| name | prompt-writer-zh |
| description | 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 |
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:
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
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