AgentSkillsCN

prompt-engineering

提示工程技术与Agent设计模式

SKILL.md
--- frontmatter
name: prompt-engineering
description: 提示工程技术与 Agent 设计模式
domain: 00_Core_Utilities
category: meta
version: 1.0.0
status: active
source: awesome-claude-skills
source_url: https://github.com/ComposioHQ/awesome-claude-skills
license: Apache-2.0

# SFC v0.1 Required Fields
skeleton: "reference"
triggers:
  commands: ["/prompt-engineering"]
  patterns: ["prompt-engineering"]
inputs:
  required: []
  optional: []
outputs:
  artifacts: ["SKILL.md"]
failure_modes:
  - symptom: "Missing required inputs or context"
    recovery: "Provide the missing info and retry"
  - symptom: "Unexpected tool/runtime failure"
    recovery: "Rerun with minimal steps; escalate after 3 failures"
verification:
  evidence_required: true
  how_to_verify: ["node .claude/scripts/sfc_lint.mjs <skill_dir>"]
governance:
  constitution: "_meta/governance/SKILL_CONSTITUTION_v0.1.md"
  policy: "_meta/policies/DEFAULT_SKILL_POLICY.md"

Prompt Engineering

来源: ComposioHQ/awesome-claude-skills 适配: LiYe OS 三层架构

教授提示工程技术，包括 Anthropic 最佳实践、Agent 设计模式、上下文工程。

When to Use This Skill

当需要优化 AI 交互时：

  • •设计高效 System Prompt
  • •优化用户提示
  • •构建 Agent 工作流
  • •减少 Token 消耗
  • •提升输出质量

Core Capabilities

1. 提示结构设计

markdown
# System Prompt 结构

## 角色定义
你是 [角色]，专长于 [领域]。

## 核心指令
1. [首要任务]
2. [次要任务]

## 约束条件
- [限制 1]
- [限制 2]

## 输出格式
[期望的输出格式说明]

## 示例
[Few-shot 示例]

2. Anthropic 最佳实践

技术描述效果
XML 标签使用 <tag> 结构化内容提升解析准确度
Chain of Thought引导逐步推理提升复杂任务表现
角色扮演明确定义 AI 角色输出更一致
Few-shot提供示例输出格式更稳定
显式约束明确禁止行为减少意外输出

3. 上下文工程

code
┌─────────────────────────────────┐
│        System Prompt            │ ← 角色、规则、格式
├─────────────────────────────────┤
│      Retrieved Context          │ ← RAG 检索内容
├─────────────────────────────────┤
│      Conversation History       │ ← 对话历史
├─────────────────────────────────┤
│        User Message             │ ← 用户输入
└─────────────────────────────────┘

4. Agent 设计模式

ReAct 模式:

code
Thought: 我需要...
Action: [工具调用]
Observation: [结果]
Thought: 根据结果...
Action: [下一步]
...
Final Answer: [最终答案]

Plan-and-Execute:

code
1. 分析任务 → 生成计划
2. 逐步执行计划
3. 根据反馈调整
4. 汇总结果

Multi-Agent 协作:

code
Coordinator → Researcher → Writer → Reviewer
     ↑__________________________________|

5. Token 优化策略

  • •简洁表达
  • •避免冗余说明
  • •使用缩写和符号
  • •结构化而非叙述
  • •懒加载上下文

Usage Examples

示例 1: System Prompt 设计

code
用户: 帮我设计一个代码审查 Agent 的 System Prompt
Claude: [使用 prompt-engineering 设计角色、规则、输出格式]

示例 2: 提示优化

code
用户: 这个提示效果不好，帮我优化
Claude: [使用 prompt-engineering 分析问题、应用技术、重写提示]

示例 3: Agent 工作流

code
用户: 我想让 Claude 自动完成研究任务
Claude: [使用 prompt-engineering 设计 ReAct 循环、定义工具、编排流程]

Dependencies

无外部依赖，纯方法论技能。

LiYe OS Integration

业务域引用

此技能被以下业务域引用：

  • •12_Meta_Cognition: 提示工程（主域）
  • •06_Technical_Development: Agent 开发

与 LiYe OS 的关系

本技能直接服务于 LiYe OS 的核心交互层：

  • •优化 .claude/packs/ 的 Context Packs
  • •提升 Skill 描述的触发准确度
  • •改进 Agent 协作效率

三层架构位置

  • •物理层 (本文件): Skills/00_Core_Utilities/meta/prompt-engineering/
  • •逻辑层索引: Skills/{domain}/index.yaml
  • •L3 指令层: .claude/skills/{domain}/prompt-engineering/

Created: 2025-12-28 | Adapted for LiYe OS