写Prompt还在靠感觉？这个3.2万人在用的工程化方法让我告别”玄学调教”

写过 Prompt 的同学，有没有这种感觉——

同样一个任务，别人调调词顺序效果就起飞，你加了 200 字限制词结果反而更差。是不是开始怀疑自己玄学没修够？

别慌，问题不是你不努力，而是方法论错了。

Prompt Engineering 其实是门工程课

最近在逛 SkillHub 时发现一个超级硬核的 Skill——prompt-engineering-patterns，光安装量就有 32,700+，GitHub 3,400 stars。作者 @wshobson 把 Prompt 工程化这件事拆得很透，不讲玄学，只讲可复现的方法。

这个 Skill 覆盖了 6 大核心能力：

1. Few-Shot Learning（少样本学习）
不是随便扔几个例子就完事，而是要讲究例子选择策略——语义相似度、多样性采样、动态检索。Skill 里直接给了代码，用 embedding 做相似度匹配，比随机扔例子靠谱太多。

2. Chain-of-Thought（思维链）
“让我们一步一步思考”这句话你肯定见过，但这个 Skill 讲的是进阶玩法——Self-Consistency（多路径采样取多数票）、带验证步骤的 CoT、以及 Tree-of-Thought（多分支推理）。数学、代码调试、逻辑推理任务提分效果明显。

3. Structured Output（结构化输出）
用 Pydantic Schema 约束输出格式，配合重试机制，妈妈再也不用担心模型输出 JSON 乱码了。代码示例直接可运行。

4. Prompt 模板系统
变量插值、条件渲染、多轮对话模板、角色化组合……教你把 Prompt 当代码一样版本管理，而不是每次手搓新文案。

5. System Prompt 设计
怎么设定模型行为、输出格式、专业角色、安全边界，这个 Skill 给了完整的 Role-Based 模板库（分析师、代码评审、助手三种角色开箱即用）。

6. Prompt 优化与迭代
A/B 测试框架、性能指标体系（准确率、一致性、延迟、Token 消耗）、失败模式归因——这是把 Prompt 当产品来迭代了。

我的感受

这个 Skill 最值钱的地方是把”调 Prompt”这件事从玄学变成了工程。你不需要再凭感觉加词、改顺序，而是有了一套可以系统化测试、迭代、验证的方法论。

无论你是做 AI 应用开发，还是日常用 LLM 提效，这个 Skill 都值得收藏。

GitHub：https://github.com/wshobson/agents#plugins-llm-application-dev-skills-prompt-engineering-patterns

作者：白鹿 | 定位：Prompt工程/AI调教/使用技巧

GitHub: https://github.com/wshobson/agents#plugins-llm-application-dev-skills-prompt-engineering-patterns