mcpField
P
prompt-engineering

prompt-engineering

github.com/alphaonedevAgent 工作流43 次安装
代码仓库

关于 prompt-engineering

prompt-engineering 是一项 OpenClaw 技能，用于创建、测试和改进可复用的 AI 模型提示词。它结合模板、指标分析、模型适配器和基于反馈的变体建议。

主要功能

  1. 01带变量的可复用提示词模板
  2. 02困惑度与长度分析
  3. 03适配 GPT-4 和 BERT
  4. 04基于反馈生成提示词变体
  5. 05基于嵌入的相似度检查

适用场景

  1. 01改进含糊或不准确的 AI 输出
  2. 02创建文本摘要提示词
  3. 03用提示词生成 Python 代码

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/alphaonedev/openclaw-graph --skill prompt-engineering

安装后在 Claude Code 中输入/prompt-engineering确认已加载。

详细介绍

prompt-engineering

用途

此技能可帮助 OpenClaw 为 AI 模型编写和优化提示词，提升文本生成、分类或代码补全等任务的输出质量、准确性和效率。它使用思维链提示和少样本学习等技术，优化与 LLM 的交互。

使用时机

当 AI 输出不理想时（例如回答含糊、出现幻觉，或在 NLP 任务中表现不佳），请使用此技能。可将其用于模型微调、调试 AI 行为，或将提示词集成到聊天机器人、自动内容生成器等应用中。

主要功能
  • 生成包含变量（例如 {input_text}）的提示词模板，以便动态复用。
  • 使用内置分析器，根据困惑度或回答长度等指标优化提示词。
  • 通过适配器支持 GPT-4 或 BERT 等常用模型。
  • 迭代优化：根据反馈循环自动提供不同版本。
  • 集成嵌入服务，并使用提供的 embedding hint 检查语义相似度。
使用模式

始终从基础提示词开始，然后逐步迭代：1）定义提示词结构；2）使用示例输入进行测试；3）分析输出；4）使用优化标志进行改进。对于 CLI，可使用 openclaw prompt create，然后接着运行 openclaw prompt test。在代码中，将提示词封装在函数中，以便模块化复用。对于复杂配置，请使用 JSON 配置文件，例如指定 "model": "gpt-4" 和 "temperature": 0.7。

常用命令/API

使用 OpenClaw CLI 快速执行操作；通过 $OPENCLAW_API_KEY 环境变量进行身份验证。对于 API，请向 https://api.openclaw.ai/v1/prompts 发送 JSON 负载。

  • CLI 命令：创建提示词
    openclaw prompt create --name myPrompt --template "Summarize {text} in 50 words" --model gpt-4
    此命令会生成可复用的提示词模板。

  • CLI 命令：测试并优化提示词
    openclaw prompt test --prompt-id 123 --input "Long article text here" --optimize perplexity
    运行提示词，并根据指定指标进行优化。

  • API 端点：创建提示词（向 /v1/prompts 发送 POST 请求）
    请求头：Authorization: Bearer $OPENCLAW_API_KEY
    请求体：{"name": "myPrompt", "template": "Translate {text} to French", "model": "gpt-4"}
    响应中会包含提示词 ID，供后续使用。

  • 代码片段：在 Python 中执行基本提示词

    import openclaw  
client = openclaw.Client(api_key=os.environ['OPENCLAW_API_KEY'])  
response = client.prompts.execute(prompt_id='123', input_data={'text': 'Hello world'})
集成说明

将提示词加载到其他 OpenClaw 技能或外部工具中，即可集成此技能。例如，在工作流配置文件中引用提示词 ID：
{ "skill": "prompt-engineering", "prompt_id": "123", "dependencies": ["aimlops/data-processing"] }
与 Hugging Face 等服务搭配使用时，可在查询中使用 embedding hint，例如传入 "embedding_hint": "prompt engineering ai ml nlp optimization"，以匹配相关向量。确保将 API 密钥设为环境变量（例如 $HUGGINGFACE_API_KEY），以便跨服务调用。始终根据架构验证提示词输出，以防止注入风险。

错误处理

常见错误包括身份验证失败（例如，401 Unauthorized：确保 $OPENCLAW_API_KEY 已设置且有效）、提示词结构无效（例如，缺少变量：使用 openclaw prompt validate --id 123 进行检查），或模型超时（例如，触及速率限制：使用指数退避策略重试）。对于 API 错误，请解析响应 JSON，查找 "error_code": "INVALID_TEMPLATE" 等代码，并通过编辑模板字符串进行修正。在代码中，使用 try-except 代码块封装调用：

try:  
    response = client.prompts.execute(...)  
except openclaw.errors.AuthenticationError:  
    print("Set $OPENCLAW_API_KEY and retry")
具体使用示例

  1. 文本摘要提示词：要总结文章，请创建提示词：openclaw prompt create --name summaryPrompt --template "Summarize the following text: {text} in under 100 words" --model gpt-4。然后进行测试：openclaw prompt test --prompt-id <returned_id> --input "This is a long article about AI..."。这会生成简洁的摘要；如果输出过于冗长，可添加 --optimize length 进行迭代优化。

  2. 代码生成提示词：要生成 Python 函数，请使用：openclaw prompt create --name codePrompt --template "Write a Python function that {task_description}" --model gpt-4。使用以下命令执行：openclaw prompt test --prompt-id <id> --input "sorts a list of numbers"。检查是否存在语法错误，并使用类似 --template "Write secure Python function that {task_description}" 的变体重新运行，以加入安全性要求。

图关系
  • 与集群相关：aimlops（例如，与数据处理和模型训练技能共享依赖项）。
  • 通过标签连接：ai（关联通用 AI 工具）、ml（集成机器学习工作流）、nlp（与语言任务直接重叠）、prompts（与提示词优化技能的核心关联）。
  • 嵌入关系：使用嵌入提示来建立语义链接，例如关联到 nlp-processing 技能，以增强基于向量的提示词。

评论

支持 Markdown