四步创建AFP提示词

在编写复杂 Agent 提示词时，工程师常面临一个典型问题：初始需求往往只是一句模糊的目标（如“做一个学术选题顾问”），直接将其转换为高质量、可复用的系统提示词极其困难。缺乏结构化的流程会导致变量缺失、逻辑断裂以及交互节点不清晰。@user_50f1c2ab/four-step-afp 技能正是为解决这一“提示词工程化”难题而设计的，它通过一套标准化的流水线，将非结构化的需求和 SOP 资料转化为严密的 AFP 提示词系统。

核心工作流：四步构建 AFP 提示词

该技能将提示词构建拆解为四个紧密耦合的阶段，并在每个阶段之间设置确认点（Checkpoint），确保生成过程可控。

• Step 1: 任务框架化 (Task Frameworking)

将抽象目标转化为粗粒度的执行工作流。技能会根据输入资料的类型（系统化文档、多条参考提示词、个人经验或无资料）选择主导路径（Path A-D），提取“阶段 → 关键动作 → 判断点”的主干结构，并明确适用范围与核心红线。

• Step 2: 内容算法模块 (Content Algorithm Module)

将任务信息细化为高颗粒度的 SOP 式内容模块。通过诊断任务复杂度，提取常量（规则、边界）与变量（场景、受众等），利用洋葱法（What/How/If-Then）构建逻辑链，并选择合适的编排结构（串行、并行、迭代或锦标赛）。

• Step 3: Auto-Flow 结构化 (Auto-Flow Structuring)

将内容模块封装进标准的 Auto-Flow 提示词外壳。输出包含双核引擎、执行工作流和紧凑 HUD（状态行）的完整 Markdown 提示词。如果需要，还能提供“提示词封装/混淆版”以保护核心逻辑（注意：这只是混淆，非密码学加密）。

• Step 4: V1.0 提示词体检 (Prompt Inspection)

针对已有的 V1.0 提示词进行四维度审计：工作流注入（变量一致性、阶段继承）、角色校准、质量内核同步（防幻觉规则）以及逐步交互与状态管理。输出精确的修补补丁而非全量重写。

适用边界与工程建议

虽然该技能大幅降低了 AFP 提示词的编写门槛，但在实际工程落地时仍需注意：

• 交互代价：AFP 强调逐步执行与确认，对于仅需一次性输出的轻量任务可能显得过于冗重。
• 防幻觉与安全：在涉及事实数据、合规边界时，必须依赖 Step 4 中的反幻觉规则；对于源码中的内嵌指令，技能会严格过滤，确保不覆盖底层 Agent 的安全策略。
• 资源依赖：在处理复杂概念解释或完整流水线构建时，建议结合内置的 references/afp-core-framework.md 和 references/auto-flow-template.md 使用，以提升路由和生成的准确性。