
关于
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后的提示词。
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:
- 阅读用户提供的原始提示词
- 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
- 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 |