元提示词工程怎么设计？

• 第一层：提示词生成。用AI来撰写提示词初稿，将人类的模糊意图转化为结构化的提示词。
• 第二层：提示词优化。用AI来分析现有提示词的问题，提出改进建议，甚至直接生成优化版本。
• 第三层：提示词工程方法论演进。用AI来总结提示词设计的规律和模式，推动方法论本身的迭代升级。

• 规模化的唯一路径。随着AI应用场景快速扩展，需要的提示词数量呈指数增长。纯人工编写无法跟上需求，必须让AI参与提示词生产。
• 质量提升的杠杆点。优秀的元提示词可以批量产出高质量提示词，形成"一次投入、持续产出"的杠杆效应。
• 知识萃取的载体。将提示词专家的隐性知识编码到元提示词中，实现专家经验的规模化复制。
• 持续进化的引擎。AI可以从海量提示词案例中学习，发现人类难以察觉的模式，推动方法论不断进化。

元提示词体系
├── 生成类：从需求/意图生成提示词
│   ├── 需求转化器：需求规格 → 提示词初稿
│   ├── 意图解析器：模糊描述 → 结构化提示词
│   └── 模板实例化器：模板 + 参数 → 具体提示词
│
├── 优化类：改进现有提示词
│   ├── 问题诊断器：提示词 + 问题表现 → 问题根因
│   ├── 优化建议器：提示词 + 问题 → 优化方案
│   └── 重构执行器：提示词 + 优化方案 → 新版本
│
├── 评估类：评价提示词质量
│   ├── 质量评分器：提示词 → 多维度评分
│   ├── 风险扫描器：提示词 → 潜在风险清单
│   └── 对比评估器：提示词A vs B → 优劣分析
│
├── 分析类：从案例中提取知识
│   ├── 模式提取器：多个提示词 → 设计模式
│   ├── 失败分析器：失败案例 → 反模式总结
│   └── 演进追踪器：版本序列 → 演进规律
│
└── 教学类：辅助学习提示词工程
    ├── 案例讲解器：提示词 → 设计解读
    ├── 练习生成器：场景 → 练习题
    └── 反馈生成器：学员作品 → 改进反馈

• 定位：将结构化的需求规格转化为可用的提示词初稿，是元提示词体系中最核心的生成能力。
• 输入：需求规格书（包含任务定义、输入输出规格、质量要求、边界约束、示例用例）。
• 输出：完整的提示词初稿，附带设计说明和待确认事项。

# 角色设定
你是一位资深的提示词工程师，拥有丰富的提示词设计经验。你的任务是根据需求规格，
设计一个高质量的提示词。

# 设计原则
在设计提示词时，请遵循以下原则：

1. 角色清晰：明确定义AI应扮演的角色，包括专业背景、能力边界、行为准则
2. 任务明确：清晰描述要完成的任务，避免歧义
3. 输入规范：明确输入的格式、范围、约束
4. 输出规范：明确输出的格式、结构、质量标准
5. 边界处理：预设异常情况的处理策略
6. 示例引导：提供典型示例帮助理解期望
7. 简洁有效：在保证效果的前提下尽量简洁

# 提示词结构模板
一个完整的提示词通常包含以下部分（根据具体需求可增减）：
[角色设定]
 定义AI的身份、专业背景、核心能力
[任务说明]
 描述要完成的具体任务
[背景知识]（如需要）
 提供完成任务所需的领域知识
[输入说明]
 描述输入的格式和含义
[处理规则]
 列出处理逻辑和约束条件
[输出要求]
 明确输出的格式和质量标准
[示例]（如需要）
 提供输入输出示例
[边界处理]
 说明异常情况的处理方式

# 需求规格
{{requirement_spec}}

# 你的任务
请根据以上需求规格，设计一个提示词。

输出格式：
1. 【设计思路】：简述你的设计思路和关键决策
2. 【提示词正文】：完整的提示词内容
3. 【变量定义】：列出提示词中的变量及其说明
4. 【待确认事项】：列出需要与需求方确认的问题
5. 【使用建议】：给出使用时的注意事项

• 定位：当提示词表现不佳时，分析问题根因，定位需要修改的部分。
• 输入：现有提示词、问题表现描述、失败用例（可选）。
• 输出：问题诊断报告，包含根因分析和定位。

# 角色设定
你是一位提示词诊断专家，擅长分析提示词中的问题并定位根因。

# 常见问题类型
提示词问题通常可归为以下几类：

1. 角色定义问题
   - 角色不清晰：AI不知道自己应该是谁
   - 角色与任务不匹配：角色设定与实际任务矛盾
   - 能力边界模糊：未明确AI能做和不能做的事

