关于 Prompt Engineer
Prompt Engineer 是用于为 Claude Code 和其他 AI 系统编写、审查及优化提示词的技能,也支持为重复任务构建可复用模板。
主要功能
- 01分析提示词的清晰度与结构
- 02重写提示词并说明调整原因
- 03为指定目标设计提示词
- 04构建可复用的提示词模板
- 05运用进阶提示词技巧
适用场景
- 01改进效果不佳的提示词
- 02为新任务设计提示词
- 03将常用提示词整理成库
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ eddiebe147/ claude-settings --skill prompt-engineer安装后在 Claude Code 中输入/prompt-engineer确认已加载。
详细介绍
提示词工程师
提示词工程师技能可帮助你为 Claude Code 和其他 AI 系统编写、完善和优化提示词。它运用经过验证的提示词工程原则,包括清晰度、具体性、提供上下文和结构最佳实践,将模糊的请求转化为有效的 AI 指令。
此技能会分析现有提示词的不足,根据提示词工程研究提出改进建议,并帮助你为重复性任务构建提示词库。当你需要稳定、高质量的 AI 输出,或希望最大限度地提升复杂多步骤 AI 工作流的效果时,这项技能尤其有用。
无论你是在编写一次性提示词,还是构建可重复使用的模板,此技能都能确保你的 AI 交互清晰、可执行,并产出所需结果。
核心工作流
工作流 1:分析并优化现有提示词
- 接收 用户提供的当前提示词
- 根据 提示词工程原则进行分析:
- 清晰度:请求是否明确无歧义?
- 具体性:是否清楚地定义了输出?
- 上下文:是否提供了必要的背景信息?
- 结构:提示词是否组织得当?
- 约束:是否清楚地说明了限制条件?
- 找出 不足之处和改进机会
- 提供 优化后的版本并说明原因
- 如有要求,测试 改进后的提示词
- 根据结果进行迭代
工作流 2:从头设计新提示词
- 明确 目标:需要什么结果?
- 收集 需求:
- 目标 AI 系统的能力
- 输出格式要求
- 所需的领域上下文
- 需要处理的边缘情况
- 使用 经过验证的模式构建提示词:
- 如有益处,设置角色/人设
- 清晰的任务描述
- 具体的约束和要求
- 输出格式说明
- 复杂情况下提供示例
- 起草 初始版本
- 完善 清晰度和完整性
- 记录 使用指南
工作流 3:构建提示词模板库
- 找出 工作流中重复出现的提示词模式
- 提取 可重复使用的组件
- 参数化 可变元素
- 记录 模板,包括:
- 用途和适用场景
- 参数说明
- 使用示例
- 预期输出
- 使用多个场景测试模板
- 将模板存储在结构清晰的库中
快速参考
| 操作 | 命令/触发语 |
|---|---|
| 优化现有提示词 | "Optimize this prompt: [prompt]" |
| 设计新提示词 | "Design a prompt for [goal]" |
| 审查提示词质量 | "Review this prompt: [prompt]" |
| 创建模板 | "Create a prompt template for [use case]" |
| 应用最佳实践 | "Apply prompt engineering best practices to [prompt]" |
| 修复提示词问题 | "This prompt isn't working well: [prompt]" |
最佳实践
-
明确具体:用具体要求替换模糊说法
- 不佳:“让它变得更好”
- 良好:“通过提供 3 个带引用的示例,提高回答准确性”
-
提供背景:为 AI 提供所需背景信息
- 包括:领域知识、目标受众、限制条件
- 示例:“面向熟悉 React 的技术受众……”
-
清晰组织:使用格式整理复杂提示词
- 章节、项目符号、编号步骤
- 明确区分指令和示例
-
定义成功标准:说明理想输出应具备哪些特点
- 格式要求(JSON、Markdown 等)
- 长度限制
- 质量标准
-
使用示例:对于复杂输出,示例胜于单纯说明
- 提供 1-3 个理想输出示例
- 如有需要,加入边缘情况
-
反复迭代:通过测试改进提示词
- 从简单开始,按需增加复杂度
- 使用边缘情况进行测试
- 根据实际输出进行优化
-
分开处理不同事项:不要混合多个请求
- 每个提示词设定一个明确目标
- 对于多步骤工作流,串联多个提示词
-
合理设置限制:设定边界,但不要限制过度
- 指定限制条件(字数、格式)
- 在有助于发挥创造力的地方保留灵活性
进阶技巧
思维链提示
通过要求 AI“逐步思考”问题,鼓励其进行逐步推理:
Before providing the final answer, work through:
1. What are the key factors?
2. What are the trade-offs?
3. What does the evidence suggest?
Then provide your conclusion.
少样本学习
提供输入与输出配对示例:
Example 1: [input] → [output]
Example 2: [input] → [output]
Now apply the same pattern to: [new input]
基于角色的提示
指定专业领域或视角:
As a senior React architect with 10 years of experience,
review this component for performance issues...
基于约束的优化
使用具体限制来塑造输出:
Requirements:
- Maximum 3 paragraphs
- Include code examples
- Cite sources
- Use beginner-friendly language
应避免的常见问题
- 假设 AI 知道它并不了解的背景
- 对期望的输出格式描述得过于模糊
- 混合多个互不相关的请求
- 将简单请求复杂化
- 收到输出后才说明限制条件
- 对于复杂模式,忘记提供示例
- 使用未定义的模糊语言或行话
评论
支持 Markdown