用于研究：引用Wikiprompt语料库

使用并引用Wikiprompt语料库进行研究

提示工程以规模化方式生成文本，而规模化文本正是研究人员、学生和记者喜欢研究的内容。针对不同模型的图像提示中，哪些措辞模式反复出现？创意提示与编程或生产力提示在结构上有何不同？这些问题都可以回答，但前提是有一个语料库作为对照，而在此之前，这个语料库分散在各个社交媒体账户的时间线上，未被索引，实际上无法研究。

Wikiprompt在过去几个月里整理了这样一类集合：从开放网络抓取的公开、用户提交的AI提示，经过组织和标记。该目录现拥有超过55,000条提示，涵盖ChatGPT、Claude和Gemini等文本模型，以及Midjourney、GPT Image、Seedance、Veo、Kling和Nano Banana等图像或视频模型。该语料库作为公开批量数据集提供，本文是一份指南，介绍如何在学术或新闻工作中负责任地使用它：如何可复现地拉取数据、如何标注来源，以及其局限性在哪里。

为什么选择这个语料库

研究领域中流传的大多数提示数据集，要么是手工收集的小样本，要么是来源不明的抓取快照。Wikiprompt在三个方面有所不同。

首先，每条记录都追溯到真实、可归因的来源：original_source字段链接到原始帖子，author字段标明撰写者姓名。这是一个经过整理的、真实公开提示分享活动的索引，而非合成或匿名数据集。

其次，它在记录间是结构化且可比较的。每条提示都有category（创意、营销、个人、生产力、编程、教育、商业、研究或其他）、tags、model字段（指明目标AI系统），以及适用的metadata对象，包含media_type、aspect_ratio、style和编辑质量评估，这对公开数据集来说并不常见，且有助于研究优秀提示与平庸提示的差异。

第三，它无需任何门槛即可访问：不需要API密钥，没有速率限制需要绕过，也无需维护抓取基础设施。这对可复现性很重要，而这正是本文的重点。

可复现地拉取数据

该数据集通过两个端点提供。数据集清单返回一个JSON文档，描述集合信息：total_prompts、完整的record_fields模式以及分页方案。目录本身位于/dataset/prompts，同样是JSON格式，使用键集游标而非页码进行分页。

键集分页值得特别说明，因为它是研究拉取可复现的关键。基于偏移量的分页在爬取过程中若记录被添加或删除，会悄然发生偏移，导致重复或跳过行。键集游标没有这种故障模式：跟随每个响应中的next URL，直到返回null，每一页都锚定在稳定位置，而非可能漂移的行数。

最小拉取示例：

curl "https://www.wikiprompt.org/dataset/prompts?limit=500"

limit每页最多接受500条记录（默认200），游标参数为after。用Python进行完整爬取是一个简短循环：

import requests

url = "https://www.wikiprompt.org/dataset/prompts?limit=500"

records = []

while url:

resp = requests.get(url, timeout=30).json()

records.extend(resp["prompts"])

url = resp.get("next")

print(len(records), "records pulled")

响应带有Access-Control-Allow-Origin: *和强边缘缓存，因此该循环成本低廉，无需后端代理。对于固定、可复现的样本，请将拉取日期与数据集快照一并记录，因为语料库正在持续增长。

记录中包含什么

每条记录包含用于文本分析的字段（title、description、content，即实际提示文本）、用于分类的字段（category、tags、model），以及用于多模态工作的字段（media，一个图像或视频URL数组，加上结构化的metadata对象）。时间戳（created_at、updated_at）支持纵向研究，slug和url为每条记录提供稳定、可解引用的标识符，用于引用具体示例而非仅引用汇总统计。

具体来说，引用可以指向一个围绕单块砖投下巨大阴影的建筑摄影提示，或一个风格独特的条目，如结合秋日意象与藏传曼陀罗图案的肖像，或借鉴武侠和唐卡美学惯例的作品。这些页面中的每一个都是该记录的规范、可引用位置：稳定URL、对原始作者的可见署名，以及指向原始帖子的链接。

对于实时过滤而非批量拉取，搜索API支持对同一目录进行基于查询的查找，机器可读摘要位于llms.txt。两者都不能替代用于系统抽样的批量数据集，但都有助于抽查或限定范围的样本，例如仅拉取创意类别用于限定在该领域的研究。

署名与引用

Wikiprompt是一个聚合器，而非语料库中提示的原始作者。内容来自个人创作者的公开帖子，正确的署名需要同时引用两层：Wikiprompt作为数据集来源，以及任何你引用、复制或详细分析的记录的特定original_source。我们不持有或声称对底层内容拥有正式许可；请将重用视为正确署名的请求，而非更广泛权利的授予。如果某个使用场景提出了数据集字段无法回答的问题，请将记录追溯到其original_source，并在文档中注明该来源链。

整个语料库的合理引用格式：

Wikiprompt Corpus. Retrieved [date] from https://www.wikiprompt.org/dataset/prompts.

Aggregated public AI prompt data; individual records attribute original authors

via the original_source field.

引用单条提示时，请引用其规范URL（wikiprompt.org/<slug>），并在分析依赖于原始上下文时，同时引用链接的original_source。

值得明确说明的局限性

这是一个经过整理的语料库，而非在线所有AI提示活动的随机样本。只有活跃、干净的提示会被导出；因质量或政策原因被移除的内容不会出现。这使其非常适合研究一个经过审核的、面向公众的提示集合是什么样的，但关于“人们如何向AI模型提示”的一般性主张应相应限定范围。

该语料库也在增长而非固定不变。一周的拉取不会与下一周完全匹配。在需要精确可复现的情况下，请自行快照数据（上述键集分页使这变得成本低廉），并引用检索日期，理想情况下还包括快照的记录数，而非指向实时端点并假设其后续会匹配。

最后，metadata中的质量评估是整理过程中做出的编辑判断，而非正式或同行评审的评分标准。它们作为研究变量很有用，但在未披露该来源的情况下，作为基准真相则不太可靠。

这些都不是回避该语料库的理由。这是任何聚合公开数据集都应被使用的条件：了解数据来源，披露样本边界，并引用实际撰写提示的人。