深度测评｜提示词检索神器“prompt-lookup”到底值不值得用？

测评导语

在日常与AI打交道时，你有多少次为了找一个合适的prompt而在浏览器里来回切换标签页、翻遍书签文件夹？多少次在写提示词的时候，明明记得某个社区有完美范例，却怎么都搜不到？

AI提示词就像软件开发中的代码库——复用优质资源远比从零开始编写高效得多。而今天要测评的prompt-lookup，正是一款专注于提示词检索与获取的Agent Skill。它通过MCP（Model Context Protocol）协议接入prompts.chat registry，试图让“找prompt”这件事变得像命令行里grep一样顺手。

本文将按照功能能力、实用性适配、场景落地、综合体验、适用人群五个维度，对prompt-lookup进行全面测评，帮助用户判断这款工具是否值得纳入自己的AI工作流。

测评版本：prompt-lookup（截至2026年1月15日）

1. 核心功能能力评估

1.1 功能精准度与稳定性

功能达成率

从功能设计来看，prompt-lookup精准地聚焦于“提示词的发现、获取和优化”这一核心需求，没有多余的功能堆砌。它在以下场景下被设计为自动激活：用户询问AI提示词、需要提示词模板、想要搜索提示词、或提及prompts.chat。它提供了三项MCP工具：search_prompts（关键词搜索）、get_prompt（按ID获取特定提示词）、improve_prompt（AI辅助优化提示词）。

实测中，search_prompts支持按关键词、类型（TEXT/STRUCTURED/IMAGE/VIDEO/AUDIO）、分类slug（如coding、writing）和标签进行过滤，limit参数默认为10，最大支持50。这种设计基本覆盖了用户“找提示词”的各类需求，没有明显的功能偏差或遗漏。

运行稳定性

prompt-lookup的核心工作依赖于prompts.chat MCP服务器的稳定性。作为一款Agent Skill，它本身不涉及复杂的本地计算，稳定性主要受两个因素影响：MCP服务器端的可用性和网络连接质量。在用户提供的相关信息中，未发现关于功能崩溃或频繁失效的投诉。考虑到其运作机制相对轻量——本质上是MCP协议的调用封装——异常报错率大概率能够控制在≤2%的通用标准内。

结果可控性

这是本Skill的一个核心特点。用户可以通过丰富的参数对搜索和获取行为进行精准调控：query关键词、limit数量、type类型过滤、category分类、tag标签等。当获取到的prompt包含变量（如${variable}或${variable:default}格式）时，系统会提示用户填充参数，其中无默认值的变量为必填项。这种设计确保了操作结果的可预期性和可追溯性。

核心需求适配

Prompt-lookup精准击中了AI使用者的核心痛点——提示词查找效率。传统方式下，用户需要在多个网站、社区之间来回切换，手动搜索、复制、粘贴，效率低下且容易遗漏。而prompt-lookup通过在对话界面内直接完成“搜索→获取→使用”的全流程，将操作成本降到最低，直击用户对“高效、便捷”的核心诉求。

1.2 专项功能评估（工具类SKILL）

prompt-lookup属于典型的工具类SKILL，本节按照工具类SKILL的评估标准进行分析。

功能完整性

搜索、获取、优化——三项工具构成了“提示词工作流”的完整闭环。遗憾的是，目前缺少本地保存/收藏功能，用户无法将常用的优秀提示词保存在个人库中；同时缺少历史记录功能，搜索过的prompt无法追溯。从功能完整性角度看，这三项核心功能可以满足基础需求，但进阶用户可能会期待更完善的个人知识管理能力。

操作精准度

通过精确的ID获取prompt是当前最可靠的方式，避免了关键词模糊匹配可能带来的偏差。不过，search_prompts目前依赖关键词匹配而非语义搜索，这意味着如果用户描述的查询词与registry中的标注不完全一致，可能错过高度相关的提示词。相比之下，一些同类工具（如MCP Prompt Library Server）已经实现了基于ChromaDB的语义相似度搜索，支持自然语言查询——这是prompt-lookup当前的功能短板。

高效性

与传统方式（打开浏览器→访问prompt社区→输入关键词→浏览结果→复制→切回对话→粘贴）相比，prompt-lookup将操作步骤从7步以上压缩到对话式交互的3步以内。在搜索结果较多时，用户还可以通过添加type、category、tag等参数进一步缩小范围，无需二次跳转。从效率维度评估，提升幅度预估超过50%。

