prompt-engineering

用途

本技能是 prompt-engineer 智能体与 /prompt-optimize 命令背后的知识库。方法本身（提取行为契约、分类原型、诊断、重写、报告语义差异、为每条断言标注 predicted、measured 或 verified）由智能体与命令承载；本技能承载该方法所依据的知识，并拆分为仅在任务需要时才读取的参考文件。使用时应先读主文件，它会告诉你该打开哪个参考，以及每个参考预设你已经决定了什么。

真相来源

模型事实的更新速度快于任何随附文档。采用三级顺序，遇到第一个能回答的层级即停止：

目标模型的当前官方页面。Anthropic：platform.claude.com 上的 “Prompting best practices” 及逐模型页面。OpenAI：developers.openai.com 上的 Model guidance hub 与 reasoning best-practices 页面。Google：ai.google.dev 上的 Gemini 3 developer guide 与 Gemma prompt-formatting 页面。当提示词要进入生产时，应抓取该页面并确认重写中复述的任何厂商事实。
在该模型上的测量，可以是你的，也可以是同一模型同一任务上已发表的。
这些参考文件。仅作定位、带日期、引用；永远不是第 1 级的权威。

无法确认的事实是“未确认”，而不是“确认不存在”：在重写中标记为 (verify)，而不是删除它或让它读起来像已核对过。

什么会衰减，什么不会

稳定：方法本身——行为契约、原型感知评分表、语义差异、认知标签、审计深度。位于 prompt-engineer 角色中。
缓慢：模式目录、抽取形态、强制阶梯、评判形态、智能体指令解剖。位于 reasoning-patterns.md、extraction-prompting.md、structured-output.md、judge-prompting.md、agent-instructions.md。
模型敏感：思考模式、effort 名称、prefill、缓存倍率、结构化输出支持、Gemma 模板、下方的模型适配行。位于 model-guidance.md；每三个月刷新一次，类似 agent-sdk-builder 技能。
已测量且带日期：每个带 arXiv ID 或厂商基准的数字。位于引用它的参考中；每个都带有核对日期。

模型类别门

每个参考都预设此决定已先行做出。把目标模型归入一个类别，然后读对应行；厂商的重要性低于类别。

前沿推理模型（Claude 4.6 及以后、Claude 5 系列、GPT-5.x 与 GPT-6、Gemini 3、o 系列、API 上的 DeepSeek R1）：思考控制用原生设置（Claude 上 effort，4.7 起 budget_tokens 返回 400；OpenAI 上 reasoning_effort；Gemini 3 上 thinking_level）。默认无推理脚手架，仅在最低 effort 设置下用简短显式计划。零样本优先；仅输入与输出；绝不用已展示的推理轨迹。输出形态：先询问，其次重试，第三用 API 结构化输出或 enum 工具；Claude 4.6 及以后已无最后一轮 prefill。优先测量：简单输入上的过度思考成本；解析失败率，以及若解析则错误但有效的比率。
混合开源推理模型（Qwen3、Gemma 4、DeepSeek V3.x、gpt-oss）：思考控制用模式 token 或思考 prefill，而非散文；9B 及以下深度自选，8B 到 32B 用草稿一致性路由。默认无推理脚手架；reasoning-patterns 参考列出免训练选项。零样本优先；仅输入与输出。输出形态：在服务栈中约束解码；提示词中的 schema 是礼貌，不是强制。优先测量：每个任务的 think 与 no-think；输出有效性。
小型开源指令模型（Gemma 3、Llama 3.x 8B、Phi-4-mini、Mistral Small，以及 Ollama、llama.cpp、vLLM 或 Transformers 上约 30B 以下的任何模型）：无思考控制。推理脚手架是逐模型选择：CoT 在该类别上测得从增益到 56 点损失不等，因此先测零样本。仅输入与输出，固定分隔符，抽取时用检索而非随机，保持简短；示例数量需扫描，因为一个示例修复了 Llama-3.1-8B 在 AG News 上的表现（0.53 到 0.87 macro-F1），八个示例又毁掉了它（0.55）。输出形态：至少验证并修复，栈支持时用约束解码；仅格式指令永远不是强制（8B 以下仅提示词的有效性测得为 61% 到 92%）；思考关闭时仍可 prefill 开括号。优先测量：输出有效性优先；然后答案准确率与错误但有效的比率作为两个独立数字。
较旧非推理模型（GPT-4 级、Claude 3.x、无思考的 Gemini 2.x）：思考控制不适用。经典目录适用；CoT 在数学、逻辑和符号任务上有收益，在其他地方增加方差。示例：Claude 上用分隔块放 3-5 个多样示例（厂商）；其他地方需扫描，因为 Llama-4-Scout 在某任务上零样本最佳，而 8B 需要两个示例。输出形态：API 有 JSON 模式则用；Claude 4.5 及更早用 prefill；验证并修复。优先测量：跨运行的格式漂移。

同时符合两行的模型（例如通过 Ollama 服务且思考关闭的 Gemma 4）在输出形态上取更保守的行，在思考控制上取更具体的行。

参考路由

需要决定：提示词中是否该有推理脚手架、用哪个、token 成本多少；如何构建变体前沿的效率极。读 references/reasoning-patterns.md。它解决：选择速查表、各类别推理模型默认值、token 高效模式、成本感知选择。
需要决定：如何让模型返回 JSON、schema、enum 或固定模板，以及在小模型上什么有效。读 references/structured-output.md。它解决：强制阶梯、每级成本、先推理后格式化顺序、仅提示词技术的实测合规率、服务栈选项。
需要决定：如何为 NER、关系或事件抽取、文档字段、表格、分类编写提示词。读 references/extraction-prompting.md。它解决：逐任务形态、什么会失败、用于诊断的错误分类法、小模型操作顺序。
需要决定：如何编写 LLM-as-judge、评分表验证器或评分器的提示词，以及哪些添加被测量为有害。读 references/judge-prompting.md。它解决：默认评判形态、逐类别表、杠杆表（参考、清单、量表、排列、严格度、人设、辩论）、一致性检查。
需要决定：在智能体指令表面中什么有实测效果：工具描述、规则与指令文件、技能描述、历史范围、长任务持久性、编码智能体工作流。读 references/agent-instructions.md。它解决：描述解剖、护栏优于指导、逐模型历史范围、已验证状态、新鲜上下文测试生成，以及仍未测量的内容。
需要决定：在复述某个命名模型前，厂商当前怎么说。读 references/model-guidance.md。它解决：带日期引用的厂商陈述及其对提示词的后果。

对于纯人设或单轮自由文本生成、无推理组件、无解析输出、无成本约束的提示词，跳过所有参考。这是角色审计深度规则中的快速通道，刻意保持低成本。

每个参考共享的两条规则

这些文件中的数字是在其命名模型上测量的，在你的模型上是预测的。把它当作假设应用，然后运行参考结尾处的评估。prompt-engineer 角色中的认知标签不是可选词汇。实测案例：跨模型世代，少样本效应从 Qwen2 到 Qwen2.5 平均反转，并从 GPT-3.5 到 GPT-4o 缩小（arXiv 2608.24641，ICSME 2026）。
效率极由调用方选择，永远不由优化器选择。当某项技术在准确率与 token 之间取舍时，呈现两端及成本，让调用方选择。