⚡

AI提示工程 ai-prompt-engineering

AI提示工程技能提供生产级人工智能应用提示设计的操作指南，涵盖结构化输出、RAG工作流、智能体编排等，帮助开发者在设计、调试和标准化AI提示时提升效率和质量。关键词：AI提示工程、生产应用、RAG、智能体、提示安全、结构化输出、评估测试。

AI智能体 0 次安装 0 次浏览 更新于 3/7/2026

名称: ai-prompt-engineering 描述: “生产级LLM应用的操作提示工程：结构化输出（JSON/模式）、确定性提取器、RAG基础/引用、工具/智能体工作流、提示安全（注入/渗出），以及提示评估/回归测试。在设计、调试或标准化Codex CLI、Claude Code和OpenAI/Anthropic/Gemini API的提示时使用。”

提示工程 — 操作技能

现代最佳实践（2026年1月）：版本化提示、明确输出合约、回归测试，以及工具/RAG提示的安全威胁建模（OWASP LLM Top 10: https://owasp.org/www-project-top-10-for-large-language-model-applications/）。

本技能提供操作指南，用于构建生产就绪的提示，覆盖标准任务、RAG工作流、智能体编排、结构化输出、隐藏推理和多步规划。

所有内容均为操作性的，非理论性。专注于模式、检查表和复制粘贴模板。

快速开始（60秒）

  1. 从决策树中选择一个模式（结构化输出、提取器、RAG、工具/智能体、重写、分类）。
  2. 从assets/中的模板开始，填写TASK、INPUT、RULES和OUTPUT FORMAT。
  3. 添加防护栏：指令/数据分离、“不虚构细节”、缺失→null/明确缺失。
  4. 添加验证：JSON解析检查、模式检查、引用检查、后工具检查。
  5. 添加评估：迭代时10–20个案例，发布前50–200个案例，加上对抗性注入案例。

模型说明（2026）

本技能包括Claude Code + Codex CLI优化：

  • 行动指令：为实施而框架，非建议
  • 并行工具执行：独立工具调用可同时运行
  • 长时程任务管理：状态跟踪、增量进度、上下文压缩恢复力
  • 积极框架：描述期望行为而非禁止
  • 风格匹配：提示格式影响输出风格
  • 领域特定模式：前端、研究和智能体编码的专门指导
  • 风格对抗恢复力：用诗意/角色扮演重写压力测试拒绝；在工具使用前规范化或拒绝风格化有害请求

偏好“简短理由”而非请求思维链。使用私有推理模式时，指示：内部思考；仅输出最终答案。

快速参考

任务 使用模式 关键组件 何时使用
机器可解析输出 结构化输出 JSON模式、“仅JSON”指令、无散文 API集成、数据提取
字段提取 确定性提取器 精确模式、缺失->null、无转换 表单数据、发票解析
使用检索上下文 RAG工作流 上下文相关性检查、块引用、明确缺失信息 知识库、文档搜索
内部推理 隐藏思维链 内部推理、仅最终答案 分类、复杂决策
工具使用智能体 工具/智能体规划器 先计划后行动、每轮一个工具 多步工作流、API调用
文本转换 重写 + 约束 风格规则、意义保留、格式规范 内容适应、摘要
分类 决策树 有序分支、互斥、JSON结果 路由、分类、分诊

决策树：选择正确模式

用户需求: [提示类型]
  |-- 输出必须是机器可读的?
  |     |-- 仅提取特定字段? -> **确定性提取器模式**
  |     `-- 生成结构化数据? -> **结构化输出模式 (JSON)**
  |
  |-- 使用外部知识?
  |     `-- 检索上下文必须被引用? -> **RAG工作流模式**
  |
  |-- 需要推理但隐藏过程?
  |     `-- 分类或决策任务? -> **隐藏思维链模式**
  |
  |-- 需要调用外部工具/APIs?
  |     `-- 多步工作流? -> **工具/智能体规划器模式**
  |
  |-- 转换现有文本?
  |     `-- 风格/格式约束? -> **重写 + 约束模式**
  |
  `-- 分类或路由到类别?
        `-- 互斥规则? -> **决策树模式**

复制/粘贴：最小提示骨架

1) 通用“输出合约”骨架

TASK:
{{one_sentence_task}}

INPUT:
{{input_data}}

RULES:
- 严格遵循TASK。
- 仅使用INPUT（和允许的工具输出）。
- 不虚构细节。缺失所需信息 -> 说明缺失内容。
- 保持推理隐藏。
- 严格遵循OUTPUT FORMAT。

OUTPUT FORMAT:
{{schema_or_format_spec}}

2) 工具/智能体骨架（确定性）

可用工具:
{{tool_signatures_or_names}}

工作流:
- 制定简短计划。
- 仅在需要完成任务时调用工具。
- 在使用前验证工具输出。
- 如果环境支持并行工具调用，同时运行独立调用。

3) RAG骨架（基础）

检索上下文:
{{chunks_with_ids}}

规则:
- 仅使用检索上下文进行事实声明。
- 为每个声明引用块ID。
- 如果证据缺失，说明缺失内容。

操作检查表

验证或调试提示时使用这些参考：

  • frameworks/shared-skills/skills/ai-prompt-engineering/references/quality-checklists.md
  • frameworks/shared-skills/skills/ai-prompt-engineering/references/production-guidelines.md

上下文工程（2026）

真正的提示工程专业知识超越编写指令，扩展到塑造模型操作的整个上下文。上下文工程包括：

  • 对话历史：哪些先前轮次影响当前响应
  • 检索上下文（RAG）：注入到提示中的外部知识
  • 结构化输入：JSON模式、系统/用户消息分离
  • 工具输出：来自先前工具调用的结果，塑造下一步

