技能介绍

要解决什么问题

Agent 与复杂系统提示词往往越堆越长：重复规则、过程 micromanagement、与任务无关的工具描述，既拉高 Token 成本，也会让 GPT-5 级模型在冲突指令下行为不稳定。更麻烦的是，团队直接照搬 OpenAI 文档里的 text.verbosity、reasoning_effort、program_output 等 API 概念，在 DeepSeek / 通义 / 智谱 / 豆包 / Kimi / 文心 上常常对不上号，同一套工程方法难以复用。

技能如何组织方法论

本技能以 OpenAI 官方《Prompting guidance for GPT-5.6 Sol》中文完整版为主线，把实践拆成可执行的章节，而不是口号清单：

先精简再改：每次只删一组指令或示例，用同一批评测对比；明确该删（重复陈述、模型已会的过程教步骤）与该留（成功标准、停止条件、安全与证据约束、上下文相关的工具路由）。
结果导向：用 outcome 与 completion bar 描述「好的结果长什么样」，绝对规则（ALWAYS/NEVER）只留给恒定约束；搜索、追问、用工具等判断写成条件式决策规则。
协作与边界：拆分 Personality 与 Collaboration style；定义自主权与审批边界，避免对安全本地操作重复「先问一下」。
工具与验证：工具只暴露任务相关项；独立读取并行、依赖下一步则串行；有界工作流可考虑 PTC 思路。完成前用测试、Lint、实施计划等可验证输出，而不是口头「已完成」。

第十四章把 OpenAI 专有参数翻译成国内平台可用的自然语言写法（响应长度优先级、思考/深度开关、更「傻瓜化」的工具描述等），并说明长上下文不等于可省略精简、安全护栏不可对抗、推理模型与普通模型的选型差异。

适用边界

国内适配层依据各平台公开能力整理，请以各平台最新文档为准；文中引用的 Token/评分改善数据来自 OpenAI 内部评测表述，需在你自己的代表性任务上复测。技能附带 references/ 下的法则示例、模板与迁移清单，适合作为复杂 System Prompt 的结构起点，不能替代业务专属的安全与合规审查。