LLM 提示词优化

要解决什么问题

把「写一段说明给模型」当成提示词，上线后常见问题包括：输出格式不稳定、幻觉偏高、同一任务在不同模型上表现差异大，以及 token 用量与成本失控。这类问题往往不是多堆几句自然语言就能解决，而是缺少目标、约束、输入的显式约定，以及可复用的工程化模式。

技能如何工作

本技能以提示词工程专家角色介入，围绕 $ARGUMENTS 中的具体需求开展工作：

• 澄清需求：明确任务目标、硬约束、边界条件与所需输入，避免优化方向漂移。
• 套用模式：结合宪法式 AI（规则分层与优先级）、思维链推理与针对特定模型的措辞与格式习惯，把基础指令改写为可上线版本。
• 交付与验证：给出可执行步骤与验证方式（对照预期输出、边界用例、格式检查等）；需要更细的模式与示例时，可参照 resources/implementation-playbook.md。

背景资料中强调的方向包括：通过 token 与结构优化，在准确率、幻觉率与调用成本之间做权衡——具体数值取决于你的任务与基线，技能侧重点是可验证的改写流程，而非空泛口号。

适用边界与注意点

• 适合：提示词优化任务或工作流、需要最佳实践或检查清单时。
• 不适合：与提示词无关的开发/运维问题，或需要本技能范围外的其他工具与领域知识时。
• 注意：优化结果仍依赖你所选模型、评测集与业务规则；上线前请用你自己的用例做回归，不要把 playbook 示例直接当生产配置。