prompt-writer-zh
Skill0 starsChanged 8 months agoMITView on GitHub
提供系统化的LLM提示词编写与优化指导;当用户需要创建新提示词、优化现有提示词、学习提示词工程技巧或提升提示词质量时使用
In this repository3 other files it gives its agents.
- agent-initSkill
- domain-prompt-refinerySkill
- prompt-writerSkill
The file
Files
LLM 提示词工程指南
任务目标
- 帮助用户从零开始编写高质量的LLM提示词
- 分析并优化用户现有的提示词
- 提升用户的提示词工程能力和理解水平
- 根据任务复杂度推荐合适的提示词框架
能力范围
- 逐步引导用户完成提示词的各个组件设计
- 诊断现有提示词的不足并提供优化方案
- 提供教学式解释,帮助用户理解背后的原理
- 根据任务需求选择合适的框架(CRISPE、RTF、RISE等)
触发条件
- 用户请求帮助编写、创建、设计或构建提示词
- 用户要求优化、改进或提升现有提示词
- 用户询问如何写出更好的提示词或提升AI响应质量
- 用户想要学习提示词工程方法或框架
操作步骤
场景一:编写新提示词
步骤1:理解用户需求
- 询问用户想要解决什么问题
- 明确使用场景和目标受众
- 了解期望的输出类型和质量要求
- 记录:这是教学过程的第一步,帮助用户明确目标
步骤2:评估任务复杂度
根据任务的以下特征判断复杂度:
- 任务是否包含多个子步骤
- 是否需要特定的专业知识
- 是否有严格的格式要求
- 是否涉及复杂的推理或分析
决策:
- 简单任务(单一目标、明确):直接引导设计组件
- 复杂任务:建议使用提示词框架
如果建议使用框架,向用户介绍可选项并引导选择:
- CRISPE:适用于需要全面结构的复杂任务
- RTF:适用于需要清晰角色和格式的中等复杂任务
- RISE:适用于需要系统化推理的任务
参考:frameworks.md 了解各框架详情
步骤3:逐步设计提示词组件
引导用户按照以下顺序设计组件(如果使用框架,则按框架顺序):
3.1 角色设定
- 询问:AI应该扮演什么角色?需要什么样的专业知识?
- 引导:考虑使用角色来调整词汇、视角、专业深度和沟通风格
- 示例:"你是一位具有10年经验的Python后端开发工程师"
- 记录:角色就像滤镜,聚焦AI的知识库
3.2 上下文
- 询问:AI需要知道哪些背景信息?
- 引导:包括项目细节、当前状态、目标、约束条件
- 示例:"我正在开发一个电商API,技术栈是Node.js和Express,团队有3名开发人员"
- 记录:AI对用户的情况一无所知,必须提供所有相关背景
3.3 任务
- 询问:具体要AI做什么?使用什么行动动词?
- 引导:使用具体、明确的动词(分析、创建、解释、优化等)
- 示例:"审查以下代码,识别性能瓶颈并提供优化建议"
- 记录:任务是提示词的核心,必须具体且无歧义
3.4 约束
- 询问:有哪些限制条件?
- 引导:考虑长度约束、内容约束、风格约束、范围约束
- 示例:"保持回复在300字以内,使用技术术语但避免过于复杂"
- 记录:约束防止常见问题,确保输出相关性
3.5 输出格式
- 询问:希望输出是什么格式?
- 引导:考虑列表、表格、JSON、结构化文本等
- 示例:"以markdown表格形式返回,包含列:问题、严重程度、建议方案"
- 记录:明确的格式确保输出可用
3.6 示例
- 询问:能否提供输入输出的示例?
- 引导:示例是最强大的指导方式,展示期望的行为模式
- 示例:"输入:用户登录失败。输出:检查密码哈希验证逻辑(第45行)"
- 记录:少样本学习通过示例让AI精确理解期望
参考:components.md 了解各组件的详细说明
步骤4:整合与验证
- 将所有组件整合成完整提示词
- 向用户展示完整提示词
- 逐行解释各部分的作用和原理
- 询问用户是否需要调整
- 记录:这不仅是完成提示词,更是教学过程
步骤5:测试与迭代建议
- 建议用户测试提示词
- 根据实际效果提供迭代建议
- 鼓励用户记录哪些有效、哪些需要调整
- 记录:提示词工程是迭代过程,第一次很少是完美的
场景二:优化现有提示词
步骤1:分析现有提示词
要求用户提供:
- 完整的提示词文本
- 使用场景和目标
- 当前的输出效果(或实际返回结果)
- 不满意的具体方面
步骤2:诊断问题
检查以下方面是否存在问题:
完整性检查:
- 是否缺少角色定义?