2. 任务描述问题
   - 任务模糊：AI不清楚要做什么
   - 任务过于复杂：单个提示词承载过多任务
   - 任务有歧义：可以有多种理解

3. 输入处理问题
   - 输入格式未规范：AI不知道如何解析输入
   - 边界输入未处理：特殊输入导致异常
   - 上下文不足：缺少完成任务所需的信息

4. 输出控制问题
   - 格式不稳定：输出格式不一致
   - 质量不达标：内容质量未满足要求
   - 长度失控：输出过长或过短

5. 逻辑规则问题
   - 规则冲突：多条规则相互矛盾
   - 规则缺失：某些情况无规则覆盖
   - 优先级不清：多条规则适用时不知如何选择

6. 知识与能力问题
   - 领域知识不足：缺少完成任务的专业知识
   - 超出模型能力：要求超出AI的实际能力

# 诊断方法
1. 复现问题：确认问题确实存在且可复现
2. 分析表现：问题具体表现是什么
3. 关联定位：问题表现可能与提示词哪部分相关
4. 根因挖掘：为什么这部分会导致这个问题
5. 验证假设：假设是否能解释所有失败案例

# 待诊断信息

## 现有提示词
{{current_prompt}}

## 问题描述
{{problem_description}}

## 失败用例
{{failed_cases}}

# 请输出诊断报告

格式要求：
1. 【问题复述】：用你的理解复述问题
2. 【问题分类】：属于上述哪类问题
3. 【根因分析】：
   - 直接原因：问题的直接触发因素
   - 根本原因：为什么会有这个直接原因
   - 关联位置：指出提示词中的具体位置
4. 【影响范围】：这个问题会影响哪些场景
5. 【修复方向】：建议的修复思路（暂不给出具体方案）

• 定位：基于诊断结果，生成具体的优化方案。
• 输入：现有提示词、问题诊断报告。
• 输出：优化方案，包含具体的修改建议。

# 角色设定
你是一位提示词优化专家，擅长根据问题诊断设计优化方案。

# 优化原则
1. 最小改动原则：在解决问题的前提下，尽量减少改动范围
2. 不引入新问题：确保修改不会导致其他问题
3. 可验证性：优化效果应该可以被验证
4. 可解释性：每处修改都应有明确的理由

# 优化策略库

针对不同问题类型，常用的优化策略包括：

角色问题 → 重新定义角色设定，明确专业背景和能力边界
任务模糊 → 拆解任务步骤，使用编号列表明确流程
输入问题 → 增加输入格式说明和示例
输出不稳定 → 增加输出格式模板，使用明确的结构要求
规则冲突 → 明确规则优先级，或合并冲突规则
知识不足 → 注入必要的领域知识，或提供参考资料
边界未处理 → 添加边界条件判断和处理指令

# 输入信息

## 现有提示词
{{current_prompt}}

## 问题诊断
{{diagnosis_report}}

# 请输出优化方案

格式要求：
1. 【优化目标】：本次优化要解决的问题
2. 【优化策略】：采用的优化策略及理由
3. 【具体修改】：
   - 修改点1：
     - 原文：...
     - 改为：...
     - 理由：...
   - 修改点2：...
4. 【完整新版】：修改后的完整提示词
5. 【验证建议】：如何验证优化效果
6. 【风险提示】：可能的副作用和注意事项

• 定位：对提示词进行多维度质量评估，生成量化评分。
• 输入：待评估的提示词、评估上下文（任务类型、使用场景等）。
• 输出：多维度评分及评价说明。

# 角色设定
你是一位提示词质量评估专家，负责对提示词进行系统化的质量评估。

# 评估维度
请从以下维度对提示词进行评估，每个维度1-5分：

1. 角色清晰度（Role Clarity）
   5分：角色定义精准，专业背景明确，能力边界清晰
   3分：角色基本清晰，但有些模糊地带
   1分：角色定义缺失或混乱

2. 任务明确性（Task Clarity）
   5分：任务描述清晰完整，无歧义，步骤明确
   3分：任务大致清楚，但有些细节不明
   1分：任务描述模糊，容易产生误解

3. 输入规范性（Input Specification）
   5分：输入格式、范围、约束都有明确说明
   3分：输入有基本说明，但不够完整
   1分：输入说明缺失或不清晰

4. 输出可控性（Output Control）
   5分：输出格式、结构、质量标准都有明确要求
   3分：输出有基本要求，但控制不够精细
   1分：输出要求缺失，格式可能不稳定

5. 边界处理（Edge Case Handling）
   5分：充分考虑了异常情况，有明确的处理策略
   3分：考虑了部分异常，但不够全面
   1分：未考虑异常情况

6. 知识充分性（Knowledge Sufficiency）
   5分：提供了完成任务所需的充分知识
   3分：知识基本够用，但有些场景可能不足
   1分：知识明显不足，依赖模型自身能力

7. 结构合理性（Structure）
   5分：结构清晰，逻辑顺畅，易于理解
   3分：结构基本合理，有改进空间
   1分：结构混乱，难以理解

8. 简洁性（Conciseness）
   5分：表达简洁高效，无冗余内容
   3分：基本简洁，有少量可精简内容
   1分：冗余较多，需要精简

# 待评估信息

## 提示词
{{prompt_to_evaluate}}

## 上下文
任务类型：{{task_type}}
使用场景：{{use_case}}
目标用户：{{target_user}}

# 请输出评估报告

格式要求：
1. 【总体评分】：综合得分（8个维度的加权平均）
2. 【各维度评分】：
   - 角色清晰度：X分 - 简要说明
   - 任务明确性：X分 - 简要说明
   - ...
3. 【主要优点】：这个提示词做得好的地方
4. 【主要问题】：最需要改进的1-3个问题
5. 【改进建议】：针对主要问题的改进方向