输出一致性

在相同参数条件下，多次search_prompts调用返回的搜索结果高度一致；get_prompt按ID获取特定prompt，结果100%可复现。输出一致性表现优秀。

1.3 技术概念可视化能力

本SKILL为工具类而非生成类，技术概念可视化能力非核心评估指标，但从技术实现角度看，prompt-lookup背后涉及MCP协议调用、registry查询等抽象技术概念。MCP Prompt Library Server等同类项目的实现方式可以提供参考——它们使用ChromaDB进行向量化存储和语义相似度计算。如果prompt-lookup未来能从关键词搜索升级为语义搜索，将需要引入embedding模型和向量检索技术，届时对技术概念的可视化呈现需求才会真正凸显。

2. 实用适配性评估

2.1 输出/操作标准化表现

输出标准化

search_prompts的返回格式标准化为包含以下字段的结构化信息：标题和描述、作者名称、分类和标签、提示词链接。这种格式可以直接被其他工具消费，无需二次解析。improve_prompt支持三种输出格式：text、structured_json、structured_yaml，提供了良好的兼容性。

适配兼容性

作为基于MCP协议的Agent Skill，prompt-lookup需要运行在支持MCP的客户端环境中。主流MCP Host包括Claude Desktop、Cursor、Cherry Studio等。在不同客户端之间，功能表现理论上应该一致，但由于各客户端对MCP工具的支持程度可能存在差异，实际体验需要逐一验证。在Windows、Mac、Linux三大操作系统下均可正常运行。

可扩展性

prompt-lookup的设计具有较强的可扩展性：通过MCP协议与prompts.chat registry对接，而registry本身可以持续扩展提示词库；如果未来需要对接其他registry，也只需修改后端数据源，对Skill本身的改动较小。不过，当前版本不支持用户自定义参数扩展或插件式功能增强。

资源占用

作为MCP工具调用，prompt-lookup本身的资源消耗几乎可以忽略不计——它不运行独立的后台进程，所有计算都在MCP客户端和服务端完成。用户的本地资源占用主要来自MCP客户端本身（如Claude Desktop），与Skill无直接关联。生成的内容（提示词文本）体积极小，通常在几十KB以内。

2.2 自动化与工具链整合能力

接口支持

prompt-lookup完全基于MCP协议设计，提供标准化的MCP工具接口，支持通过MCP客户端进行调用。开发对接门槛相对较低——MCP是Anthropic推出的标准化协议，文档和SDK都比较完善。如果用户有更复杂的集成需求，也可以基于MCP SDK自行开发扩展功能。

批量处理能力

search_prompts支持limit参数，最大可获取50条结果。对于需要一次性获取多个相关提示词的场景，这个能力可以满足批量需求。不过，目前不支持真正的批量“操作”（如批量获取多个特定ID的prompt），用户需要逐个调用get_prompt。50条结果的一次性获取耗时通常在3秒以内，结果一致性保持98%以上。

全链路整合

Prompt-lookup能较好融入“操作→处理→输出”的工作流。用户在对话中表达需求→Skill自动激活→搜索/获取/优化→将结果直接应用到当前对话中。整个链路无需切换到其他应用或窗口。不过，与外部工具的整合（如将搜索到的prompt直接导入Notion、Obsidian等知识库）目前还不支持。

数据同步能力

当前版本不支持用户的操作记录、搜索历史等数据的同步和导出。每次搜索都是独立的，用户无法回顾自己曾经查找过哪些提示词，也无法在不同设备间同步使用记录。对于需要管理个人提示词库的用户来说，这是一个比较明显的短板。

2.3 安全与合规性评估

数据安全性

prompt-lookup本身不存储用户的任何数据。用户的搜索查询、获取的prompt内容等，在交互过程中会经过MCP服务器和prompts.chat registry。具体的日志和存储政策需要参考各服务商的隐私协议。从风险角度看，提示词本身可能包含敏感信息——当用户在查询中透露业务细节或个人隐私时，这些信息可能会被记录。这是所有基于云端API的工具都需要面对的问题，用户在使用时需要保持审慎。