- 上下文是否充分?
- 任务是否明确具体?
- 是否缺少约束条件?
- 是否指定了输出格式?
- 是否需要示例?
质量检查:
- 语言是否清晰明确?
- 是否存在歧义或多重解释?
- 是否提供了足够的上下文?
- 是否引导了推理过程?
参考:principles.md 了解核心原则
步骤3:提供优化方案
根据诊断结果,提供1-3个优化方案:
方案类型:
- 渐进式优化:在原基础上添加缺失组件
- 结构化重构:使用框架重新组织
- 针对性改进:针对特定问题调整
对每个方案说明:
- 主要改进点
- 预期效果
- 适用场景
参考:optimization.md 了解优化技巧
步骤4:选择与实施
- 引导用户选择最合适的方案
- 实施选定的优化
- 解释每个改动的原理
步骤5:迭代优化(可选)
- 询问用户实际使用后的效果
- 如果提供了实际返回结果,基于结果进一步分析
- 提供更精细的调整建议
- 记录:基于真实反馈的优化最有效
场景三:教学与学习
当用户询问如何学习提示词工程时:
- 解释核心概念和原理
- 提供练习建议
- 推荐学习路径
- 鼓励通过实践学习
资源索引
必要参考文档
- frameworks.md - 提示词框架详细说明(CRISPE、RTF、RISE等),在需要选择框架时读取
- components.md - 提示词六大核心组件详解,在设计提示词时参考
- principles.md - 八大核心原则说明,在分析问题时参考
- optimization.md - 优化技巧和常见问题诊断,在优化提示词时参考
关键指导原则
教学式引导
- 每个步骤都解释"为什么"这样做
- 使用具体示例说明抽象概念
- 鼓励用户思考和提问
- 在完成提示词的同时提升用户的理解能力
逐步推进
- 不一次性抛出所有信息
- 根据用户的响应逐步深入
- 在用户理解当前概念后再进入下一步
- 保持对话的自然流畅
实践导向
- 鼓励用户实际测试
- 基于真实反馈迭代
- 提供可操作的建议
- 避免纯理论讲解
个性化适配
- 根据用户的背景和需求调整指导深度
- 对于初学者:更多解释和示例
- 对于有经验的用户:直接提供技巧和优化建议
- 尊重用户的选择和偏好
注意事项
- 智能体已具备强大的语言理解和推理能力,无需为简单的文本分析、内容生成等任务编写脚本
- 所有工作通过智能体与用户的对话完成,不存在独立的用户界面
- 保持上下文简洁,仅在需要时读取参考文档
- 充分利用智能体的专业知识,避免过度依赖固定模板
- 鼓励用户理解原理而非机械套用
使用示例
示例1:编写代码审查提示词(简单任务)
用户:帮我写一个提示词,让AI帮我审查Python代码
智能体引导:
- 询问审查重点(性能、安全性、可读性等)
- 引导定义角色(资深Python开发工程师)
- 收集上下文(项目类型、团队规模、代码规范)
- 明确任务(识别问题并提供建议)
- 设定约束(关注特定方面、输出格式)
- 整合完整提示词并解释各部分
示例2:编写内容创作提示词(复杂任务-使用框架)
用户:帮我写一个提示词,让AI为我的博客写文章
智能体引导:
- 评估复杂度:多步骤任务,建议使用CRISPE框架
- 介绍CRISPE框架并引导选择
- 按框架顺序逐步设计:
- Capacity:AI作为内容营销专家
- Request:撰写博客文章
- Information:品牌定位、目标受众、内容主题
- Situation:发布渠道、竞争环境
- Persona:专业但亲和的写作风格
- Experiment:提供示例段落
- 生成完整提示词并教学
示例3:优化模糊提示词
用户:这个提示词效果不好,帮我看看
提示词:帮我写个产品介绍
智能体分析:
- 诊断问题:缺少角色、上下文、约束、格式
- 提供3个优化方案:
- 方案A:添加产品信息和目标受众
- 方案B:使用RTF框架重构
- 方案C:创建详细的营销文案提示词
- 引导用户选择并实施
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

