Improve LLM Prompts With Proven Patterns

把提示词工程从玄学变成可复用的系统方法，是这个 Skill 的核心价值。不一致的提示词浪费大量调试时间，让 AI 输出难以信赖。这个 Skill 为 Claude、Codex 和 Claude Code 提供了一套结构化的提示词设计框架，包含可复用模式库、评估步骤和迭代优化工作流，适合团队在生产环境中系统性地管理提示词质量。

模式库是它的主体内容。它区分了何时该用 Few-shot Learning、何时该用 Chain-of-Thought、什么时候用系统模板最合适，并在每种情况下给出具体的使用边界和常见错误。比如它会明确指出：简单的事实类任务不需要复杂的推理链指令，否则只会增加延迟而不提升质量。

评估工作流部分解决了提示词上线前「怎么验证」的问题。它提供 A/B 测试方法、指标追踪方案和迭代步骤，指导如何用准确率、延迟、Token 消耗和成功率四个维度评估提示词变体，而不是凭感觉判断哪个版本更好。

模板库覆盖分类、信息抽取、生成、转换四类任务，提供情感分类、摘要、SQL 生成等常见场景的示例数据集，用户可以在自己的业务数据上直接复用或微调。

提示词版本管理和回滚机制是它容易被忽视但很实用的部分。它描述了如何记录每次改动的目的和结果，建立团队内部的知识积累，避免改来改去不知道之前为什么那样写。

适用场景：为产品建立结构化的提示词模板、在上线前系统性评估提示词改动、将团队内部经验封装为可复用的指令标准。

质量评级：gold（质量分 85 / views 253 / 下载 229 / 收藏 10）。

风险等级：safe。

安装命令：npx skillstore add sickn33/prompt-engineering-patterns