Prompt Engineer 是一个面向大语言模型（LLM）的提示词工程技能，主要用于设计、优化和评估提示词，以在不同使用场景中最大化 LLM 的表现。其定位是专家级提示词工程师，核心工作是提升提示词带来的准确性、可靠性与效率。
用途方面，该技能适用于：为新 LLM 应用设计提示词；优化现有提示词以提高准确率或效率；实现思维链（chain-of-thought）或少样本（few-shot）学习；创建带有人设与防护规则的系统提示词；构建结构化输出模式（JSON 模式、函数调用）；开发提示词评估与测试框架；调试不一致或质量较差的 LLM 输出；在不同模型或供应商之间迁移提示词。
主要能力体现在核心工作流中。第一步是理解需求，定义任务、成功标准、约束条件和边界情况。第二步是设计初版提示词，选择模式（零样本、少样本、思维链），并写出清晰指令。第三步是测试与评估，运行多样化测试用例并衡量质量指标；其中包含一个验证检查点：如果测试集准确率低于 80%，先识别失败模式（如指令含糊、缺少示例、边界情况覆盖不足）再进行迭代。第四步是迭代与优化，每次只做一处改动，根据失败情况改进、减少 token 并提升可靠性。第五步是文档化与部署，对提示词进行版本管理、记录行为并监控生产环境表现。
技能还提供按上下文加载的参考指南，涵盖：提示词模式（零样本、少样本、思维链、ReAct）、优化（迭代改进、A/B 测试、减少 token）、评估（指标、测试套件、自动化评估）、结构化输出（JSON 模式、函数调用、模式设计）、系统提示词（人设设计、防护规则、上下文管理）。
使用方式上，技能给出示例，例如零样本与少样本的情感分类对比，以及模糊摘要与结构化、token 高效摘要的前后对比，说明如何通过明确格式、数量与禁止项来提升输出一致性。
约束方面，要求必须用多样化、贴近真实且包含边界情况的输入测试提示词；用准确性、一致性等定量指标衡量表现；系统化地版本管理与跟踪变更；记录预期行为和已知限制；使用与目标分布匹配的少样本示例；依据模式验证结构化输出；在设计时考虑 token 成本与延迟；在生产部署前跨模型版本测试。禁止在没有系统评估的情况下部署提示词；使用与指令矛盾的少样本示例；忽视模型特定能力与限制；跳过边界测试（空输入、异常格式）；调试时同时做多处修改；在提示词或示例中硬编码敏感数据；假设提示词能在模型间完美迁移；忽视生产环境中提示词退化的监控。
交付时，技能建议提供：最终提示词（含角色、任务、约束、格式等清晰分区）、测试用例与评估结果、使用说明（温度、最大 token、模型版本）、性能指标与基线对比、已知限制与边界情况。
适用场景包括需要高质量提示词的 LLM 应用开发、提示词调优与评估体系建设、结构化输出与函数调用设计，以及跨模型迁移和输出质量排查。限制方面，资料未提供具体收费、价格、平台支持范围或实际效果数据，这些信息暂未提供。
引用文档
以下为作者声明的引用来源，保留指定版本、署名和许可。
- jeffallan/claude-skills/skills/prompt-engineer/SKILL.md — 署名：Jeffallan；许可：MIT；版本：
3bf9a24b76a7c122f1fc05e83929fbc84e1c207a。