提示词炼金术

要解决的问题：从“随手一试”到“系统优化”

许多工程师与内容创作者在使用大模型时，常常陷入提示词优化的困境。我们凭直觉写下“写得专业点”或“帮我分析一下”，期望模型能输出高质量结果，但实际输出往往泛泛而谈或格式混乱。问题的根源在于，提示词本身是模糊的：它缺乏清晰的结构，没有定义角色与输出格式，也未引导模型进行深度思考。这导致了低效的反复调试，以及对模型能力的误解。

核心能力：四元蒸馏框架与大师方法论

本技能的核心是一个名为“四元蒸馏”的系统化框架，旨在将你粗放的初始提示词，蒸馏为精准、结构化、可复用的版本。其工作流程分为四个关键步骤：

1. 🔍 诊断 (Diagnose)：使用 Schulhoff 的分类法与李继刚的乔哈里视窗模型，对原始提示词进行“体检”。它会判断任务类型（如代码生成、推理决策）、识别知识盲区（是“人知AI知”还是“人不知AI不知”），并定位如角色堆砌、格式缺失等结构性缺陷。
2. 🏗️ 结构 (Structure)：借鉴 Riley Goodside 的实验派理念，结构比措辞更重要。技能会使用 XML 标签（如 `, ）来分层信息，用 ${variable}` 定义动态占位符，并构建一个精炼的“角色压缩包”，将角色、任务、格式约束清晰地组织起来。
3. 🧠 思考 (Think)：引入涂津豪的“意识流思考”和 Schulhoff 的 Few-Shot 技法。对于复杂任务，它会嵌入“先审视问题本质，探索多种可能性”这类深度思考引导；对于需要特定格式的任务，则会提供精心排序的示例来锚定输出。特别注意，在中文语境下，它避免使用生硬的“逐步思考”指令，转而采用任务拆解或更有机的思考引导。
4. ⚡ 压缩 (Compress)：运用李继刚的压缩哲学，去除所有冗余（如无效的威胁/奖励措辞、重复说明），力求每个词在向量空间中有精准指向。最终成品是信息密度高、指令明确、能让模型“跳出默认河床”的提示词。

本技能整合了四位大师的专长：Goodside 的结构与格式技巧、涂津豪的思考深度控制、Schulhoff 的证据驱动技法、以及李继刚的压缩与共振写法。

适用边界与关键注意点

• 服务边界：本技能是“提示词优化专家”，不直接回答你的业务问题。你需要提供想优化的提示词原文，它会返回优化版本及详细的变更说明（诊断报告、结构重构等）。
• 输入预检：它会自动检测模糊或异常输入。例如，对于纯命令词（如“优化”），它会追问具体场景和目标模型；对于超长输入（>3000字），建议分段优化。
• 模型适配：不同模型（如 Claude、GPT、Gemini）的“人格”和长处不同。技能会在优化时提示你是否指定了目标模型，并提供针对性的适配建议（如 Claude 偏好 XML 标签）。
• 多轮场景：它支持对完整对话历史进行优化（“多轮蒸馏”），关注上下文一致性、角色延续和约束冲突处理，而不仅仅是单条提示词的结构重构。
• 反模式警示：技能内置了常见反模式库（如角色堆砌、威胁式提示、中文硬塞英文指令），在优化过程中会主动规避这些已被实证无效的做法。