一、Prompt优化Skill的设计
Prompt优化Skill是一个专门用于分析和改进提示词质量的工具，旨在帮助用户自动评估提示词的各项指标，并提供具体的优化建议。通过系统化的评估框架和可操作的改进策略，显著提升AI输出的质量、一致性和可靠性。
核心价值：将提示词优化的经验和方法论封装为可复用的Skill，让每次与AI的交互都能获得更精准、更有价值的输出结果。
核心功能
自动质量评估
从清晰度、具体性、约束条件、结构化程度等维度对提示词进行全面评分
智能重构建议
基于评估结果提供具体的优化方向和重构方案
多模型适配
针对Claude、GPT等不同模型提供差异化的优化策略
模板管理
建立可复用的提示词模板库，支持参数化配置
设计原则
Prompt优化Skill的设计遵循以下原则：评估先行，优化跟进。先通过多维度评估发现提示词的薄弱环节，再针对性地提出重构建议。同时保持对输出结果的可观测性，通过A/B测试持续迭代优化策略。Skill本身也支持自我优化——用户可以用它来优化自己的提示词，实现递归改进。
二、提示词质量评估
提示词质量评估是优化的基础。通过系统化的评估框架，可以快速识别提示词的薄弱环节，为后续优化提供明确方向。评估从以下五个维度展开：
评估维度
| 维度 | 评估标准 | 权重 |
|---|
| 清晰度 | 目标是否明确？AI是否清楚需要完成什么任务？ | 25% |
| 具体性 | 是否有足够的上下文和背景信息？ | 25% |
| 约束条件 | 格式、长度、风格等限制是否清晰指定？ | 20% |
| 结构化程度 | 是否有明确的输出格式和分段要求？ | 20% |
| 示例引导 | 是否提供Few-shot示例来引导输出方向？ | 10% |
评估清晰度
清晰度是提示词最基本的质量指标。一个清晰的提示词应该让AI明确知道需要完成什么任务，输出什么类型的内容。模糊的指令如"帮我看看这个"会让AI无所适从，而"请分析以下数据并给出三个关键洞察"则目标明确。
评估具体性
具体性衡量提示词是否提供了足够的上下文和背景信息。缺乏上下文的提示词容易产生泛泛而谈的输出。好的提示词应包含任务背景、目标受众、期望深度等信息。
评估约束条件
约束条件包括输出格式（Markdown/JSON/表格）、字数限制、风格要求（正式/轻松/技术性）、语气（专业/亲切）等。约束越清晰，输出越可控。
评估结构化程度
结构化程度评估提示词是否有明确的组织方式。使用分段、标题、列表等结构元素可以帮助AI更好地理解提示词的整体框架和执行步骤。
质量评分示例
评估输入提示词：
"帮我写一封邮件"
评估结果：
- 清晰度: 30/100（目标模糊，不知道邮件类型和受众）
- 具体性: 20/100（完全没有上下文信息）
- 约束条件: 10/100（无任何格式或风格限制）
- 结构化程度: 10/100（无输出格式要求）
- 示例引导: 0/100（无示例）
总体评分: 14/100 - 需要大幅优化
改进方向：明确邮件类型、收件人、目的、语气风格
三、提示词重构建议
根据评估结果，从以下五个方面提供重构建议。每个改进方向都配有具体的操作方法和示例对比，帮助用户快速掌握优化技巧。
优化指令措辞使其更精确
使用更精确的动词和限定词，避免模糊表达。将"帮我写"替换为"请生成"、"请分析"、"请总结"等明确指令。动词越具体，AI对任务的解读越准确。
# 优化前
"帮我写一封邮件"
# 优化后
"请生成一封正式的商务邮件，主题为'项目进度汇报'，
发送给客户团队。要求语气专业友好，字数控制在
200-300字之间，包含项目当前进展、下一步计划和
需要客户配合的事项。"
添加角色设定增强专业性
通过角色设定增强AI输出的专业性和针对性。角色设定应包含身份描述、专业领域和经验背景。角色越具体，输出的视角越清晰。
# 优化前
"解释一下什么是微服务架构"
