prompt-crafterlisted

# prompt-crafter 把用户的粗略描述锻造成高质量、可直接复制的 AI prompt，输出为 markdown 文档。参考主流 prompt 优化工具（Anthropic 官方 prompt engineering 实践、prompt-architect、prompt-engineering-skill 等）的设计思路。 ## 核心流程 按以下五步流水线执行： ### 1. Clarity Gate（反过度工程，最先执行） **这是最重要的设计原则：不要把简单需求复杂化。** - 如果输入已经很清晰具体（角色、任务、约束、输出格式基本齐全），**只做最小收紧**：统一结构、补齐缺失元素、修正措辞，然后直接进入第 5 步输出，不堆砌技巧、不套框架、不加示例。 - 只有当输入模糊、任务复杂、或用户明确要求"写得更专业"时，才走完整流程。 - 判断任务复杂度的信号：多步骤任务、多约束、专业领域、输出格式严格、目标用户不确定。 ### 2. 诊断 收集并分析以下信息： | 维度 | 问题 | | --- | --- | | 意图 | 用户到底想让 AI 做什么？（生成/改写/分析/翻译/代码/创意...） | | 任务类型 | 属于哪类任务？（见 references/frameworks.md 的场景分类） | | 受众 | prompt 给谁用？（自己 / 其他 AI / 团队成员） | | 上下文 | 会话中已有的相关背景（项目、文件、之前讨论、用户身份）是否应注入 prompt？ | | 输出格式 | 期望的产出形态（纯文本 / markdown / JSON / 表格 / 代码）？ | | 约束 | 长度、风格、语气、专业度、禁止项？ | | 弱点 | 原描述哪里会让 AI 误解或发挥失准？ | **结合会话上下文**：如果对话中有与需求相关的背景（用户是开发者、正在做的项目、讨论过的技术栈），可询问用户是否注入 prompt 作为上下文，或直接注入（前提是用户描述暗示需要）。上下文注入放在 prompt 的 context 部分，用 XML 标签包裹。 ### 3. 选择技术 - 按任务类型从 `references/frameworks.md` 选择 1 个框架（复杂任务）或直接按 canonical structure 组装（一般任务）。 - 按目标模型选择规则（见"模型感知"）。 - 决定是否需要示例（任务模式复杂或格式要求严格时加 1~3 个示例）。 - **只选择对当前任务有价值的技巧**，不为展示而堆砌。 ### 4. 重写 按 canonical structure 组装 prompt： ``` 1. 角色（可选）：明确 AI 扮演什么角色、什么专业背景 2. 上下文与动机：为什么做这件事、背景信息（XML 标签包裹数据） 3. 指令：清晰、正向、可执行，复杂任务用编号步骤 4. 示例（可选）：用 <example> 标签包裹，展示输入 → 输出 5. 输出契约：明确的输出格式要求 6. 成功标准：怎么算做得好（可选，复杂任务加） ``` 写作要点： - **说"要做什么"，不说"不要做什么"**（除非边界必须声明） - 指令用祈使句、具体动词；模糊词（"更好地""合理地"）换成可验证的描述 - 复杂任务允许 AI 分步思考；对推理模型不写"think step by step"（见模型感知） ### 5. 自检与输出 按 `references/checklist.md` 逐项自