---

name: llm-prompt-optimizer description: "用于改进任何 LLM 的提示词。应用经过验证的提示工程技术来提升输出质量、减少幻觉并降低 token 用量。" risk: safe source: community date_added: "2026-03-04"

LLM 提示词优化器

概述

此技能将模糊、含混或不一致的提示词转化为精确工程化的指令，能够从任何 LLM（Claude、Gemini、GPT-4、Llama 等）可靠地产出高质量输出。它应用系统化的提示工程框架——从零样本到少样本、思维链和结构化输出模式。

何时使用此技能

• 当提示词返回不一致、模糊或幻觉结果时使用
• 当你需要从 LLM 可靠地获取结构化/JSON 输出时使用
• 当为 AI 代理或聊天机器人设计系统提示词时使用
• 当你想在不牺牲质量的情况下减少 token 用量时使用
• 当为复杂任务实现思维链推理时使用
• 当提示词在一个模型上有效但在另一个模型上失败时使用

分步指南

1. 诊断弱提示词

优化之前，确定适用的问题模式：

| 问题 | 症状 | 修复方法 | |---------|---------|-----| | 太模糊 | 通用、无用的回答 | 添加角色 + 上下文 + 约束 | | 无结构 | 未格式化、难以解析的输出 | 明确指定输出格式 | | 幻觉 | 自信的错误回答 | 添加"如果不确定就说不知道" | | 不一致 | 每次运行答案不同 | 添加少样本示例 | | 太长 | 冗长、填充的回复 | 添加长度约束 |

2. 应用 RSCIT 框架

每个优化后的提示词应包含：

• R — 角色（Role）：AI 在此交互中是谁？
• S — 情境（Situation）：它需要什么上下文？
• C — 约束（Constraints）：规则和限制是什么？
• I — 指令（Instructions）：它具体应该做什么？
• T — 模板（Template）：输出应该是什么样的？

优化前（弱提示词）：

Explain machine learning.

优化后：

You are a senior ML engineer explaining concepts to a junior developer.

Context: The developer has 1 year of Python experience but no ML background.

Task: Explain supervised machine learning in simple terms.

Constraints:
- Use an analogy from everyday life
- Maximum 200 words
- No mathematical formulas
- End with one actionable next step

Format: Plain prose, no bullet points.

3. 思维链（CoT）模式

对于推理任务，指示模型逐步思考：

Solve this problem step by step, showing your work at each stage.
Only provide the final answer after completing all reasoning steps.

Problem: [your problem here]

Thinking process:
Step 1: [identify what's given]
Step 2: [identify what's needed]
Step 3: [apply logic or formula]
Step 4: [verify the answer]

Final Answer:

4. 少样本示例模式

提供 2-3 个示例来建立模式：

Classify the sentiment of customer reviews as POSITIVE, NEGATIVE, or NEUTRAL.

Examples:
Review: "This product exceeded my expectations!" -> POSITIVE
Review: "It arrived broken and support was useless." -> NEGATIVE  
Review: "Product works as described, nothing special." -> NEUTRAL

Now classify:
Review: "[your review here]" ->

5. 结构化 JSON 输出模式

Extract the following information from the text below and return it as valid JSON only.
Do not include any explanation or markdown — just the raw JSON object.

Schema:
{
  "name": string,
  "email": string | null,
  "company": string | null,
  "role": string | null
}

Text: [input text here]

6. 减少幻觉模式

Answer the following question based ONLY on the provided context.
If the answer is not contained in the context, respond with exactly: "I don't have enough information to answer this."
Do not make up or infer information not present in the context.

Context:
[your context here]

Question: [your question here]

7. 提示词压缩技术

在不损失效果的情况下减少 token 数量：

# Verbose (expensive)
"Please carefully analyze the following code and provide a detailed explanation of 
what it does, how it works, and any potential issues you might find."

# Compressed (efficient, same quality)
"Analyze this code: explain what it does, how it works, and flag any issues."

最佳实践

• 始终指定输出格式（JSON、markdown、纯文本、项目符号列表）
• 使用分隔符（```、---）将指令与内容分开
• 用边缘情况（空输入、异常数据）测试提示词
• 在源代码控制中版本化你的系统提示词
• 对数学、逻辑或多步骤任务添加"逐步思考"
• 不要只使用否定指令（"不要冗长"）——添加正面替代方案
• 不要假设模型了解你的代码库上下文——始终包含它
• 不要在不同模型之间使用相同的提示词而不做调整