# 优化后
"你是一位拥有10年经验的软件架构师，擅长分布式系统
设计。请用通俗易懂的语言向初中级开发者解释什么是
微服务架构，包括其核心概念、与单体架构的对比、
主要优缺点，以及适合采用微服务的场景。"
最佳实践：角色设定越具体，AI的输出越有针对性。可以指定角色的专业领域、经验年限、目标受众，甚至沟通风格。例如"你是一位有15年临床经验的中医师，擅长用通俗比喻向患者解释病理"比简单的"你是一位中医师"效果好得多。
补充背景信息和上下文
为AI提供足够的背景信息，帮助其在正确的语境中理解任务。背景信息可以包括：当前项目状态、目标读者群体、历史对话摘要、已知的限制条件等。
引入Few-shot示例引导输出
通过提供输入输出对示例，引导AI理解期望的输出格式和内容风格。Few-shot示例对于需要特定格式或风格的任务尤其有效。
请将以下中文句子翻译成英文，保持正式商务风格。
示例1:
输入: 感谢您对我们产品的关注。
输出: Thank you for your interest in our product.
示例2:
输入: 我们期待与贵公司建立长期合作关系。
输出: We look forward to establishing a long-term
cooperative relationship with your company.
请翻译:
输入: 关于您提出的问题，我们已经进行了详细的分析。
添加输出格式约束
明确指定输出的格式和结构，避免AI自由发挥导致格式不一致。对于需要程序化处理的结果，甚至可以要求输出JSON等结构化数据。
输出格式要求：
1. 使用Markdown格式
2. 每个要点以粗体标题开头
3. 每个要点附带1-2句解释
4. 总要点不超过5个
5. 最后附上一句总结
四、针对不同模型的优化策略
不同AI模型在架构设计、训练数据、指令理解方式上存在差异，因此提示词优化策略也需要因模型而异。了解各模型的特性，可以最大化优化效果。
Claude模型优化
Claude擅长对话式和详细风格的交互，对角色设定和上下文敏感度较高。针对Claude的优化要充分利用其对话理解能力和XML标签处理优势。
- 善用XML标签：Claude对XML标签有很好的理解能力，可以使用标签来结构化提示词的各个部分
- 对话式引导：采用自然对话风格，Claude更适合渐进式的指令展开
- 详细角色设定：Claude对角色的理解非常深入，详细设定能显著提升输出质量
- 思维链展示：引导Claude展示推理过程，可获得更可靠的输出
你是一位资深提示词工程师和AI交互设计专家。
用户需要优化一个用于客户服务场景的提示词。
当前版本不够精确，导致AI回复过于通用。
请分析以下客户服务提示词，从清晰度、具体性、
约束条件三个维度进行评估，并给出优化版本。
评估时请展示你的推理过程。
输入提示词："回答客户的问题"
Claude提示：在Claude中使用XML标签包裹不同的语义部分（如指令、上下文、示例、输出格式），可以显著提升模型对结构化提示词的理解准确度。这是Claude独特的优势能力。
GPT模型优化
GPT系列模型更适合指令式和简洁风格的提示词。优化时注重指令的精确性和结构的层级清晰度。
- 指令式开头：直接使用"生成"、"编写"、"分析"等祈使动词
- 清晰的约束：在提示词末尾明确输出格式和限制条件
- 层级式结构：使用井号标题层级组织复杂指令
- 精简上下文：GPT对冗余信息敏感，保持上下文简洁有效
# 角色
资深提示词工程师
# 任务
分析并优化以下客户服务提示词
## 评估维度
1. 清晰度 - 目标是否明确
2. 具体性 - 上下文是否充分
3. 约束条件 - 限制是否清晰
## 输入
"回答客户的问题"
## 输出格式
- 各维度评分（1-10）
- 问题分析
- 优化版本
模型特定能力对比
