Prompt 工程

---

name: prompt-engineer description: "使用框架（RTF、RISEN、思维链、RODES、密度链、RACE、RISE、STAR、SOAP、CLEAR、GROW）将用户提示词转化为优化的提示词" category: automation risk: safe source: community tags: "[prompt-engineering, optimization, frameworks, ai-enhancement]" date_added: "2026-02-27"

目的

此技能将原始、非结构化的用户提示词转化为使用成熟提示框架的高度优化提示词。它分析用户意图，识别任务复杂度，并智能选择最合适的框架以最大化 Claude/ChatGPT 输出质量。

此技能以"魔法模式"运行——它在幕后静默工作，仅在极其需要澄清时才与用户交互。用户收到精心打磨、即用的提示词，无需技术解释或框架术语。

这是一个通用技能，适用于任何终端上下文，不限于 Obsidian vault 或特定项目结构。

何时使用

在以下情况调用此技能：

• 用户提供了模糊或通用的提示词（如"帮我写 Python 代码"）
• 用户有复杂想法但难以清晰表达
• 用户的提示词缺乏结构、上下文或具体要求
• 任务需要逐步推理（调试、分析、设计）
• 用户需要特定 AI 任务的提示词但不了解提示框架
• 用户想要提升现有提示词的效果
• 用户问类似"我该怎么让 AI..."或"为...创建一个提示词"的问题

工作流程

步骤 1：分析意图

目标： 理解用户真正想要完成什么。

操作：

1. 阅读用户提供的原始提示词
2. 检测任务特征：
   • 类型： 编码、写作、分析、设计、学习、规划、决策、创意等
   • 复杂度： 简单（单步）、中等（多步）、复杂（需要推理/设计）
   • 清晰度： 意图明确 vs. 模糊/含糊
   • 领域： 技术、商业、创意、学术、个人等
3. 识别隐含需求：
   • 用户是否需要示例？
   • 输出格式是否已指定？
   • 是否有约束（时间、资源、范围）？
   • 这是探索性的还是执行性的？

检测模式：

• 简单任务： 短提示词（<50字符）、单个动词、无上下文
• 复杂任务： 长提示词（>200字符）、多个要求、条件逻辑
• 模糊任务： 通用动词（"帮助"、"改进"）、缺少对象/上下文
• 结构化任务： 提到步骤、阶段、交付物、利益相关者

步骤 2：提出澄清问题（条件性）

目标： 仅在对框架选择或提示词质量至关重要时收集缺失信息。

触发条件 — 仅在以下情况提问：

• 任务类型完全模糊（无法确定是编码 vs. 写作 vs. 分析）
• 目标受众未知且实质性影响输出
• 范围未定义且选错范围会使提示词无效
• 请求的输出格式冲突或缺失且无法推断

问题限制：

• 每次调用最多 3 个问题
• 尽可能将相关问题合并为一个
• 如果有足够上下文，完全跳过此步骤（大多数情况）

澄清交互示例：

用户："帮我搞 AI"

步骤 2（触发 — 任务类型模糊）：
"为了制作最佳提示词，我需要一个快速澄清：
1. 你想用 AI 做什么——构建某个东西、学习相关知识，还是使用 AI 工具完成某个任务？"

关键规则： 有疑问时，跳过澄清，用现有上下文生成最佳提示词。过度提问会破坏"魔法模式"体验。

步骤 3：选择框架

目标： 将任务特征映射到最优提示框架。

框架映射逻辑：

| 任务类型 | 推荐框架 | 理由 | |-----------|-------------------------|-----------| | 角色类任务（充当专家、顾问） | RTF（角色-任务-格式） | 清晰的角色定义 + 任务 + 输出格式 | | 逐步推理（调试、证明、逻辑） | 思维链 | 鼓励显式推理步骤 | | 结构化项目（多阶段、交付物） | RISEN（角色、指令、步骤、最终目标、缩窄） | 复杂工作的全面结构 | | 复杂设计/分析（系统、架构） | RODES（角色、目标、细节、示例、检验） | 平衡细节与验证 | | 摘要总结（压缩、综合） | 密度链 | 迭代精炼至核心信息 | | 沟通传达（报告、演示、叙事） | RACE（角色、受众、上下文、期望） | 受众感知的信息传递 | | 调查/分析（研究、诊断） | RISE（研究、调查、综合、评估） | 系统化分析方法 | | 情境类（有背景的问题解决） | STAR（情境、任务、行动、结果） | 结构化情境响应 |