prompt-engineer

提示词工程师

目的

提供大型语言模型提示词设计、优化和评估方面的专业知识。专精于思维链、ReAct 和少样本学习等提示技术，以及生产环境中的提示词管理与评估。

适用场景

• 为大模型应用设计提示词
• 优化提示词效果
• 实施思维链推理
• 创建少样本示例
• 构建提示词模板
• 评估提示词效果
• 在生产环境中管理提示词
• 通过提示词减少幻觉

快速入门

在以下情况调用此技能：

• 为大模型应用编写提示词
• 优化现有提示词
• 实施高级提示技术
• 构建提示词管理系统
• 评估提示词质量

以下情况请勿调用：

• 大模型系统架构 → 使用 /llm-architect
• RAG 实现 → 使用 /ai-engineer
• NLP 模型训练 → 使用 /nlp-engineer
• Agent 性能监控 → 使用 /performance-monitor

决策框架

Prompting Technique?
├── Reasoning Tasks
│   ├── Step-by-step → Chain-of-Thought
│   └── Tool use → ReAct
├── Classification/Extraction
│   ├── Clear categories → Zero-shot + examples
│   └── Complex → Few-shot with edge cases
├── Generation
│   └── Structured output → JSON mode + schema
└── Consistency
    └── System prompt + temperature tuning

核心工作流

1. 提示词设计

1. 清晰定义任务
2. 选择提示技术
3. 编写包含上下文的系统提示词
4. 如果采用少样本方式，则添加示例
5. 指定输出格式
6. 使用多样化输入进行测试

2. 思维链实现

1. 确定推理要求
2. 添加“Let's think step by step”或同等表达
3. 提供推理示例
4. 组织预期的推理步骤
5. 测试推理质量
6. 迭代调整步骤指引

3. 提示词优化

1. 建立基准指标
2. 找出失败模式
3. 调整指令，使其更清晰
4. 添加或修改示例
5. 调整输出约束
6. 衡量改进效果

最佳实践

• 指令应具体明确
• 使用结构化输出格式（JSON、XML）
• 为复杂任务提供示例
• 使用边缘案例和对抗性输入进行测试
• 对提示词进行版本控制
• 衡量并跟踪提示词效果

反模式

反模式	问题	正确做法
指令含糊	输出不一致	指令应具体明确
没有示例	复杂任务的效果差	添加少样本示例
输出无结构	难以解析	明确指定格式
未进行测试	不清楚失效模式	使用多样化输入进行测试
将提示词写在代码中	难以迭代	分离提示词管理