| 能力 | Claude | GPT |
|---|
| XML标签解析 | 原生支持，推荐使用 | 不支持，使用Markdown替代 |
| 角色扮演深度 | 深入且一致 | 较好但偶有偏差 |
| 指令遵循 | 注重对话上下文 | 注重指令精确度 |
| 长文本处理 | 擅长深入分析 | 擅长结构化输出 |
| 系统性思考 | 擅长多角度分析 | 擅长分步执行 |
优化策略选择：如果你不确定使用哪种优化策略，可以先用通用优化方法（提高清晰度和具体性），再根据使用的具体模型调整细节。一个好的做法是为同一个任务准备多个模型专用的提示词版本。
五、提示词模板管理
有效的提示词模板管理是提升工作效率的关键。通过建立标准化的模板体系，可以减少重复劳动，确保提示词质量的一致性，并支持团队协作和经验传承。
建立可复用的提示词模板库
根据常见任务类型（写作、分析、编程、翻译等）建立分类模板库，每个模板包含标准结构和优化建议。模板库的组织方式应便于快速查找和使用。
模板示例：分析类提示词
模板名称：深度分析模板
适用场景：产品分析、市场分析、竞品分析
标准结构：
1. 角色设定：[角色身份]
2. 分析对象：[待分析内容]
3. 分析维度：[维度列表]
4. 输出格式：[格式要求]
5. 约束条件：[长度/风格/特殊要求]
使用示例：
"你是一位资深市场分析师。
请分析以下产品的市场定位：
[产品描述]
请从目标用户、竞争优势、市场机会、
潜在风险四个维度进行分析。
输出格式：Markdown列表形式，每个维度
附带一个具体建议。总字数控制在800字以内。"
模板参数化和变量替换
使用变量占位符使模板更加灵活，适用于不同场景的快速适配。变量通常使用方括号或双花括号格式标识。参数化模板是实现提示词工程规模化应用的基础。
模板模板（元模板）：
"你是一位{{role}}专家，擅长{{expertise}}领域。
请{{task}}，关于{{topic}}。
要求：{{format_constraints}}
风格：{{style}}
字数：{{word_limit}}"
实际使用——网络安全场景：
"你是一位网络安全专家，擅长渗透测试领域。
请编写一份安全评估报告，关于公司Web应用程序。
要求：按风险等级分类，每个问题附修复建议
风格：专业、客观、实用
字数：1500-2000字"
效率提升：通过参数化模板，原本需要5-10分钟撰写的复杂提示词可以在1分钟内完成配置，且质量更加稳定可控。对于团队的标准化输出尤其有价值。
A/B测试不同提示词版本的效果
系统化的A/B测试是持续优化提示词的关键手段。通过对比不同版本的输出效果，可以找到最优的提示词策略。测试应遵循控制变量原则，确保结果的可比性。
| 版本 | 提示词 | 输出质量评分 | 一致性评分 |
|---|
| V1（基础版） | "总结这篇文章" | 6/10 | 4/10 |
| V2（加角色） | "作为资深编辑，总结这篇文章" | 7/10 | 6/10 |
| V3（角色+格式） | "作为资深编辑，用三个要点总结这篇文章" | 8/10 | 8/10 |
| V4（角色+格式+示例） | "作为资深编辑，用三个要点总结这篇文章。要点格式：标题+核心观点+关键数据" | 9/10 | 9/10 |
注意事项：A/B测试时建议每次只改变一个变量，以便准确归因效果变化。同时要在相同的模型版本和参数设置下进行测试，确保结果的可靠性。记录每次测试的完整提示词和输出结果，建立实验档案。
核心总结：Prompt优化Skill的本质是将提示词工程的最佳实践系统化和工具化。通过质量评估发现问题、重构建议改进问题、模板管理固化经验、A/B测试验证效果，形成持续优化的闭环。掌握这一Skill，可以显著提升与AI协作的效率和质量，让每次交互都产生更精准、更有价值的输出。