当用户明确要求"优化 prompt"、"改进提示词"、"润色指令"或"将简陋 prompt 转换为最佳实践版本"时使用。基于 OpenAI 和 Anthropic 官方最佳实践,对用户提供的简陋 prompt 进行结构化优化,输出符合社区标准的高质量版本。
Install via CLI
openskills install huangwb8/skills---
name: better-prompt
description: 当用户明确要求"优化 prompt"、"改进提示词"、"润色指令"或"将简陋 prompt 转换为最佳实践版本"时使用。基于 OpenAI 和 Anthropic 官方最佳实践,对用户提供的简陋 prompt 进行结构化优化,输出符合社区标准的高质量版本。
metadata:
author: Bensz Conan
keywords:
- better-prompt
- prompt optimization
- prompt engineering
- 提示词优化
---
# Better Prompt - Prompt 优化器
## 与 bensz-collect-bugs 的协作约定
- 因本 skill 设计缺陷导致的 bug,先用 `bensz-collect-bugs` 规范记录到 `~/.bensz-skills/bugs/`,不要直接修改用户本地已安装的 skill 源码;若有 workaround,先记 bug,再继续完成任务。
- 只有用户明确要求“report bensz skills bugs”等公开上报时,才用本地 `gh` 上传新增 bug 到 `huangwb8/bensz-bugs`;不要 pull / clone 整个仓库。
将简陋的 prompt 优化为符合社区最佳实践的高质量版本。
## 版本与兼容性
- **适用于**:Claude 3.x/4.x、GPT-4/5、Gemini 等主流 LLM
- **最佳实践来源**:OpenAI/Anthropic 官方文档(2026-02)
- **更新策略**:官方文档重大更新时同步修订
## 不适用场景
以下情况不建议使用本技能:
- prompt 已经经过专业优化(评分 ≥ 8/10)
- 只需要诊断问题,不需要修改建议
- 超长 prompt(>10000 字)需要专业拆分
- 用户明确要求保持原始风格
## 输入要求
用户提供一个待优化的原始 prompt(可以是任意形式的简陋版本)。
## 优化框架
基于 **OpenAI** 和 **Anthropic** 官方最佳实践,采用五维度优化框架:
| 维度 | 检查点 | 优先级 |
|------|--------|--------|
| **清晰度** | 指令是否明确?是否存在歧义? | P0 |
| **完整性** | 是否缺少必要信息?上下文是否充分? | P0 |
| **结构化** | 是否使用 Markdown/XML 标签组织内容? | P1 |
| **示例性** | 是否提供输入输出示例(few-shot)? | P2 |
| **约束性** | 是否明确边界(做什么/不做什么)? | P2 |
> **注意**:上表的 P0/P1/P2 表示"优化维度的重要性优先级",与 config.yaml 中的 `dimensions` 数值(1-5)含义相同:P0=5(最高优先级)、P1=4、P2=3。
## 优化工作流
### Step 0: 输入验证(前置检查)
验证用户输入的有效性:
| 输入状态 | 判断标准 | 处理方式 |
|---------|---------|---------|
| **空输入** | 字符数 = 0 | 拒绝,提示"请提供待优化的 prompt" |
| **过短** | 字符数 < 10 | 提示"prompt 过短,请提供更多上下文" |
| **已完善** | 评分 ≥ 8/10 | 提示"prompt 已足够完善,是否仍需优化?",等待用户确认 |
| **有效** | 通过验证 | 继续 Step 1 |
### Step 1: 分析原始 prompt
识别 prompt 的:
- **核心任务**:用户想让 AI 做什么?
- **缺失要素**:哪些关键信息缺失?
- **改进空间**:哪些地方可以优化?
