用 DSH 搭建高效可检索的 Prompt 收藏库

Prompt 收藏得越多，管理成本往往越高：分类边界难统一，标签需要持续维护，重复内容不易识别，真正使用时还要在多个平台反复翻找。为解决这些问题，我用 DSH 将收藏内容整理为本地文件仓库，并围绕数据组织、双路检索、结果融合和增量维护搭建了一套可复用的工具链。

一、前言

不知道你在收藏prompt的时候，是否有这样的问题困扰：

1. 整理不动。分类靠拍脑袋（同一条到底是"写作"还是"效率"？），标签靠自觉（手动打标坚持不过两周）， 去重靠记性（同一个模板存了三四个版本，风格不同、质量参差）。
2. 根本找不到。想用的时候只能靠"我好像存过一条……"去一层层翻目录，文件名还全是英文。 结果就是：存了几千条，用的时候还是从零开始手写 prompt。
3. 挑不出来。同一件事存了好几版，质量参差又没标注，用之前得先试一遍； 复用一条的成本比重新手写还高，于是收藏夹越厚，越没人打开。
4. 散落各处就等于没存：聊天记录、微信收藏、书签、笔记、GitHub star 各存一份，用的时候一个都翻不出来。

因为管理prompt太费劲，我用DSH把自己收藏的 2400+ 条 prompt 做成了一个可检索的本地仓库：文件即数据，中文概述当语义层，关键词 + 向量双路检索，一句大白话就能定位到能直接用的prompt。

二、项目怎么设计的

三层，每层职责单一：

prompts/<分类>/<slug>.md    ← 唯一事实来源：一文件一模板，原文逐字保留，git 管版本
        +
文件头部两行标注             ← 语义层：中文概述 + 中英关键词（人和机器读同一份）
        ↓  tools/make_library.py 解析
tools/library.jsonl          ← 机器检索库：path/summary/tags/title/excerpt
        ↓
tools/ask.py                 ← 检索层：关键词路 + 向量路 → RRF 融合

1. 文件即数据

每个 prompt 一个 Markdown，## Prompt 内容 里是逐字保留的原文（占位符、JSON 模板都不动）， 头部额外补两行中文标注——标注是另加的，绝不改写原文：

## 说明

中文概述：AI 扮演简历专家，优化措辞、格式与行业关键词，使简历更专业且兼容 ATS 解析。
关键词：resume、ATS、简历优化、关键词、action verbs、求职

当前 2431 条全部有这两行，概述平均 45 字，关键词去重后 7821 个。这层是检索质量的关键： 它把"我的检索习惯"提前翻译成了数据，让"提意见"能对上"代码审查"，让中文 query 能对上英文原文。

2. 双路检索 + 融合

	关键词路	向量路
原理	8 个字段加权打分（tags 4.5 / summary 2.6 / title 1.6 …），中文按 bigram 容忍部分命中	text-embedding-3-small 向量（2431×1536）点积算余弦
长处	离线、零依赖、可解释（能说清命中哪个字段）	同义改写、中英跨语言
短处	换个说法就搜不到	需要 key 和索引

两路分数不可比（加权命中分 vs 0~1 余弦），所以不归一化相加，而是用 RRF 只看排名：

score = 1/(160 + rank_keyword) + 1/(40 + rank_vector)

语义路 K 更小 → 排名衰减更快 → 强语义信号主导排序。有索引和 key 就混合，没有就自动降级为纯关键词，断网也能用。

3. 工具链

脚本	作用
ask.py	检索主入口（keyword / semantic / hybrid 三模式）
make_library.py	解析 md 头部，生成 library.jsonl
make_indexes.py	刷新 prompts/README.md 分类计数
build_index.py	向量索引，按文件 md5 增量：全量 1~3 分钟，新增一条秒级
add_overview.py	把中文概述幂等写回文件（有则跳过）
dedupe.py	三层重复检测（md5 相同 / 正文规范化相同 / 标题撞名）

检索是 CLI，所以可以被 AI 直接调用——这才是日常用法（见下）。

三、怎么用

方式一：直接问 AI（推荐）

不用记命令，直接说"帮我找个能逐行点评代码的 prompt"。AI 跑检索 → 读原文核对 → 给你可直接复制的模板。 仓库里有两个 Skill 把流程固化了：prompt-keeper（收藏入库）与 prompt-designer（库内优先找/设计）。

方式二：命令行

# 默认混合检索（关键词 + 向量）
python3 tools/ask.py "优化简历通过 ATS 筛选" -k 5

# 纯语义：中英跨语言，零字面重合也能命中
python3 tools/ask.py "give me feedback on my code" -k 3 --mode semantic

# 纯关键词：离线、零依赖
python3 tools/ask.py "小红书 带货 文案" -k 3 --mode keyword

# -c N 直接打印第 N 名的完整 prompt 正文
python3 tools/ask.py "优化简历通过 ATS 筛选" -k 3 -c 1

实际输出（节选）：

[1] Refine Your Resume for Professionalism and ATS Compatibility
    分类: 商业职业   路径: prompts/商业职业/refine-your-resume-for-professionalism-and-ats-compatibility.md
    中文概述: AI 扮演简历专家，优化措辞、格式与行业关键词，使简历更专业且兼容 ATS 解析。
[2] ATS 简历筛选模拟器
    中文概述: 扮演严格 legacy ATS 模拟器，按关键词精确匹配（同义词零分）给简历打分并审查格式。

一个"优化简历"、一个"模拟 ATS 打分"，生产工具和验收工具一起浮上来——这就是双路融合的实际收益。

收藏一条新的

# 1) 落盘 prompts/<分类>/<slug>.md，头部补 中文概述 + 关键词（原文逐字保留）
# 2) 重建检索库 + 刷新计数 + 增量向量化
python3 tools/make_library.py && python3 tools/make_indexes.py && python3 tools/build_index.py
# 3) 校验：新文件必须能被 ask.py 搜到
python3 tools/ask.py "<新文件的核心词>" -k 3

最小起步

不需要 2400 条，也不需要向量索引：每个 prompt 一个 md + 头部两行中文标注 → 跑 make_library.py → 用 ask.py 关键词模式。 先让"能搜到"成立，文件多了、同义词问题明显了，再加 build_index.py 做语义升级。

四、落地场景

场景	一句大白话去问	库里的命中（真实结果）
求职	优化简历过 ATS 筛选 / 模拟面试	refine-your-resume-…、ats-resume-scanner-simulator、mockup-interview-using-gemini-live
自媒体带货	写小红书带货文案	电商与社交平台内容创作提示词、资深卖货短视频脚本创作者
代码评审	give me feedback on my code	improve-the-following-code、code-review-assistant（英文提问命中中文概述）
长文处理	把长文总结成要点	Summarize、Summarize Lecture（按时间戳输出结构化摘要）
办公汇报	做一份 PPT 大纲	presentation making、academic-powerpoint-presentation-designer
学习成长	帮我规划学习路径	structured-and-effective-learning-prompt（技能树 + 路径 + 资源 + 练习）

五、最后

文档提到的项目地址：github.com/AdolescentJ…

我已经把 f/prompts.chat、danielmiessler/Fabric、dair-ai/Prompt-Engineering-Guide几个知名仓库，以及我收集到的好用prompt都录入进去了，你直接把github链接丢给你的DSH就可以直接使用，希望能帮助到你。