写 prompt 总是不准？这个开源技能包把调教 AI 变成一套工程方法论

写 prompt 的时候，你有没有这种感觉——

改了三版，Claude 还是输出不够准；试了 few-shot、CoT，结果 token 爆炸、上下文直接超限；好不容易调好一个，换个模型又失效了。

不是你的思路不对，是 prompt 这件事本身就值得被当成一个工程问题来处理。

今天想跟你分享一个开源 Skill——AbsolutelySkilled / prompt-engineering，它把写 prompt 从”凭感觉调”变成”有体系可循”。

它能干啥

这是一个面向 AI 编码 Agent 的 prompt 工程技能包，支持 Claude Code、Gemini CLI、OpenAI Codex，核心覆盖这几块：

• Chain-of-Thought：结构化推理路径，不是简单加一句 “think step by step”，而是告诉你什么时候用、怎么设计推理节点
• Few-Shot Learning：怎么选例子、怎么排列、怎么避免例子带偏模型
• RAG 优化：把检索和生成接起来时，prompt 怎么设计才能减少幻觉
• Prompt Chaining：多步骤任务怎么拆、每个节点怎么传上下文
• 多模型适配：同一套技巧怎么根据 Claude / GPT / Gemini 的差异做微调

怎么装

一条命令搞定：

npx skills add AbsolutelySkilled/AbsolutelySkilled --skill prompt-engineering

装完在 Claude Code 里直接敲 /prompt-engineering，或者自然语言触发——”帮我优化这个 prompt”就行。

和别的 prompt 工具比差在哪

市面上的 prompt 指南大多是”加 Role + 加例子 + 加约束”三板斧。这个 Skill 真正有价值的地方在于它的模块化设计——每个子技巧独立，不是一次性塞一整块 System Prompt 进去。它会根据你的任务类型推荐用哪个技巧，而不是无脑堆叠。

适合谁用

• 经常和 AI 编码 Agent 打交道，想把 prompt 能力系统化的开发者
• 对 Chain-of-Thought、Few-Shot 等技巧感兴趣但一直没找到实操指南的
• 需要在多个模型间迁移 prompt 的工程师

GitHub：https://github.com/jvalteren/AbsolutelySkilled
Star：开源免费，MIT 协议

GitHub: https://github.com/jvalteren/AbsolutelySkilled