编造日期）或报错。

*   学习点：用示例代替描述。与其说“请用标准日期格式”，不如直接写出 [2023-10-01]。同时，必须考虑异常流程（如果没有数据怎么办？），提前给出默认值（Default Value）。

维度四：交付物封装与元数据反馈 (Delivery Encapsulation & Meta-Feedback)

原文体现：

Output:

- Wrap the entire export in a single code block...

- After the code block, state whether this is the complete set...

拆解分析：

*   容器化思维：要求包裹在 code block 中。这不仅是为了好看，更是为了方便复制和程序化解析（避免 Markdown 渲染干扰纯文本）。这显示了提示词编写者具有“工程化思维”。

*   自我验证机制：要求 AI 在结束后说明 whether this is the complete set。这是一种元认知（Meta-cognition）检查。因为 LLM 有时受限于上下文窗口长度，可能会截断输出。这一步强制 AI 自我审查任务的完成度。

*   学习点：定义“完成的定义”。一个好的提示词不仅要规定做什么，还要规定怎么做交付以及如何确认做完了。

维度五：上下文管理的经济性 (Context Economy)

原文体现：

整个提示词非常精简，没有废话，直接切入主题。

拆解分析：

*   去噪：没有“你好，请帮我……"，“非常感谢”等客套话。在涉及大量数据检索（读取所有记忆）的任务中，每一 token 都很宝贵。

*   高密度信息：每个句子都承载了一个具体的约束条件（时间排序、原样保留、特定分类）。

*   学习点：信噪比最大化。在系统级指令或复杂任务中，删除所有情感色彩和冗余背景，只保留主体（谁）、动作（做什么）、条件（限制）。

转发 @聆风Raymond: claude提供的方便用户从其他AI模型结构化迁移记忆和数据的提示词：

Export all of my stored memories and any context you've learned about me from past conversations. Preserve my words verbatim where possible, especially for instructions and preferences.

## Categories (output in this order):

1. **Instructions**: Rules I've explicitly asked you to follow going forward — tone, format, style, "always do X", "never do Y", and corrections to your behavior. Only include rules from stored memories, not from conversations.

2. **Identity**: Name, age, location, education, family, relationships, languages, and personal interests.

3. **Career**: Current and past roles, companies, and general skill areas.

4. **Projects**: Projects I meaningfully built or committed to. Ideally ONE entry per project. Include what it does, current status, and any key decisions. Use the project name or a short descriptor as the first words of the entry.

5. **Preferences**: Opinions, tastes, and working-style preferences that apply broadly.

## Format:

Use section headers for each category. Within each category, list one entry per line, sorted by oldest date first. Format each line as:

[YYYY-MM-DD] - Entry content here.

If no date is known, use [unknown] instead.

## Output:

- Wrap the entire export in a single code block for easy copying.

- After the code block, state whether this is the complete set or if more remain.

让千问从五个维度拆解分析下这段提示词：

维度一：角色与意图的隐性定义 (Role & Intent Definition)

原文体现：

"Export all of my stored memories... Preserve my words verbatim..."

（导出我所有存储的记忆……原样保留我的措辞……）

拆解分析：

*   隐性角色设定：虽然没有显式地说“你是一个数据迁移专家”，但通过动词 Export（导出）和约束 Preserve my words verbatim（原样保留），强行将 AI 的角色从“对话者”切换为“档案管理员”或“数据提取器”。

*   核心技巧：动词即指令。

    *   普通写法：“帮我总结一下你记得关于我的事。”（AI 可能会概括、润色，丢失细节）

    *   高阶写法：“导出（Export）……原样保留（Preserve verbatim）。”（明确了动作的精确性和保真度要求）。

*   学习点：在需要精准执行任务时，避免使用模糊动词（如“看看”、“处理”），直接使用强动作动词（如“提取”、“映射”、“转译”、“原样复述”）来锁定 AI 的行为模式。

维度二：思维链的显性结构化 (Explicit Structural Chain-of-Thought)

原文体现：

Categories (output in this order):

1. Instructions... 2. Identity... 3. Career... 4. Projects... 5. Preferences...

拆解分析：

*   分类穷举（MECE 原则）：提示词没有让 AI 自己决定怎么分类，而是预先定义了 5 个互斥且穷尽的类别。这防止了 AI 将“工作偏好”错误地归类到“个人兴趣”中，保证了输出的一致性。