上下文工程 vs 提示工程

方面 提示工程 上下文工程
焦点 指令文本 完整输入管道
范围 单个提示 RAG + 历史 + 工具
优化 词语选择、结构 信息架构
目标 清晰指令 最优上下文窗口

关键上下文工程模式

1. 上下文优先级：将最相关信息放在前面；模型更关注早期上下文。

2. 上下文压缩：总结历史、截断工具输出、选择最相关RAG块。

3. 上下文分离：使用清晰分隔符（<system>、<user>、<context>）分离指令类型。

4. 动态上下文：基于任务复杂性调整上下文 - 简单任务需要较少上下文，复杂任务需要更多。

核心概念 vs 实施实践

核心概念（供应商无关）

  • 提示合约：输入、允许工具、输出模式、最大令牌、拒绝规则。
  • 上下文工程：对话历史、RAG上下文、工具输出、结构化输入塑造模型行为。
  • 确定性控制：温度/top_p、约束解码/结构化输出、严格格式化。
  • 成本与延迟预算：提示长度和最大输出驱动令牌和尾延迟；强制执行硬限制并测量p95/p99。
  • 评估：黄金集 + 回归门 + A/B + 部署后监控。
  • 安全：提示注入、数据渗出、工具误用是主要威胁（OWASP LLM Top 10: https://owasp.org/www-project-top-10-for-large-language-model-applications/）。

实施实践（模型/平台特定）

做 / 避免

做

  • 保持提示小且模块化；集中共享片段（策略、模式、风格）。
  • 添加提示评估工具并阻止合并上的回归。
  • 偏好“简短理由”而非请求思维链；将隐藏推理视为模型内部。

避免

  • 避免提示蔓延（许多近重复，无所有者或测试）。
  • 避免无中间验证的脆弱多步链。
  • 避免在同一提示中混合策略和产品文案（更难审核和更新）。

导航：核心模式

  • 核心模式 - 7个生产级提示模式
    • 结构化输出（JSON）、确定性提取器、RAG工作流
    • 隐藏思维链、工具/智能体规划器、重写 + 约束、决策树
    • 每个模式包括结构模板和验证检查表

导航：最佳实践

  • 最佳实践（核心） - 生产级提示的基础规则

    • 系统指令设计、输出合约规范、行动指令
    • 上下文处理、错误恢复、积极框架、风格匹配、风格对抗红队
    • 反模式、Claude 4+ 特定优化

  • 生产指南 - 部署和操作指导

    • 评估与测试（提示CI/CD）、模型参数、少样本选择
    • 安全与防护栏、对话记忆、上下文压缩恢复力
    • 答案工程、分解、多语言/多模态、基准测试
    • CI/CD工具（2026）：Promptfoo、DeepEval集成模式
    • 安全（2026）：PromptGuard 4层防御、Microsoft提示盾、污点跟踪

  • 质量检查表 - 部署前的验证检查表

    • 提示QA、JSON验证、智能体工作流检查
    • RAG工作流、安全与安全、性能优化
    • 测试覆盖、反模式、质量评分规则

  • 领域特定模式 - Claude 4+ 优化的专门领域模式

    • 前端/视觉代码：创造力鼓励、设计变体、微交互
    • 研究任务：成功标准、验证、假设跟踪
    • 智能体编码：无推测规则、原则实施、调查模式
    • 跨领域最佳实践和质量修饰符

导航：专门模式

  • RAG模式 - 检索增强生成工作流

    • 上下文基础、块引用、缺失信息处理

  • 智能体和工具模式 - 工具使用和智能体编排

    • 先计划后行动工作流、工具调用、多步推理、生成-验证-修订链
    • 多智能体编排（2026）：集中、交接、联邦模式；规划与执行（90%成本降低）

  • 提取模式 - 确定性字段提取

    • 基于模式的提取、null处理、无幻觉

  • 推理模式（隐藏CoT） - 无可见输出的内部推理

    • 隐藏推理、仅最终答案、分类工作流
    • 扩展思考API（Claude 4+）：预算管理、思考工具、多样本模式

  • 附加模式 - 扩展提示工程技术

    • 高级模式、边缘案例、优化策略

导航：模板

模板为复制粘贴准备，按复杂性组织：

快速模板

标准模板

外部资源

外部参考列在data/sources.json中：

  • 官方文档（OpenAI、Anthropic、Google）
  • LLM框架（LangChain、LlamaIndex）
  • 向量数据库（Pinecone、Weaviate、FAISS）
  • 评估工具（OpenAI Evals、HELM）
  • 安全指南和标准
  • RAG和检索资源

新鲜度规则（2026）

当请求“最新”提示推荐时，优先提供来自data/sources.json的供应商文档和标准。如果网络搜索不可用，说明限制并避免过度自信的“当前最佳”声明。

相关技能

本技能提供基础提示工程模式。对于专门实施：

AI/LLM技能：

软件开发技能：

使用说明

对于Claude Code：

  • 构建智能体、命令或集成的提示时参考本技能
  • 使用快速参考表快速查找模式
  • 遵循决策树选择适当模式
  • 部署前用质量检查表验证输出
  • 使用模板作为起点，为特定用例定制

对于Codex CLI：

  • 使用相同模式和模板；调整工具使用措辞到本地工具接口
  • 对于长时程任务，明确跟踪进度（步骤列表/计划）并在工作完成时更新
  • 当环境支持时，并行运行独立读取/搜索；保持写入/编辑序列化
  • AGENTS.md集成：在全局（~/.codex/AGENTS.md）、项目级（./AGENTS.md）或子目录范围放置项目特定提示指导，用于分层指令
  • 推理努力：使用medium用于交互式编码（默认）、high/xhigh用于复杂自主多小时任务