Optimize Prompts With Proven Patterns

LLM 提示词的质量直接决定 AI 输出是否可用。模糊的指令、缺乏示例、缺少评估机制，是提示词失效的三个最常见原因。这个 Skill 为 Claude、Codex 和 Claude Code 提供了一套经过验证的提示词优化方法论，涵盖模板库、推理模式、评估流程和版本管理，适用于想把 AI 对接进实际产品的团队。

它首先解决「示例选择」的问题。Few-shot learning 的效果高度依赖示例质量，这个 Skill 给出了语义相似度、多样性、难度和错误类型四种示例选择策略，帮助在每个垂类任务上构建最有代表性的示例集，而不是随意贴几条样本了事。

在推理类任务上，它整合了 Chain-of-Thought、Verification 和 Self-Consistency 三种主流推理模式，说明在什么场景下该用哪种模式、怎么组合、怎么验证中间步骤的合理性。这是让 AI 在复杂分析任务上不翻车的关键。

模板库覆盖分类、信息抽取、生成、转换、分析、问答六类常见任务，每个模板都标明了适用条件和边界，而不是直接套用通用指令。

最后，它提供了一套 A/B 测试框架，包括提示词版本控制、评估指标定义和迭代流程。Python 示例脚本演示了如何用 Mock LLM 客户端批量对比不同提示词变体的效果，适合在正式上线前系统性验证提示词质量。

适用场景：建立可靠的 LLM 工作流、设计 Agent 和 RAG 功能的提示词架构、制定提示词质量评估标准、将可复用的指令封装为标准化模板。

质量评级：featured（质量分 86 / views 584 / 下载 147 / 收藏 9）。

风险等级：safe。

安装命令：npx skillstore add wshobson/prompt-engineering-patterns