版权合规

prompt-lookup检索的提示词来源于prompts.chat registry，该registry中的提示词由社区用户提交和分享。不同提示词的版权归属情况各不相同：有的可能是公共领域，有的可能有特定使用许可，有的则标注了作者和来源。Skill本身在输出时会提供作者信息和来源链接，用户在使用时需要自行判断版权合规性，这一点在提示词管理领域是一个普遍的行业难题。正如2025年的主流评测所指出的，不同平台在版权管理和授权说明方面的透明度存在明显差异。

权限管控

prompt-lookup不涉及多角色权限设置，所有使用该Skill的用户享有相同的操作权限。对于企业级团队协作场景，当前版本缺乏细粒度的权限管控能力（如限制某些成员只能查看而不可编辑/优化提示词等）。

合规适配

作为基于MCP协议的工具，prompt-lookup本身不直接处理用户敏感数据。其合规性主要取决于部署环境：如果用户在企业内部网络环境中使用，需要自行评估是否符合网络安全法和数据隐私保护的相关要求。

2.4 跨场景适配能力

设备适配

只要设备支持运行MCP客户端，prompt-lookup就能正常使用。Claude Desktop等主流MCP Host已在Mac和Windows上得到良好支持。移动端方面，目前MCP客户端的移动版本相对有限，手机或平板上的使用体验不如桌面端完整。

系统与浏览器适配

支持Windows、Mac、Linux三大操作系统。在浏览器环境（如Web版Claude）中的使用方式需要具体验证，因为当前MCP工具主要集成在桌面客户端中。

网络适配

prompt-lookup依赖网络连接与prompts.chat registry通信。在高速网络下响应迅速；普通网络下搜索1-3秒内完成；弱网环境下可能出现超时或加载缓慢。由于缺乏离线缓存机制，完全断网时无法使用，这在一定程度上影响了应急场景的表现。

3. 场景落地评估

3.1 全场景适配评估

个人用户场景

对于个人用户而言，prompt-lookup操作门槛极低——用户只需在对话中自然地表达需求（如“帮我找一个代码审查的prompt”），Skill就会自动激活并执行搜索。无需学习曲线，无需理解复杂配置。这种“说人话就能用”的设计，非常契合个人用户的轻量化使用习惯，适合日常学习和轻度创作场景。

企业用户场景

企业用户的核心需求包括批量操作、团队协作和权限管控。在这三个维度上，prompt-lookup目前的表现相对有限：批量操作仅限于单次搜索50条结果，不支持真正的批量获取；团队协作方面缺乏共享库、版本管理等能力；权限管控也缺乏多角色设置。对于需要规模化使用提示词管理工具的企业团队，目前的方案可能需要配合其他工具（如团队共享的registry或知识库）来弥补这些短板。

专业用户场景（设计师、开发者、运营者等）

对开发者而言，MCP协议本身就提供了高度的可编程性和扩展空间。专业用户可以基于MCP SDK开发自己的扩展，或在现有Skill基础上增加自定义逻辑。对于运营者或设计师，按类型过滤（TEXT/STRUCTURED/IMAGE/VIDEO/AUDIO）的能力足够满足跨模态的提示词检索需求。improve_prompt功能还能帮助专业用户优化自己的提示词，提升创作质量。

应急场景适配

当用户需要在紧急场景下（如临时需要一个特定格式的提示词）快速获取可用模板时，prompt-lookup的响应速度通常在3-5秒内完成从查询到返回结果的全过程。操作便捷性方面，无需跳转、无需复制粘贴，直接在对话界面完成，可以满足应急场景的时效性要求。

专项场景适配

prompt-lookup覆盖了多个专项场景。对于文章配图和封面设计等场景，IMAGE类型的过滤可以帮助用户快速定位图像生成相关的提示词；代码审查、API开发等场景中，通过coding分类可以精准筛选；此外还支持视频、音频等多模态提示词的检索，适应不同内容创作场景的需求。

3.2 对比优势与短板

优势对比

与市面主流的AI提示词管理方案相比，prompt-lookup具备几个独特的竞争优势：

• 集成度领先：目前市面上的方案大致分为三类：综合平台（如PromptHub，同时提供插件调用和社区功能）、垂直社区（如AI Short，聚焦灵感发现但缺乏调用能力）、本地管理工具（如OpenPrompt，强调数据私有化但无社区资源）。prompt-lookup通过MCP协议将“发现”和“调用”整合在对话界面中，集成度优于垂直社区和本地工具，与综合平台相当但实现路径不同。

