将Wikiprompt输入你的AI代理：MCP服务器 + 开放数据集

将Wikiprompt投喂给你的AI智能体：MCP服务器 + 开放数据集

如果你正在构建一个智能体，最难的部分很少是推理循环本身。真正难的是给模型提供值得推理的内容。一个能写代码但对好的Midjourney提示词毫无概念、或者不知道什么样的系统提示词结构能让编程助手乖乖听话的智能体，缺失的是整整一类有依据的知识。Wikiprompt就是为了填补这个空白而存在的，现在有两种方式可以把它接入你正在构建的任何东西：一个实时MCP服务器，你的智能体可以在运行时调用；以及一个批量数据集，你可以一次性索引并保存在本地。

它们解决的是不同的问题，大多数正经的配置最终会同时使用两者。

MCP服务器：一次工具调用即可

位于https://mcp.wikiprompt.org/mcp的MCP服务器是一个Streamable HTTP端点，读取操作无需API密钥。将Claude或任何兼容MCP的客户端指向它，你的智能体就能获得search_prompts、get_prompt、list_categories、get_featured、get_trending、random_prompt和prompts_by_author等工具，覆盖55,000多条精选提示词的完整目录。

将其添加到Claude Code只需一行命令：

claude mcp add --transport http wikiprompt https://mcp.wikiprompt.org/mcp

连接之后，智能体不再需要你把提示词粘贴到对话中。它可以在任务进行中自行决定需要某个示例。假设用户问你的助手“给我一个客服机器人的系统提示词结构”。智能体不会凭空编造一个听起来合理的模板，而是调用search_prompts，参数类似model=claude prompt_type=system-prompt，返回真实、经过人工筛选且附带质量元数据的结果，然后综合出一个能实际引用模式来源的答案。这与仅靠训练数据直觉构建的答案有本质区别，这种依据性让智能体的推荐站得住脚，而不只是听起来合理。

对于图像和视频生成智能体来说，这一点更为重要。如果你的智能体在封装GPT Image、Midjourney、Seedance、Veo、Kling或Nano Banana，它可以调用按模型和风格过滤的search_prompts，拉回带有结构化metadata（宽高比、风格标签、质量评估）的提示词，然后给用户一个经过验证而非临时编造的起点。看看这个未来主义蛛形纲生物变形提示词或这个变形机器人泰坦工程蓝图：两者都是那种高结构、高具体度的提示词，凭记忆很容易描述得很糟糕，但实际检索到之后很容易正确复用。

还有submit_prompt，它允许智能体写回目录（该操作需要API密钥）。如果你的智能体在工作流工具或创意管线中生成了真正优质的内容，它可以将其贡献给公共资源库，而不是让它消失在聊天记录里。

数据集：当你需要离线使用时

MCP服务器非常适合按需查询，但它是一个实时网络调用，有时你希望整个目录放在自己的向量存储中，用你自己的嵌入进行搜索，并与你自己的数据关联。这就是数据集的用途。

先访问清单文件：

curl "https://www.wikiprompt.org/dataset"

它会返回total_prompts、你将获得的record_fields以及分页方案。实际记录位于/dataset/prompts，使用keyset游标分页，每页最多500条：

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

每个响应都包含一个next URL。一直跟随它直到next返回null，你就拿到了全部55,000多条记录，包括slug、url、title、description、content（实际要嵌入的提示词文本）、category、tags、media、model、结构化metadata、author和original_source。一个最小化的分页循环：

import requests

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

records = []

while url:

resp = requests.get(url).json()

records.extend(resp["records"])

url = resp.get("next")

print(len(records), "prompts collected")

无需API密钥，启用CORS，边缘缓存，所以你可以从基于浏览器的工具或CI任务中直接运行，无需事先请求许可。将content加上title和description切块送入你的嵌入管线，保留category、tags和metadata作为可过滤字段，你就得到了一个可供智能体本地查询的RAG就绪知识库，完全不依赖我们的服务可用性。

如果你的智能体工作更偏向分析而非对话，这也是更好的路径：构建一个展示哪个模型在高品质提示词中出现最多的排行榜，按技术对提示词进行聚类，或者基于metadata.assessment质量信号训练一个检索重排序器。数据集给你原始素材，在上面构建什么由你决定。

将两者结合使用

一个在实践中效果不错的模式：将数据集批量加载到你的向量存储中作为基础知识层，同时保持MCP服务器接入以获取最新内容。新提示词会持续发布到wikiprompt上，通过MCP的get_recent或get_trending能发现你上次数据集快照中还没有的内容。数据集提供深度和离线可靠性，MCP服务器则负责最后一公里。

一个值得通过任一途径直接查看的示例是这个数据物化图像提示词，它很好地说明了精心策划的提示词相比一行描述携带了多少结构，也正说明了为什么值得检索而不是靠模型猜测来重构。

无论你选择哪种方式接入，请标注你使用的内容来源。每条记录都带有其original_source，编写这些提示词的人才是真正做了创造性工作的人。尽可能引用wikiprompt.org作为聚合来源并链接回原始帖子。

如果你想要纯文本版本以便快速浏览而无需解析JSON，llms.txt可以在一个文件中为任何智能体提供整个站点机器可读表面的概览。如果你的智能体只需要搜索功能，而不想绑定MCP或完整数据集，搜索API是一个纯JSON GET请求，只需要一个查询字符串即可。