prompt-writer-zh

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：

• 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：

1. 询问审查重点（性能、安全性、可读性等）
2. 引导定义角色（资深Python开发工程师）
3. 收集上下文（项目类型、团队规模、代码规范）
4. 明确任务（识别问题并提供建议）
5. 设定约束（关注特定方面、输出格式）
6. 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：

1. 评估复杂度：多步骤任务，建议使用CRISPE框架
2. 介绍CRISPE框架并引导选择
3. 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
4. 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：

1. 诊断问题：缺少角色、上下文、约束、格式
2. 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
3. 引导用户选择并实施