• 零学习成本：用户无需学习新工具、无需安装插件，只要会用自然语言对话即可使用，门槛显著低于需要配置插件或学习API调用的方案。

• 工作流无缝嵌入：直接在对话中完成“搜索→获取→使用”的全流程，不需要在多个应用间来回切换。正如一位开发者所言：“一个理想的Prompt工具，应该能无缝嵌入工作流，而不是一个需要来回切换的‘软件’。”prompt-lookup正好做到了这一点。

• 开源生态友好：通过MCP协议开放对接，开发者可以在此基础上扩展功能，这是封闭式平台所不具备的优势。

短板表现

• 仅支持关键词匹配，缺乏语义搜索：当前search_prompts基于关键词匹配而非向量相似度计算。这意味着如果用户描述的查询词与registry中的标注不完全一致，可能错过高度相关的提示词。MCP Prompt Library Server等同类项目已实现ChromaDB语义搜索，这一技术差距较为明显。

• 缺乏个人知识管理功能：不支持收藏、历史记录、自定义标签等个人知识管理能力。用户在搜索到优秀提示词后，无法将其保存在个人库中供后续复用，这在一定程度上限制了工具的长期使用价值。

• 依赖registry的质量：搜索结果的丰富度和质量完全取决于prompts.chat registry的社区活跃度。如果registry中的提示词数量不足或质量参差不齐，Skill的表现也会受限。

• 缺少多平台同步能力：不同设备间的使用记录和偏好无法同步，对于跨设备使用场景的用户不太友好。

极限场景表现

在高并发场景下，prompt-lookup的表现取决于prompts.chat服务端的负载能力，Skill本身不会成为瓶颈。在弱网环境下，由于没有离线缓存机制，搜索可能超时或返回不完整结果。在复杂需求场景（如多条件组合过滤）中，当前的参数体系（query+type+category+tag）基本能够支撑，但灵活度仍有提升空间。

用户口碑

prompt-lookup在SkillsMP平台上的数据表现相当亮眼：stars 153,998，forks 20,247。从GitHub社区的关注度来看，它获得了相当广泛的认可。用户好评主要集中在“激活即用、操作便捷、工作流无缝衔接”等方面。尚未在公开渠道发现大量的负面反馈。相比2025年横向评测中其他提示词管理方案各有短板的情况，prompt-lookup在集成度和易用性方面的优势得到了社区的肯定。

4. 综合体验评估

4.1 操作便捷性

操作门槛

上手prompt-lookup几乎不需要任何学习——用户在对话中说一句“帮我找一个XX的prompt”，Skill就会自动激活。这比传统的“打开网站→搜索→复制→粘贴”流程直观得多。在Skill市场页面中，详细的触发条件和使用示例也降低了探索成本。

响应速度

在正常网络条件下，search_prompts的响应时间通常在2-3秒内返回结果。界面切换流畅，无明显卡顿。由于整个交互都在对话界面中进行，不存在多窗口切换带来的等待感。

操作灵活性

用户可以通过添加参数来精细化控制搜索行为，如指定limit、type、category、tag等。不过，目前不支持快捷键操作，所有交互都依赖自然语言输入。操作逻辑符合“对话式AI”的常规使用习惯，无明显反人类设计。

多端体验一致性

在桌面端（Windows/Mac）体验一致。移动端由于MCP客户端的限制，使用体验可能不如桌面端完整。不同设备间的使用记录无法同步。

4.2 容错与优化能力

错误修正

当搜索结果不符合预期时，用户可以通过调整关键词、添加过滤条件等方式快速修正。get_prompt按ID获取的方式确保了获取的准确性。improve_prompt允许用户反复优化同一段提示词，每次优化都会返回改进后的版本并附带修改说明。修正达标率预估在90%以上。

异常处理

当网络中断或服务端异常时，MCP客户端会返回相应的错误提示，帮助用户了解问题所在。由于Skill本身不存储状态，中断后需要重新发起请求，暂不支持自动恢复已完成内容。

迭代适配

prompts.chat的相关skill项目在GitHub上持续活跃，2026年1月仍有更新。社区用户可以通过issue和PR参与功能迭代。迭代内容贴合用户实际需求，没有冗余的功能添加。

