大模型用不好，往往写的提示词不准确，这就如同你搜百度的时候如果关键词和你心中的期望有偏差的话，你也得不到想要的答案。我有几个心得：1、要明确角色：如我是一名资深的A股量化交易分析师，我的风格是：真实数据证据、严谨逻辑、简洁回答 2、要明确意图与目标：你这个Skill到底想干什么。一个Skill只能有一个明确意图。 3、要有详细每一步步骤任务描述：任务描述：最好按照计算机程序逻辑：输入什么-处理逻辑-输出结果是什么信息。这挺像用中文写程序。这叫渐进式披露，便于Agent生成解决方案和分解任务。如果任务步骤太多，建议每经历一个阶段，你就明确指明要求它做个阶段性总结。这样大模型就不会走的太远而忘了为什么意图而走。否则会越走越偏。描述每个步骤任务时，要尽量多写严格约束。比如需要最新、最全、最准确的数据，不能编造与幻觉。甚至我还经常性故意反问：我严重怀疑你的数据有编造，请你把所有会话的信息再检查修正一次。这个也很像谷歌的二次Query技巧，避免了Transformer Next Token这个原理的问题。 4、最好举一个真实的例子：这样方便大模型更充分理解你的意图和步骤。我越来越感觉：写Skill、写提示工程，和产品经理写PRD详细设计说明书非常像。 5、明确度量：你怎么度量结果的好坏质量，要有kpi指标项设计与指标值设定。 6、数据源要明示出来：每个excel的字段说明每个接口的输入输出字段说明 7、输出数据格式要明确：如JSON、Markdown 8、大模型的温度：尽量设低一些，如0.1，防止出现太多幻觉、防止每次出现的结果不稳定。 9、借助工具：往往一个好的提示工程需要几百行，这让大部分写都不愿意这么细节底抠（这下大家理解了产品经理写详细设计说明书时的耐力了吧）。幸好现在有很多工具：Arthropic Skill最新规范、Skill-Creator工具，ClawHub平台上全球高人写好的最佳实践Skill、火山引擎的PromptCopilot优化工具。