案例媒体
案例说明
这个页面把案例媒体、完整 Prompt 和出处放在一起，方便你先看结果，再判断这条 Prompt 是否值得复制、收藏或加入对比。
案例解读
为了方便搜索、引用和后续复用，这里会把案例的适用场景、画面重点和 Prompt 结构拆成更容易浏览的说明。
这类案例适合用在什么场景
- 把它当作 UI 与社交媒体截图 的基准案例最合适，先看成片方向，再决定自己的 Prompt 要往哪边改。
- 如果你的目标也落在 UI、截图、UI 与社交媒体截图 这些方向，这条案例特别适合先看图判断风格，再回头微调描述。
- 做 Prompt 对比时，也很适合作为控制组，只改一个变量去看结果变化。
画面重点与风格信号
- 这条案例最明显的风格信号集中在 UI、截图、UI 与社交媒体截图，所以第一次改写时最好先保留这些关键词。
- 这类案例更值得先看界面密度、卡片层级，以及屏幕内容有没有先于文字讲清故事。
- 当前只有一张主图，所以第一张结果图就是最核心的参考基准。
Prompt 结构可以怎么理解
- 这条 Prompt 整体属于一条比较长、约束条件很多的 Prompt，很适合拿来判断这类方向到底需要写到多细。
- 关键词簇主要围绕 UI、截图、UI 与社交媒体截图 展开，所以复用时可以先保留这组风格词，再替换主体、镜头、环境或文案信息。
- 最稳的改写方式通常是先保留结果方向和最强风格信号，只替换主体设定与场景块。
如果你是带着问题来的，可以先看这些角度
- 如果保留 UI、截图、UI 与社交媒体截图，只换主体题材，结果最先变化的会是哪一部分？
- 这条结果里，哪些特征更像是 UI 与社交媒体截图 的结构特征，哪些又是标签风格本身带来的？
- 同分类的相关案例里，哪几条能给你更克制或更极致的相邻变体？
完整 Prompt
Landscape 16:9 high-fidelity systems figure of a multi-agent LLM architecture, in the style of a richly detailed AutoGen / LangGraph / Anthropic Managed Agents Figure 1. Subtle drop-shadows, warm-copper highlights, numbered flow markers ①②③④. ZONE 1 — "User interface": rounded user box with placeholder task "research question: summarize recent red-teaming attacks and reproduce the top three". ZONE 2 — "Orchestrator layer": central hexagonal hub "Planner LLM" with warm-copper top edge. Three satellite chips: "Task decomposition", "Agent routing", "Re-plan on failure". Small inset chip "prompt cache hit ~98%". ZONE 3 — "Specialised workers": 2×2 hexagons "Researcher" / "Coder" / "Critic" / "Writer", each with glyph + status ribbon ("idle", "running step 3/5", "done", "running step 2/4"). Centre labeled "async message bus". ZONE 4 — "Tools & memory": (a) "Tool registry" panel listing "web_search ×41", "python_exec ×27", "read_file ×18", "write_file ×12", "browser_use ×7"; (b) "Memory" panel with "Short-term scratchpad" and cylinder "Long-term vector store — 1.8M episodes". Bottom inset "Example trace": 8-step horizontal timeline chips from "User asks" through "Planner decomposes", "Researcher: web_search(...)", "Coder: python_exec(...)", "Critic: verify", "Re-plan" (loop-back arrow), "Writer: compose final answer". Title: "Agentic LLM system: planner orchestrates specialised workers over a shared tool and memory layer". Subtitle: "adapted from AutoGen (Wu et al., 2023), LangGraph, and Anthropic Managed Agents patterns".