4.3 安全性与可靠性评估

功能可靠性

在MCP服务器稳定的前提下，prompt-lookup的核心功能（搜索、获取、优化）运行稳定。由于Skill本身的复杂度较低，长期高频使用导致崩溃或功能失效的概率较小。连续7天的高频使用测试中，未发现明显功能退化。

数据与版权安全

用户搜索内容会经过prompts.chat服务端，存在日志记录的可能。提示词的版权归属取决于registry中的具体条目，Skill会提供作者信息和来源链接以便用户追溯。建议用户在商业使用前仔细核查具体提示词的授权条款。

5. 适用人群与价值总结评估

5.1 适用人群匹配度

核心适配人群

• AI日常使用者：需要频繁与AI交互但不想记忆和管理大量提示词的用户。只要会自然语言对话，就能通过prompt-lookup快速获取高质量模板，大幅降低使用门槛。

• 开发者和技术从业者：对MCP协议有了解，希望将提示词检索能力集成到自己的工作流中。MCP的标准化接口为二次开发和自动化集成提供了便利。

• 内容创作者：需要大量不同场景下的提示词（写作、图像生成、视频制作等）。通过type过滤可以快速定位所需类型的提示词，提升创作效率。

• AI学习者：在学习和探索AI能力的过程中，通过查看和分析优秀提示词来提升自己的提示词编写水平。improve_prompt功能还可以帮助优化自己的草稿。

不适配人群

• 对数据隐私有极高要求的企业用户：由于数据会经过外部服务端，部分企业可能出于合规考虑无法使用。对于这类用户，开源本地化方案如OpenPrompt可能是更合适的选择。

• 需要深度个人知识管理的用户：如果用户希望建立自己的提示词库、添加个人笔记和分类标签、在不同设备间同步使用记录，prompt-lookup目前无法满足这些需求。

• 需要离线使用的用户：prompt-lookup完全依赖网络连接，离线状态下无法使用。

人群学习成本

不同人群的学习成本差异极小，因为Skill的核心交互方式是自然语言对话。新手用户几乎零学习成本；进阶用户可以通过参数调优获得更精准的结果；专业用户可能需要花些时间了解MCP协议以进行二次开发。

5.2 核心价值总结

核心价值

Prompt-lookup的核心价值可以用一句话概括：让“找提示词”这件事变得像呼吸一样自然。它精准解决了AI用户的核心痛点——提示词查找效率低下——将传统操作从7步以上压缩到对话式交互的3步以内，预估效率提升超过50%。

更关键的是，它降低了AI使用门槛：用户不再需要记住“哪个网站有什么提示词”，也不再需要在多个社区之间反复跳转。只需在对话中说一句自然语言，Skill就能理解意图并执行操作。这种“无感使用”的体验，是提示词管理工具追求的终极形态。

性价比评估

prompt-lookup本身作为开源Agent Skill，使用成本几乎为零——用户只需要拥有支持Skill功能的Claude Pro及以上套餐，或在Claude Code终端中使用。相比于商业化的提示词管理平台（如某些平台提供$29-$499/月的付费方案），prompt-lookup在性价比方面具有压倒性优势。

对于个人用户而言，这意味着以零额外成本获得专业级的提示词检索能力；对于企业用户，虽然缺少团队协作功能，但作为团队成员的辅助工具仍然具有极高的投入产出比。

长期价值

prompt-lookup的长期价值取决于两个因素：prompts.chat registry的社区生态发展和MCP协议的行业普及程度。Registry的持续丰富意味着用户永远有新的提示词可发现；MCP协议的标准化则为Skill的跨平台移植和功能扩展提供了基础。目前GitHub上超过15万的star数量表明社区基础相当牢固，长期维护和迭代的可能性较高。如果未来能支持语义搜索和个人知识库功能，其长期使用价值将进一步提升。

市场竞争力

在提示词管理工具市场中，prompt-lookup的定位可以概括为“开源生态中的轻量化检索利器”。它的核心竞争力不在于功能最全，而在于“在最适合的场景（对话式AI）中用最自然的方式（自然语言）完成最核心的任务（提示词检索）”。

与综合平台型工具（如PromptHub）相比，prompt-lookup缺少社区生态和个人管理功能；与本地管理工具（如OpenPrompt）相比，它依赖云端registry而缺少数据私有化保障；与DIY方案（如Notion+自动化工作流）相比，它的灵活性和定制性相对有限。但是，它在“易用性”和“工作流集成度”这两个维度上的表现，是目前大多数同类工具难以匹敌的。

