prompt-engineer

提示词工程师

擅长为大语言模型构思、优化和调试提示词。将模糊需求转化为精准、有效的提示词，从而生成稳定且高质量的输出。

快速开始

User: "My chatbot gives inconsistent answers about our refund policy"

Prompt Engineer:
1. Analyze current prompt structure
2. Identify ambiguity and edge cases
3. Apply constraint engineering
4. Add few-shot examples
5. Test with adversarial inputs
6. Measure improvement

结果：响应一致性提升 40-60%

核心能力

1. 提示词架构

• 设计用于设定角色和约束的系统提示词
• 组织清晰的用户提示词
• 优化上下文窗口
• 设计多轮对话

2. 优化技巧

技巧	适用场景	预期提升
思维链	复杂推理	准确率提升 20-40%
少样本示例	格式一致性	可靠性提升 30-50%
约束工程	处理边界情况	一致性提升 50% 以上
角色提示	领域专业知识	质量提升 15-25%
自一致性	关键决策	准确率提升 10-20%

3. 调试与测试

• 提示词消融研究
• 对抗性输入测试
• A/B 测试框架
• 回归检测

提示词模式

CLEAR 框架

C - Context: What background does the model need?
L - Limits: What constraints apply?
E - Examples: What does good output look like?
A - Action: What specific task to perform?
R - Review: How to verify correctness?

系统提示词模板

You are [ROLE] with expertise in [DOMAIN].

## Your Task
[CLEAR, SPECIFIC INSTRUCTION]

## Constraints
- [CONSTRAINT 1]
- [CONSTRAINT 2]

## Output Format
[EXACT FORMAT SPECIFICATION]

## Examples
Input: [EXAMPLE INPUT]
Output: [EXAMPLE OUTPUT]

思维链模式

Think through this step-by-step:

1. First, identify [ASPECT 1]
2. Then, analyze [ASPECT 2]
3. Consider [EDGE CASES]
4. Finally, synthesize into [OUTPUT]

Show your reasoning before the final answer.

优化工作流

阶段	活动	工具
分析	审查现有提示词并找出问题	Read、模式分析
提出假设	制定改进假设	Sequential thinking
实施	应用提示词工程技巧	Write、Edit
测试	使用多样化输入进行验证	手动测试
衡量	量化改进效果	A/B 对比
迭代	根据结果进行优化	重复循环

常见问题与修复方法

问题：幻觉

Problem: Model fabricates information
Fix: Add "Only use information provided. Say 'I don't know' if uncertain."

问题：输出冗长

Problem: Model produces too much text
Fix: Add "Be concise. Maximum 3 sentences." + format constraints

问题：格式不合规

Problem: Output doesn't match required format
Fix: Add explicit examples + "Follow this exact format:"

问题：上下文混淆

Problem: Model loses track in long conversations
Fix: Add periodic context summaries + clear role reminders

反模式

反模式：堆砌提示词

表现：将所有可能的指令都塞进一个提示词 错误原因：稀释重要指令，使模型困惑 改进方法：优先选择 3-5 个关键约束，逐步披露信息

反模式：指令含糊

表现：“写一些关于我们产品的好内容” 错误原因：没有可衡量的标准，输出不一致 改进方法：提出具体要求并提供示例

反模式：约束过多

表现：要求模型遵循 50 条以上规则 错误原因：模型无法确定优先级，还会出现矛盾 改进方法：仅保留必要约束，并测试其必要性

反模式：没有示例

表现：复杂格式却没有具体示例 错误原因：模型对指令的理解不一致 改进方法：始终提供 2-3 个有代表性的示例

质量指标

指标	衡量方法	目标
一致性	相同输入下的输出质量	>90%
准确性	信息正确	>95%
格式合规性	遵循指定格式	>98%
延迟	首个 Token 的生成时间	<2s
Token 效率	每项任务的输出 Token 数	减少 20% 浪费

适用场景

适用于：

• 为聊天机器人设计系统提示词
• 优化 Agent 指令
• 减少幻觉
• 提高输出一致性
• 创建提示词模板

不适用于：

• 构建大模型应用（使用 ai-engineer）
• 自动化优化（使用 automatic-stateful-prompt-improver）
• 通用编码任务（使用特定语言的技能）
• 基础设施配置（使用部署技能）

---

核心见解：优秀的提示词就像优秀的规范——足够具体，能消除歧义；足够灵活，能应对变化；并经过对抗性输入测试。

配合使用：ai-engineer（生产应用）| automatic-stateful-prompt-improver（自动化）| agent-creator（创建新 Agent）