调提示词总崩？Prompt Tuner 用逻辑修复代替打补丁

你有没有遇到过这种情况——调了一个多星期的提示词，感觉已经很完美了，结果换一个测试用例就崩？

问题往往不在模型，而在提示词本身的「逻辑漏洞」。

今天想跟你分享一个工具，叫 Prompt Tuner，专门用来做提示词的逻辑调优。它的核心理念很反直觉：不要逐个 case 打补丁，要找到规则层面的根本问题。

它怎么工作的？

Prompt Tuner 把调优分成三个阶段：

第一步：读文档，理解逻辑
在动任何东西之前，先把项目里相关的 *.md 文档、测试用例、设计文档全部读一遍。然后用标准格式写出「逻辑摘要」——这个提示词到底要干什么，规则是什么，边界情况有哪些。

第二步：分类根因
当某个 case 失败时，先不要急着改，而是判断问题属于哪一类：
– 逻辑缺失：提示词根本没覆盖这个场景
– 逻辑冲突：提示词自己前后矛盾
– 歧义：指令太模糊，模型理解出了偏差
– 过拟合风险：修复只对这一个 case 有效，但会破坏其他 case——这时要停下来，不能改

第三步：写通用规则，不是写具体修复
这是最关键的一步。很多人的改法是「当用户说’你好’，改成’你好！有什么可以帮你的？’」——Prompt Tuner 明确说这是错误示范。正确的做法是抽象出通用规则：「开场回复需包含服务意愿表达」。

为什么要用这个思路？

因为逐 case 打补丁是最快的，也是最慢的。今天修了一个 case，明天又来三个新的。通用规则才是真正的护城河。

Prompt Tuner 的工作流强制你先理解再动手，不确认逻辑不推进，不写通用规则不提交。这个 discipline 听起来麻烦，但养成习惯之后，调提示词的效率和质量都会上一个台阶。

适合谁用？

如果你正在做 AI 应用开发，系统提示词是你产品体验的核心，或者你经常需要帮人调提示词但总感觉「改了又崩」，这个 Skill 值得一试。

安装方式也很简单，SkillsMP 上直接搜「prompt-tuner」，找到 xiangu152/my_claude_skills 即可。

GitHub: https://github.com/xiangu152/my_claude_skills

GitHub: https://github.com/xiangu152/my_claude_skills