用AI总踩坑？这个五级Prompt框架让我从”随便问问”进化到”精准调教”

大部分人用 AI，都是「随便问一句，看心情改改」。但我见过真正会用的人，都有自己的分层策略——他们不是运气好，而是知道什么时候该用 L1，什么时候该上 L5。

今天分享一个我在 SkillsMP 上挖到的宝藏 Prompt 工程 Skill，叫 prompt-engineering（来自 @liqiongyu 的 my-agents 仓库，28⭐）。

核心：五级分层

这个 Skill 最值钱的地方，是把 Prompt 分成了 5 个难度等级：

L1 — 直连指令：Clear direct instruction，第一步默认用它。
L2 — 加约束+格式：Model 开始在简洁、风格或格式上飘的时候用。
L3 — 加示例：Model 还是分类错误、格式乱、遗漏边缘情况，用 Few-Shot 例子。
L4 — 加推理脚手架：任务需要多步分析或检查纠错时，加 Chain-of-Thought 类结构。
L5 — 拆链/可复用模板：中间验证或多阶段处理很重要时，拆成 pipeline。

记住这个结构：

[Role or system context]
[Task instructions]
[Examples, if needed]
[Input data]
[Output format]

就这么简单，但每一层都是有意图的升级，不是随机试。

两个实战工作流

Evaluate 工作流：
把 Prompt 变更当代码变更对待——记录基线、一次只改一个变量、复跑同样 case、对比 task 准确率、格式合规性、一致性、延迟和 token 成本。

Productionize 工作流：
发到生产前做这几件事：版本化管理 Prompt 和变量、优先用 API 级别的结构约束、隔离不可信输入和指令、在高风险场景定义 rollback 行为、持续监控漂移和成本回归。

技术选型指南

Skill 里给了一张速查表，干货满满：

防坑清单

我最喜欢这个 Skill 的一点是它把常见陷阱列得清清楚楚：

• ❌ 上来就用 exotic 技术 → 复杂掩盖了真正的失败原因
• ❌ 没有测负向 case → 边缘翻车只在生产出现
• ❌ 假设 Prompt 可以迁移 → Vendor 行为差异很微妙
• ❌ 混信任指令和不可信数据 → 注入风险飙升
• ❌ 同时改多个变量 → 无法判断哪个改进了

怎么安装

用 Claude Code 或 Codex 直接装：

npx skills add https://github.com/liqiongyu/my-agents --skill prompt-engineering

装完喊一句 /prompt-engineering 就能激活。

这个 Skill 特别适合想从「会问」进化到「会调」的同学。五级分层+两个实战工作流+防坑清单，覆盖了你从写第一条 Prompt 到上生产线的全路径。不会用 Prompt 的看 L1-L3，想用好的看 L4-L5。

GitHub：https://github.com/liqiongyu/my-agents（⭐ 28）

GitHub: https://github.com/liqiongyu/my-agents