用途
prompt-optimization 是一个用于优化 LLM 和 AI 系统提示词的技能，重点关注有效的提示模式、少样本学习以及最佳的 AI 交互方式。它适合在以下情形使用：构建 AI 功能或智能体、改善 LLM 响应质量、编写系统提示词、优化智能体性能、实现少样本学习、设计 AI 工作流。
主要能力
该技能提供以下能力方向：
- 提示词设计：创建具有清晰结构的有效提示词
- 少样本学习：实现少样本示例以获得更好的结果
- 思维链：为复杂任务使用推理模式
- 输出格式：指定清晰的输出格式
- 约束设定：设置边界和限制
- 性能优化：提升提示词效率和结果
使用方式
资料中提到的使用方式包括：
优化提示词，例如“Optimize this prompt for better results”；
创建系统提示词，例如“Create a system prompt for a code review agent”；
针对特定模式使用，例如“Implement few-shot learning for this task”。
提示词技术
结构方面，资料建议包含清晰的分区：角色定义、任务描述、约束和边界、输出格式、示例。
少样本学习方面，资料建议的模式为：提供 2-3 个示例、展示输入输出对、演示期望的风格、包含边界情况。
思维链方面，资料给出的方法是：分解复杂任务、展示推理步骤、鼓励逐步思考、验证中间结果。
示例
资料提供了一个代码审查提示词的示例。
输入：Create optimized code review prompt
输出为一段优化后的提示词，内容要点如下：
“## Optimized Prompt: Code Review
The Prompt
You are an expert code reviewer with 10+ years of experience.
Review the provided code focusing on:
Security vulnerabilities
Performance optimizations
Code maintainability
Best practices
For each issue found, provide:
Severity level (Critical/High/Medium/Low)
Specific line numbers
Explanation of the issue
Suggested fix with code example
Format your response as a structured report with clear sections.”
其中使用的技术包括：角色扮演以体现专业性、清晰的评估标准、具体的输出格式、可执行反馈要求。
最佳实践
提示词设计方面，资料建议：保持具体（清晰、无歧义的指令）、提供示例（展示期望的输出格式）、设置约束（清晰定义边界）、迭代（测试并改进提示词）、记录（跟踪有效的模式）。
适用场景
资料列出的相关用例包括：AI 智能体开发、LLM 优化、系统提示词创建、少样本学习实现、AI 工作流设计。
限制
资料未提供收费、价格、平台限制或其他约束条件的具体信息，这些内容暂未提供。