*   顺序控制：明确指定 output in this order（按此顺序输出）。这对于后续的数据处理（如脚本解析）至关重要。

*   边界界定：在第 1 点中特别注明 Only include rules from stored memories, not from conversations（仅包含存储记忆中的规则，不包含对话内容）。这是非常关键的负向约束，防止 AI 把临时对话当成永久记忆。

*   学习点：不要信任 AI 的自发分类能力。对于复杂任务，必须在 Prompt 中预定义好“骨架”。使用 ## 标题和数字列表是引导 AI 遵循逻辑结构的最有效方式。

维度三：Few-Shot 风格的格式规范 (Format Specification as Few-Shot)

原文体现：

Format each line as: [YYYY-MM-DD] - Entry content here.

If no date is known, use [unknown] instead.

拆解分析：

*   模板化输出：它没有用自然语言描述格式（如“请写上日期和内容”），而是直接给出了一个视觉模板 [YYYY-MM-DD] - Entry content here。LLM 对这种模式匹配的能力极强，能极大减少格式错误。

*   边缘情况处理（Edge Case Handling）：专门提到了 If no date is known 的情况。很多初级提示词会忽略这一点，导致 AI 在遇到缺失数据时产生幻觉（编造日期）或报错。

*   学习点：用示例代替描述。与其说“请用标准日期格式”，不如直接写出 [2023-10-01]。同时，必须考虑异常流程（如果没有数据怎么办？），提前给出默认值（Default Value）。

维度四：交付物封装与元数据反馈 (Delivery Encapsulation & Meta-Feedback)

原文体现：

Output:

- Wrap the entire export in a single code block...

- After the code block, state whether this is the complete set...

拆解分析：

*   容器化思维：要求包裹在 code block 中。这不仅是为了好看，更是为了方便复制和程序化解析（避免 Markdown 渲染干扰纯文本）。这显示了提示词编写者具有“工程化思维”。

*   自我验证机制：要求 AI 在结束后说明 whether this is the complete set。这是一种元认知（Meta-cognition）检查。因为 LLM 有时受限于上下文窗口长度，可能会截断输出。这一步强制 AI 自我审查任务的完成度。

*   学习点：定义“完成的定义”。一个好的提示词不仅要规定做什么，还要规定怎么做交付以及如何确认做完了。

维度五：上下文管理的经济性 (Context Economy)

原文体现：

整个提示词非常精简，没有废话，直接切入主题。

拆解分析：

*   去噪：没有“你好，请帮我……"，“非常感谢”等客套话。在涉及大量数据检索（读取所有记忆）的任务中，每一 token 都很宝贵。

*   高密度信息：每个句子都承载了一个具体的约束条件（时间排序、原样保留、特定分类）。

*   学习点：信噪比最大化。在系统级指令或复杂任务中，删除所有情感色彩和冗余背景，只保留主体（谁）、动作（做什么）、条件（限制）。

转发 @聆风Raymond: claude提供的方便用户从其他AI模型结构化迁移记忆和数据的提示词：

Export all of my stored memories and any context you've learned about me from past conversations. Preserve my words verbatim where possible, especially for instructions and preferences.

## Categories (output in this order):

1. **Instructions**: Rules I've explicitly asked you to follow going forward — tone, format, style, "always do X", "never do Y", and corrections to your behavior. Only include rules from stored memories, not from conversations.

2. **Identity**: Name, age, location, education, family, relationships, languages, and personal interests.

3. **Career**: Current and past roles, companies, and general skill areas.

4. **Projects**: Projects I meaningfully built or committed to. Ideally ONE entry per project. Include what it does, current status, and any key decisions. Use the project name or a short descriptor as the first words of the entry.

5. **Preferences**: Opinions, tastes, and working-style preferences that apply broadly.

## Format:

Use section headers for each category. Within each category, list one entry per line, sorted by oldest date first. Format each line as:

[YYYY-MM-DD] - Entry content here.

If no date is known, use [unknown] instead.

## Output:

- Wrap the entire export in a single code block for easy copying.

- After the code block, state whether this is the complete set or if more remain.