写 prompt 总差点意思？试试这套”提示词培育”方法论

你有没有这种感觉——明明写了一大段 prompt，Claude 给的回复却还是”差点意思”？

问题不在 AI，在你的 prompt 结构。

今天想跟你分享一个我最近挖到的 Claude 技能——prompt-cultivation（提示词培育），来自 GitHub 用户 aneveux 的 claude-garden 仓库。这个 Skill 把提示词工程拆解成了一套可操作的方法论，不是玄学，是套路。

一个好 prompt 的”解剖图”

prompt-cultivation 给出了一个叫 Prompt Anatomy（提示词解剖） 的框架，每个有效的 prompt 最多包含 6 个组件：

关键原则：上下文在前，指令在后。 Claude 处理 prompt 是顺序进行的，前面的内容会影响它对后面任务的理解。

8 个核心技巧，按诊断使用

这是 prompt-cultivation 最实用的部分——它不是让你死记硬背技巧，而是教你先诊断问题，再对症下药。

1. 角色赋值（Role Assignment）
触发条件：输出缺乏专业深度，或语气不对。
方法：具体到”做过什么事”，比如”写过 500+ 行 Python 的后端工程师”比”Python 专家”有效得多。

2. XML 标签结构化（XML Tag Structuring）
触发条件：多类型内容混在一起，长 prompt 找不到段落边界。
方法：用 <context>、<task>、<output> 等语义标签分隔内容区块，Claude 会把 XML 标签当作语义边界处理。

3. 约束明确化（Constraint Specification）
触发条件：输出太长/太短、格式乱、受众不明确。
方法：用量化的方式替代模糊词——”1500 字”比”中等长度”好，”有 2 年经验的 DevOps 工程师”比”技术人员”好。

4. 思维链（Chain-of-Thought）
触发条件：复杂推理、多步逻辑、数学运算、初步判断可能出错的任务。
方法：告诉 Claude”仔细思考这个问题”比列出具体步骤更有效——Claude 更擅长从意图泛化，而不是遵守僵硬清单。

5. 少样本示例（Few-Shot Examples）
触发条件：输出格式总是不对，边角情况没覆盖到，输入到输出的映射不明显。
方法：放 1-3 个高质量示例，示例要覆盖你想处理的边界情况。质量>数量——一个差示例比没示例更有害。

6. 查询置后（Query-at-End Ordering）
触发条件：数据或背景信息出现在指令之后，prompt 以”请分析……”开头再提供内容。
方法：始终把上下文和数据放在前面，查询/指令放在最后。Claude 靠前的内容更近的上下文权重更高。

7. 反例约束（Negative Constraints）
触发条件：Claude 总是在你不想要的方向上发挥。
方法：明确说”不要做什么”，比如”不要用专业术语””不要超过 200 字””不确定时直接说不知道”。

8. 迭代验证（Iterative Refinement）
触发条件：第一版输出不太对，需要微调。
方法：把上一轮的输出作为下一轮的输入，明确指出哪里需要调整，不要重新写整个 prompt。

怎么安装

这个 Skill 来自 claude-garden 插件体系，安装方式：

# 先把 claude-garden 添加到插件市场
/plugin marketplace add aneveux/claude-garden

# 然后安装 seed 插件（prompt-cultivation 包含在里面）
/plugin install seed@claude-garden

安装后在 Claude Code 里只要提到”优化 prompt””设计提示词”或者”transform rough idea into structured prompt”，它就会自动调用这个技能。

总结

prompt-cultivation 真正有价值的地方在于：它把”写好 prompt”从凭感觉变成了一套可诊断、可迭代的流程。你不需要记住所有技巧，只需要知道——当输出不对的时候，先看看 prompt 缺了哪个组件，然后针对性地补上。

GitHub 链接：aneveux/claude-garden

GitHub: https://github.com/aneveux/claude-garden