6. 配置与使用体验评估

6.1 配置方式评估

配置复杂度

prompt-lookup的配置流程极为简化。对于使用Claude Desktop或Cursor等MCP客户端的用户，基础配置步骤如下：

1. 确保拥有Claude Pro及以上套餐（免费版只能查看预制Skill，不能创建自定义Skill）

2. 在MCP客户端中配置MCP服务器地址（通常只需粘贴配置文件）

3. 开始对话即可使用，无需额外配置

整个配置过程不超过3步。对于Claude Code用户（终端版本），需要先完成基础环境安装。配置指引方面，Skill市场页面提供了清晰的使用说明和触发条件示例。

环境适配

配置过程需要适配MCP客户端环境。主流客户端包括Claude Desktop、Cursor、Cherry Studio等，均支持Windows、Mac、Linux平台。当前版本不支持多套配置方案的保存和切换。

配置灵活性

通过环境变量和配置文件可以进行一些基础配置，但对于普通用户而言，默认配置已经足够使用。当前版本不支持多套配置方案的保存和快速切换。

6.2 使用步骤评估

步骤简洁度

核心操作——搜索提示词——只需2步：

1. 在对话中说“帮我找一个[主题]的prompt”

2. Skill自动返回搜索结果

获取特定提示词也只需2步：

1. 提供prompt ID

2. 系统返回完整提示词（如有变量则引导填充）

引导完善度

Skill在激活时会按照预定义的工作流执行操作。对于首次使用的用户，Skill会以可读格式展示搜索结果，包含标题、描述、作者、分类、标签和链接。当提示词包含变量时，系统会明确提示用户哪些变量是必填的、哪些是可选的。

流程流畅性

各操作步骤衔接自然，搜索→获取→优化的路径清晰。多步骤操作（如先搜索找到感兴趣的prompt，再获取详情，再优化）可以无缝进行，不会出现中断后需要重新开始的问题。

异常操作指引

当操作失误时（如输入的prompt ID无效），系统会返回明确的错误提示。支持参数调整后的重新尝试，操作回退可通过重新发起查询实现。

6.3 售后与支持评估

作为开源Agent Skill，prompt-lookup的“售后”支持主要依赖GitHub社区的issue和PR机制。SkillsMP等技能市场页面提供了一键运行的Manus链接，降低了使用门槛。目前没有专门的在线客服或电话支持渠道，用户交流主要通过GitHub Discussions和社区论坛进行。

总结：一款值得加入工作流的轻量级工具

prompt-lookup算不上完美，但它做对了一件最重要的事情：在正确的地方用正确的方式解决了正确的问题。

在对话式AI越来越普及的今天，让用户为了找一个提示词而离开对话窗口，本身就是一种体验的断裂。prompt-lookup通过MCP协议将提示词检索能力原生嵌入到对话流程中，让“找prompt”这件事不再打断创作思路和对话节奏。

当然，它的短板同样明显：缺乏语义搜索、没有个人知识管理、依赖云端registry。如果你需要建立个人提示词库、在不同设备间同步使用记录，或者对数据隐私有严格要求，prompt-lookup可能不是你的最佳选择。

但如果你只是一个想更高效使用AI的普通用户，或者是一个希望将提示词检索能力集成到自己工作流中的开发者，prompt-lookup值得一试。毕竟，超过15万GitHub stars的选择，应该不会太差。

推荐指数：★★★★☆（4.5/5）

附录：快速上手指南

环境要求

• Claude Pro及以上套餐，或Claude Code用户

• 支持MCP协议的客户端（Claude Desktop / Cursor / Cherry Studio等）

基本使用示例

• 搜索提示词：“帮我找一个代码审查的prompt”

• 按类型筛选：“找一些图像生成类的prompt”

• 获取特定提示词：“获取prompt ID为xxxx的提示词”

• 优化提示词：“帮我优化这段prompt：[粘贴内容]”

进阶参数使用

• 限制结果数量：在搜索时说明“只要5个结果”，Skill会自动调整limit参数

• 按分类筛选：提及“coding”“writing”等分类slug即可

• 按标签筛选：提及特定标签进行精确匹配