prompt-optimizer

概述

提示词优化是将意图转化为机器可执行指令的工程。这项技能运用 4-D 方法论（拆解、诊断、开发、交付），确保提示词清晰、结构合理，并针对特定模型架构进行优化（例如，Claude 偏好 XML 标记，而 OpenAI 偏好 Markdown）。

铁律

NO PROMPT SHIPS WITHOUT RUNNING THE 4-D AUDIT

不对提示词进行审查会导致“偏移”——由于歧义或结构薄弱，AI 的输出会逐渐偏离用户意图。

状态机

digraph prompt_optimization_flow {
    "Rough Input" [shape=doublecircle];
    "Deconstruct: Intent & Context" [shape=box];
    "Diagnose: Ambiguity Audit" [shape=box];
    "Develop: Apply Frameworks" [shape=box];
    "Deliver: Final Construction" [shape=box];
    "Validation: Test Run" [shape=diamond];
    "Optimized Prompt" [shape=doublecircle];

    "Rough Input" -> "Deconstruct: Intent & Context";
    "Deconstruct: Intent & Context" -> "Diagnose: Ambiguity Audit";
    "Diagnose: Ambiguity Audit" -> "Develop: Apply Frameworks";
    "Develop: Apply Frameworks" -> "Deliver: Final Construction";
    "Deliver: Final Construction" -> "Validation: Test Run";
    "Validation: Test Run" -> "Optimized Prompt" [label="pass"];
    "Validation: Test Run" -> "Diagnose: Ambiguity Audit" [label="fail"];
}

何时使用此技能

• AI 给出“幻觉”或无关答案时。
• 创建新的系统提示词或 SKILL.md 文件时。
• 复杂任务需要拆解后交给模型处理时。
• 需要让模型遵循特定输出格式（JSON、XML、Markdown）时。

何时不使用此技能

• 对精度要求不高的简单对话式查询。
• 瓶颈在于模型的知识截止时间，而非指令集时。

核心流程

步骤 1：拆解（提取核心意图）

将提示词拆解为基本要素。识别以下内容：

• 角色： AI 应该扮演什么角色？（来源：Anthropic）
• 目标： 具体、可衡量的结果是什么？
• 约束： 哪些事情绝对不能发生？（来源：OpenAI）

步骤 2：诊断（审查“漏洞”）

检查结构上的薄弱之处：

• 歧义： “更好”“更快”或“更有创意”等词语是否没有明确定义？
• 认知负荷： 提示词是否试图一次完成过多任务？
• 格式缺失： 是否清楚地定义了预期的输出结构？（来源：Anthropic）

步骤 3：开发（应用优化框架）

根据任务复杂度选择合适的技术：

• 思维链（CoT）： 要求模型在回答前先在 <thinking> 标签中“思考”（来源：Anthropic）。
• 少样本学习： 提供 2-3 个高质量的输入/输出示例。
• XML 结构化： 使用标签（例如 <context>、<task>、<example>）将指令与数据分开（来源：Anthropic）。
• 参考文本： 提供模型应使用的确切文本，以尽量减少幻觉（来源：OpenAI）。

步骤 4：交付（最终构建）

采用“自底向上”的方式组装优化后的提示词：

1. 角色定义。
2. 上下文/背景。
3. 任务/指令（拆解为多个步骤）。
4. 输出格式规范。
5. 示例（如适用）。

跨技能调用

• 必需的子技能：writing-skills — 确保提示词遵循 TDD 原则（结果可测试）。
• 推荐的子技能：non-fiction-precision — 确保指令措辞清晰、简洁。

理性化说明表

想法	现实
“这只是一个简单请求，不需要标签。”	简单请求最容易让模型“敷衍作答”。
“模型足够聪明，能自己弄明白。”	智能无法替代清晰的意图工程。
“我多加几句话，表达就会更清楚。”	冗长往往会分散模型的注意力；应使用结构。
“我没时间做 4-D 审查。”	糟糕的提示词在修改中浪费的时间，比审查所需的时间更多。

危险信号

• “模型不听话” → 你可能设置了相互冲突的约束，或角色定义薄弱。
• “输出太泛泛” → 你缺少具体约束或“少样本”示例。
• “一大段文字” → 你没有使用分隔符（Markdown 或 XML）来帮助模型解析意图。

诊断清单

• 提示词是否定义了具体的角色？
• 是否使用XML 标签或分隔符将指令与数据分开？
• 是否包含思维链指令（例如“逐步思考”）？
• 是否明确说明了输出格式要求（例如 JSON、长度、语气）？
• 提示词是否至少包含一条负面约束（需要避免的内容）？

来源

• OpenAI，《提示词工程指南》（任务分解策略）。
• Anthropic，《提示词工程文档》（XML 标签的使用与角色提示）。
• Anthropic，《提示词工程文档》（4-D 方法论）。