写Prompt总像玄学？这个Skill把工程套路整理好了

你是不是也有过这种感觉——写 Prompt 就像玄学？同样的话，换个说法模型就答非所问；试了半天，输出格式还是乱糟糟的。

说实话，Prompt 工程这些年下来，已经有很多成熟套路了，只是没人帮你系统整理。

prompt-engineering-patterns 这个 Skill 就是来填这个坑的。

它来自 wshobson/agents 这个仓库（38k+ star），专门把 Prompt 工程的最佳实践拆成模块，手把手教你怎么在生产环境里用 LLM 用得稳、用得准。

这个 Skill 解决什么问题？

它不是教你”怎么写 prompt”，而是教你在大模型应用里怎么把 prompt 用对。

具体来说，覆盖这几块：

Few-Shot Learning — 不只是塞几个例子，而是告诉你怎么选例子、选多少、怎么动态从知识库里拉。例子选错比不选还糟糕，这个 Skill 帮你避开这个坑。

Chain-of-Thought — 零样本 CoT（直接说”Let’s think step by step”）、少样本 CoT、多路径自一致性……它把各种推理增强技巧的适用场景讲得很清楚，不是一股脑堆给你。

Structured Outputs — 生产环境里你最怕的是什么？模型输出 JSON 格式乱掉。它教你用 Pydantic 强制约束输出，解析失败直接报错，而不是静默接受脏数据。

Prompt 模板系统 — 变量插值、条件分支、多轮对话模板、角色组合……做 AI 应用你肯定需要这些，但自己摸索要踩很多坑。

怎么用？

在 Claude Code 里直接装：

/plugin install wshobson/agents

然后激活这个 skill，它会在你需要做复杂 prompt 设计时自动介入，给你结构化的指导。

适合谁用？

• AI 应用开发者：在做生产级 LLM 应用的，靠谱的 Prompt 模板能省大量调试时间
• 调教过 Claude 但总感觉”不够听话”的：这个 Skill 里的 structured output 和 few-shot 技巧能直接提升输出稳定性
• 想系统学 Prompt 工程的：它不是散点知识，而是有体系的 pattern 库

说实话，我之前也自己摸索过很多 CoT、few-shot 的用法，但一直没形成系统。这个 Skill 把这些 technique 的使用场景、注意事项、常见坑都整理好了，拿来就能用，省很多试错时间。

GitHub：wshobson/agents（prompt-engineering-patterns 在 plugins/llm-application-dev/skills/ 目录下）

GitHub: https://github.com/wshobson/agents