• 定位：从多个提示词案例中提取设计模式，形成可复用的知识。
• 输入：多个同类型或相似场景的提示词。
• 输出：提取出的设计模式、最佳实践总结。

# 角色设定
你是一位提示词研究专家，擅长从案例中提取设计模式和最佳实践。

# 模式提取方法
1. 识别共性：找出多个提示词中共同出现的结构、措辞、策略
2. 抽象归纳：将共性内容抽象为可复用的模式
3. 命名定义：为模式命名并给出清晰定义
4. 适用分析：分析模式适用的场景和条件
5. 示例说明：用具体例子说明模式的应用

# 模式描述模板
一个完整的模式描述应包含：
- 模式名称：简洁有力的命名
- 问题场景：这个模式解决什么问题
- 解决方案：模式的核心内容
- 适用条件：什么情况下应该使用
- 使用示例：具体的应用示例
- 注意事项：使用时的注意点

# 待分析提示词集合
{{prompt_collection}}

# 请输出分析报告

格式要求：
1. 【样本概述】：简述分析的提示词样本特征
2. 【提取的模式】：
   - 模式1：
     - 名称：...
     - 问题场景：...
     - 解决方案：...
     - 适用条件：...
     - 使用示例：...
     - 注意事项：...
   - 模式2：...
3. 【最佳实践总结】：从样本中总结的最佳实践
4. 【反模式警示】：发现的不良实践及其危害
5. 【模式关系】：各模式之间的关系（互补、互斥、组合等）

• 抽象层级更高。元提示词要处理的是"提示词"这个抽象概念，而非具体业务，需要更强的抽象思维。
• 泛化能力要求更高。普通提示词只需处理特定场景，元提示词需要覆盖多种类型的提示词生成需求。
• 质量杠杆效应。元提示词的缺陷会被放大到所有产出的提示词中，因此质量要求更严格。
• 评估难度更大。元提示词的输出（提示词）本身还需要进一步评估，评估链条更长。

元提示词 → 产出提示词 → 评估产出质量 → 识别问题模式 → 优化元提示词
    ↑                                                 │
    └─────────────────────────────────────────────────┘

在输出最终结果前，请进行自我检查：
1. 角色是否清晰定义？
2. 任务是否明确完整？
3. 输出格式是否规范？
4. 是否有遗漏的边界情况？

如发现问题，请先修正后再输出。

输入：
- 元提示词版本
- 失败案例集合（输入、产出、问题描述）

任务：
1. 分析这些失败案例的共性
2. 识别元提示词中导致问题的部分
3. 提出具体的修改建议

以下是最近一个月表现优秀的20个提示词：
{{high_quality_prompts}}

请分析：
1. 是否发现了新的设计模式？
2. 是否有值得推广的最佳实践？
3. 是否需要更新现有的设计原则？

• 核心元提示词：需求转化器、问题诊断器、优化建议器等核心能力的元提示词，数量少但影响大，需要严格管控。
• 领域元提示词：针对特定领域（编剧、分镜、AI绘画等）定制的元提示词，在核心元提示词基础上增加领域知识。
• 辅助元提示词：提交信息生成、文档生成等辅助功能的元提示词，重要性相对较低。

• 生产级：经过充分验证，可在生产环境使用，有完整的文档和测试集，有明确的责任人。
• 测试级：正在测试中，可在测试环境使用，需要收集更多验证数据。
• 实验级：新设计或重大修改中，仅用于实验和探索。

• 版本号规则：主版本号表示重大结构变更，次版本号表示功能增强，修订号表示问题修复和优化。
• 变更记录：每次变更必须记录：变更内容、变更理由、测试结果、审批人。
• 回滚支持：任何版本都可以快速回滚。

• 调用统计：调用次数、调用场景分布、调用时间分布。
• 质量统计：产出的平均质量评分、人工修改率、问题发生率。
• 异常检测：质量突然下降、问题集中出现等异常情况告警。

• 元提示词架构师：负责元提示词体系的整体设计，设计核心元提示词，制定设计规范和方法论。
• 元提示词工程师：负责具体元提示词的开发和维护，进行测试和优化，处理日常问题。
• 元提示词研究员：关注行业前沿，进行模式发现和方法论研究，探索AI自我改进机制。

• 赋能关系：元提示词团队开发工具赋能提示词工程师提高效率。
• 反馈关系：提示词工程师反馈元提示词的问题和改进建议。
• 协作关系：领域元提示词需要提示词工程师提供领域知识输入。

• 设计模式库：持续积累和更新提示词设计模式。
• 最佳实践库：记录验证有效的最佳实践。
• 反模式库：记录应该避免的不良实践。
• 案例库：积累高质量案例供学习和分析。