技能 prompt-engineering
1
下载技能 ZIP
2
在 Claude 中上传
前往 设置 → 功能 → 技能 → 上传技能
3
开启并开始使用
测试它
正在使用“prompt-engineering”。 用户询问：如何改进代码审查任务的提示？
预期结果:
- 使用带有上下文、代码块和具体关注点的结构化模板
- 包含2-3个示例审查，展示你期望的深度和格式
- 在最终建议之前请求分步分析
- 指定输出格式：分析、建议、代码示例、权衡
正在使用“prompt-engineering”。 用户希望AI为工单分类提供一致的JSON输出
预期结果:
- 提供3-5个输入-输出示例对，展示不同的工单类型
- 包含边缘情况的示例，如信息缺失或请求不明确
- 展示确切的JSON模式，包含缺失字段的null值
- 以"Now process:"结尾，后跟要分类的新工单
安全审计
安全v1 • 2/24/2026
All static analysis findings are false positives. The skill is a documentation-only resource about prompt engineering techniques. The 'external_commands' patterns appear in markdown code examples (not executable code), and no cryptographic code exists in the file. The skill contains educational content about prompting strategies with no security risks.
1
已扫描文件
177
分析行数
0
发现项
1
审计总数
未发现安全问题
审计者: claude
质量评分
38
架构
100
可维护性
87
内容
50
社区
100
安全
100
规范符合性
你能构建什么
AI开发者提升代码生成能力
后端开发者可以学习提示模式，从AI助手生成更准确的代码审查、API设计和文档。
内容创作者优化AI输出
写作者和营销人员可以应用少样本学习和模板系统，批量生成一致的品牌内容。
数据分析师构建AI分析框架
分析师可以使用思维链提示来验证AI在复杂数据问题上的推理，减少分析任务中的错误。
试试这些提示
基础：直接指令
Summarize this article in 3 bullet points, focusing on the key findings.
中级：少样本示例模式
Extract key information from support tickets:
Input: "My login doesn't work and I keep getting error 403"
Output: {"issue": "authentication", "error_code": "403", "priority": "high"}
Input: "Feature request: add dark mode to settings"
Output: {"issue": "feature_request", "error_code": null, "priority": "low"}
Now process: "Can't upload files larger than 10MB, getting timeout"高级：思维链推理
Analyze this bug report and determine root cause. Think step by step: 1. What is the expected behavior? 2. What is the actual behavior? 3. What changed recently that could cause this? 4. What components are involved? 5. What is the most likely root cause? Bug: "Users can't save drafts after the cache update deployed yesterday"
专家：带变量的模板系统
Review this {language} code for {focus_area}.
Code:
{code_block}
Provide feedback on:
{checklist}最佳实践
- 从简单开始并迭代——从直接指令开始，只根据观察到的结果在需要时增加复杂性
- 用示例而非描述规则——2-5个输入-输出对始终优于冗长的解释
- 在将提示部署到生产工作流之前，使用包括边缘情况在内的多样化输入进行广泛测试
避免
- 在尝试简单的直接指令之前，用复杂的结构过度设计提示
- 使用的示例与目标任务不匹配，导致模型行为混乱或不一致
- 使用过多示例超出token限制，将相关上下文挤出提示窗口
常见问题
少样本学习应该包含多少个示例？
从2-5个输入-输出对开始。更多示例可以提高准确率但消耗token。根据任务复杂度和token预算进行权衡。
什么是思维链提示，什么时候应该使用它？
思维链要求模型在给出最终答案之前展示分步推理。将其用于复杂问题、数学推理或需要验证模型逻辑的情况。它可以将分析任务的准确率提高30-50%。
如何判断我的提示是否需要优化？
在多样化输入上进行测试，测量准确率、一致性和token使用情况。如果结果差异显著或遗漏关键要求，系统性的提示变体A/B测试可以识别改进方向。
系统提示和用户提示有什么区别？
系统提示设置全局行为、角色和在整个对话中持续存在的约束。用户提示包含可变内容和每轮的具体指令。将系统提示用于稳定指令。
这些技术可以用于任何AI模型吗？
是的，这些模式适用于Claude、Codex和其他LLM。然而，效果因模型而异。根据所使用的具体模型进行测试和调整。
如何处理提示中的边缘情况和错误？
包含备用指令，请求置信度分数，并指定如何表示缺失信息。当模型对输入不确定时，要求提供替代解释。