### Step 2: 确定模型类型适配
根据任务特性判断目标模型类型:
| 模型类型 | 适用场景 | 优化策略 |
|---------|---------|---------|
| **GPT 模型** | 精确执行、格式化输出、代码生成 | 提供详细步骤和明确逻辑 |
| **推理模型** | 复杂推理、多步规划、开放性任务 | 给高层目标,保留灵活性 |
如果用户未指定,默认按 GPT 模型优化策略处理(更精确)。
### Step 3: 应用优化模板
以下是优化后 prompt 的标准结构模板:
```
# Identity(身份定义)
[描述 AI 的角色、专业领域、沟通风格]
# Instructions(核心指令)
[明确的任务说明]
- 规则 1
- 规则 2
- 约束条件(不做什么)
# Examples(示例)
<example id="1">
<input>示例输入</input>
<output>示例输出</output>
</example>
# Context(上下文)
[任务相关的背景信息、参考资料]
```
> **Examples 的使用规则**:
> - 对于复杂任务(复杂度 ≥ 3/5),Examples 是**必需的**
> - 对于简单任务,Examples 可以省略
> - 如原始 prompt 已有示例,优化时应保留或增强
### Step 4: 输出优化结果
输出包含三个部分(默认全部包含,可通过 config.yaml 调整):
1. **优化分析**:简要说明做了哪些改进
2. **优化后的 prompt**:符合最佳实践的高质量版本
3. **使用建议**:针对特定场景的调整建议
## 输出格式
```markdown
## 优化分析
| 维度 | 原始状态 | 优化措施 |
|------|---------|---------|
| 清晰度 | ... | ... |
| 完整性 | ... | ... |
| 结构化 | ... | ... |
| 示例性 | ... | ... |
| 约束性 | ... | ... |
## 优化后的 Prompt
# Identity
...
# Instructions
...
# Examples(如适用)
...
# Context(如适用)
...
## 使用建议
- 适用于:[模型类型/场景]
- 调整建议:[如需针对特定场景调整的建议]
```
## 优化效果评估
对优化前后的 prompt 进行对比评估:
| 维度 | 优化前评分 | 优化后评分 | 改进说明 |
|------|-----------|-----------|---------|
| 清晰度 | x/5 | x/5 | ... |
| 完整性 | x/5 | x/5 | ... |
| 结构化 | x/5 | x/5 | ... |
| 示例性 | x/5 | x/5 | ... |
| 约束性 | x/5 | x/5 | ... |
| **总分** | **xx/25** | **xx/25** | **+xx** |
> **评分标准**:1=很差、2=较差、3=一般、4=良好、5=优秀
## 质量标准
优化后的 prompt 必须满足:
| 标准 | 要求 |
|------|------|
| **明确性** | 核心任务一句话能说清 |
| **可执行性** | AI 能直接理解并执行 |
| **完整性** | 不缺少必要信息 |
| **结构化** | 使用 Markdown/XML 清晰组织 |
| **可测试性** | 能判断输出是否符合预期 |
## 特殊场景处理
根据 config.yaml 中的 `templates` 配置,针对不同场景有特定的优化重点:
### 代码生成类 prompt
**配置引用**:`config.yaml:templates.code_generation.focus_areas`
额外关注:
- 明确编程语言和框架
- 指定代码风格规范
- 说明错误处理要求
- 提供边界条件示例
### 文本分析类 prompt
**配置引用**:`config.yaml:templates.text_analysis.focus_areas`
额外关注:
- 明确输出格式(JSON/表格/摘要)
- 定义分析维度和标准
- 提供分类/评估示例
### 创意写作类 prompt
**配置引用**:`config.yaml:templates.creative_writing.focus_areas`
额外关注:
- 定义风格和语调
- 说明目标受众
- 提供参考示例
- 设置长度约束
### 多轮对话类 prompt
**配置引用**:`config.yaml:templates.multi_turn_conversation.focus_areas`
额外关注:
- 定义对话角色和边界
- 说明状态管理要求
- 提供异常处理规则
## 参考资料
更多详细的最佳实践,参考 [references/prompt-engineering-best-practices.md](references/prompt-engineering-best-practices.md)
No comments yet. Be the first to comment!