为什么你的提示词总写不好？试试这个模块化工程方法

写过提示词的人都知道——改来改去还是差点意思。

不是 AI 听不懂，是你自己没说明白。

Prompt-Engineering-Skill 这套开源技能库，专门解决「提示词写不好」这件事。它不是一个大而全的怪物，而是把 prompt 工程拆成了 7 个精准的小工具：

• prompt-engineering（总路由）
• prompt-clarity-and-structure（清晰度与结构）
• prompt-reasoning-and-chaining（推理与链式）
• prompt-grounding-and-rag（事实锚定与 RAG）
• prompt-agents-and-tools（工具调用与多 Agent）
• prompt-security-and-production（安全与生产部署）
• prompt-evaluation（评估与迭代）

每个子技能都是独立安装的，按需加载，不用一次性全装上。

这套技能解决什么问题？

写 prompt 经常卡在哪？

——脑子里有个大概想法，但一写出来就变成「你帮我分析一下这个代码」。模糊、缺结构、缺例子、缺约束。结果 AI 给一个泛泛的答案，你觉得不对，但又说不出哪里不对。

这套技能的做法是：先诊断，再开药。它会引导你明确任务目标、输出格式、边界情况，然后给你一个经过验证的 prompt 模板。

比如你问「帮我优化这个提示词」，它不会直接给你一个答案，而是先问你：这是系统 prompt 还是用户 prompt？目标模型是什么？有哪些已知失败的案例？——这个「追问」的过程，本身就是在帮你理清思路。

实际场景怎么用？

场景一：RAG 项目里 AI 总瞎编
→ 用 prompt-grounding-and-rag，它会教你怎么写「先引文、再回答」类型的 prompt，配合quote验证，从根本上减少幻觉。

场景二：Agent 工具调用总选错工具
→ 用 prompt-agents-and-tools，里面有工具描述设计、schema 编写、错误处理模式，直接套用。

场景三：提示词在 GPT 上跑得好，换 Claude 就废了
→ 用 prompt-evaluation 做 A/B 对比测试，量化不同模型上的表现差异，再针对性调优。

怎么安装？

# 全部安装（Claude Code）
for skill in prompt-engineering prompt-clarity-and-structure prompt-reasoning-and-chaining prompt-grounding-and-rag prompt-agents-and-tools prompt-security-and-production prompt-evaluation; do
  mkdir -p ~/.claude/skills/$skill
  curl -fsSL https://raw.githubusercontent.com/kzhekov/Prompt-Engineering-Skill/refs/heads/main/$skill/SKILL.md 
    -o ~/.claude/skills/$skill/SKILL.md
done

或者按需安装单个子技能。

适合谁用？

• 经常写提示词的开发者 / AI 工程师
• 需要在项目里标准化 prompt 工作流的团队
• 想系统学习 prompt 工程技巧的个人学习者

它不是魔法，但它是目前最系统的 prompt 工程工具包之一。GitHub 上 4 颗星不多，但胜在专精，每个技能都对应一个真实痛点。

GitHub：https://github.com/kzhekov/Prompt-Engineering-Skill

GitHub: https://github.com/kzhekov/Prompt-Engineering-Skill