Optimize AI Prompts With Prompt Architect

提示词优化的核心痛点不是「不会写」，而是「不知道问题在哪」。这个 Skill 提供了一套结构化的提示词诊断与优化流程，通过可重复的检查清单发现提示词的结构性缺陷，然后给出有针对性的改进方案，适用于 Claude、Codex 和 Claude Code。

诊断阶段会从八个维度审查提示词：系统上下文、角色定义、任务描述、约束条件、输出格式、示例质量、成功标准和质量评估。任何一项缺失或模糊，都会直接指出并给出修改方向。这种系统化的审计方式比「感觉不对」要可靠得多。

Anti-Pattern 检测是它的一个特色能力。它能识别出常见的提示词反模式，包括措辞模糊、上下文缺失、缺少输出格式说明、以及指令相互冲突的情况。这些问题在实际项目中极为普遍，但很少有人系统地去检查。

结构化重组模块将混乱的提示词重新组织为「角色 + 范围 + 约束 + 输出格式 + 示例 + 质量标准」六个明确区块，每个部分独立可审查，团队成员可以直接针对某一板块提出修改意见，而不需要整体重写。

在高级技巧层面，它整合了 Chain-of-Thought 框架、Self-Consistency 自洽性检验、ReAct 推理框架、Few-shot 示例添加和约束条件优化等方法，并说明每种技巧的适用场景和启用条件。

验证模块给出了 A/B 测试用例设计方法、评分指标定义、成功率统计和一致性校验的具体流程，让提示词的改动有数据依据，而非凭直觉判断。

最终交付物包括优化后的提示词、诊断报告、测试结果记录和可复用的提示词库条目，方便团队积累和传承。

适用场景：系统性地审查和改进已有提示词、建立团队内部的提示词评审标准、为特定任务构建经过验证的可复用提示词库。

质量评级：bronze（质量分 79 / views 329 / 下载 6 / 收藏 0）。

风险等级：safe。

安装命令：npx skillstore add dnyoussef/when-optimizing-prompts-use-prompt-architect