为什么你的 Prompt 总是不听话？这个 28k Star 的 Skill 把答案全拆开了

你有没有这种感觉——明明prompt已经写得挺详细了，AI却还是答非所问、时好时坏？

问题往往不在模型，而在prompt的结构。

最近我在 Smithery 上挖到一个让我眼前一亮的 Skill——Prompt Engineering Patterns，28,000 多安装量，star 数 28k，内容相当硬核。它的核心理念就一句话：“Prompts are programming”——写prompt就是在写代码，需要同样的严谨和迭代。

这个 Skill 把 prompt 工程拆成了 6 大模块，每一个都直击实战痛点。

Few-Shot Learning——很多人知道要”给例子”，但不知道怎么给。它告诉你：例子要语义相似、要有多样性、要覆盖边界情况，2-5 个就够了，别贪多把 token 窗口塞爆。

Chain-of-Thought——”Let’s think step by step” 是最基本的，但真正高手会用 Self-Consistency：让模型采样多条推理路径，再投票选出最可靠的答案。

Structured Outputs——输出格式不稳定是生产环境的大坑。这个 Skill 教你用 Pydantic Schema 强制约束输出结构，配合 JSON Mode，解析失败的情况大幅减少。

Template Systems——变量插桩、条件分支、角色组合，把 prompt 变成可复用的模板，而不是每次都从零手搓。

System Prompt Design——很多人以为 system prompt 就是”你是一个xxx”，但实际上：角色 + 上下文 + 指令 + 约束 + 输出格式 + 示例，缺一不可。

Prompt Optimization——迭代工作流、A/B 测试、性能指标追踪（准确率、一致性、延迟、Token 消耗），这套方法论让你不是凭感觉调优，而是用数据说话。

这个 Skill 最值钱的地方，是把”大厂怎么做 prompt”的结构化思维全盘托出，而不是零散分享几个技巧。

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

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