Prompt Engineer 是一个专注于大语言模型（LLM）提示词编写、优化与调试的技能，旨在将模糊需求转化为精确、有效的提示词，从而获得一致、高质量的输出。
用途方面，该技能适用于设计聊天机器人系统提示词、优化智能体指令、减少模型幻觉、提升输出一致性以及创建可复用的提示词模板。资料明确指出，不应用于构建 LLM 应用（应使用 ai-engineer）、自动化优化（应使用 automatic-stateful-prompt-improver）、通用编程任务（应使用语言相关技能）或基础设施搭建（应使用部署类技能）。
主要能力包括：提示词架构设计（系统提示词中的人设与约束、用户提示词结构、上下文窗口优化、多轮对话设计）；多种优化技术，如思维链（适用于复杂推理，预期准确率提升 20-40%）、少样本示例（格式一致性，可靠性提升 30-50%）、约束工程（边界情况处理，一致性提升 50% 以上）、角色提示（领域专业性，质量提升 15-25%）和自一致性（关键决策，准确率提升 10-20%）；以及调试与测试，包括提示词消融研究、对抗性输入测试、A/B 测试框架和回归检测。
使用方式上，资料提供了 CLEAR 框架（上下文、限制、示例、行动、审查）、系统提示词模板、思维链模式、优化工作流（分析、假设、实施、测试、衡量、迭代）、常见问题修复方案（如幻觉、冗长输出、格式违规、上下文混淆）和反模式指导（如提示词堆砌、模糊指令、过度约束、缺少示例）。质量指标包括一致性（>90%）、准确性（>95%）、格式合规（>98%）、延迟（<2 秒）和令牌效率（减少 20% 浪费）。
适用场景包括聊天机器人回答不一致、退款政策问答等具体案例，资料称可通过分析结构、识别歧义、应用约束工程、添加少样本示例、对抗性测试和衡量改进，实现响应一致性 40-60% 的提升。
限制方面，资料未提供该技能的安装方式、运行环境、平台兼容性、收费模式或具体代码实现细节，这些信息暂未提供。