Prompt Engineering on SelfTechHub

第8章 Prompt工程与基础Skill搭建

Thu, 19 Feb 2026 00:00:00 +0000

第8章 Prompt工程与基础Skill搭建

本章导读

第7章讲了技术原理与工具选型。本章落到FDE最高频的实操——Prompt工程与Skill搭建。这是FDE"动手能力"的核心体现。本章先讲高阶Prompt技巧，再讲Skill设计方法，最后用三个通用Skill实战（信息整理、文案生成、数据分类）带读者走完从设计到迭代的全流程。读完本章，你应当能独立设计并搭建基础AI Skill。

§8.1 从Prompt到Skill

先厘清两个概念的关系。

Prompt是给大模型的一次性指令。Skill是封装好的、可复用的AI能力模块——它内部包含Prompt，但还包含触发条件、输入输出规范、异常处理等。

打个比方：Prompt是菜谱，Skill是"一道菜"——菜谱是核心，但一道菜还包括备料、火候、装盘、出错补救。FDE的工作不是写Prompt，而是搭Skill。

理解这个区别，就理解了本章的结构：先讲Prompt（菜谱），再讲Skill（完整的菜）。

§8.2 高阶Prompt技巧

第7章讲了Prompt五要素（角色、任务、约束、格式、Few-Shot）。本节讲四个高阶技巧。

8.2.1 角色设定的进阶用法

基础角色设定是"你是一位客服"。进阶用法是给角色具体的经验与风格。

对比：

基础：“你是一位客服主管。”
进阶：“你是一位有10年经验的零售行业客服主管，风格专业、共情、不卑不亢，擅长把复杂政策用客户听得懂的话解释。”

进阶设定让模型"代入"更具体，输出更稳定。但注意：角色设定要真实，不要编造不可能的经验（“你是同时精通法律、医学、金融的专家"会让模型胡编）。

8.2.2 任务拆解（Chain of Thought）

复杂任务一次性让模型做，效果差。拆解成多步，每步专注一件事，效果好得多。

示例（写客户跟进邮件）：

不拆解：“根据客户信息写一封跟进邮件。"（输出泛泛）
拆解：
1. 分析客户偏好（基于历史互动）。
2. 确定邮件核心卖点（匹配偏好）。
3. 写邮件草稿。
4. 检查语气与合规。
5. 输出最终邮件。

拆解后每步聚焦，整体质量显著提升。这种"让模型显式展示思考过程"的方法叫Chain of Thought（CoT）。

方法论框8-1：任务拆解的判断标准 出现以下任一情况，就该拆解：

任务包含多个子目标。

输出质量不稳定。

需要中间判断（如先分析再生成）。

单步输出过长导致信息丢失。

8.2.3 约束条件的精细化

约束不是"不超过200字"这么简单。精细化约束能大幅提升可控性。

常见约束维度：

长度：字数/句数/段数。
格式：JSON/表格/Markdown/特定模板。
语气：正式/亲切/专业/活泼。
禁区：不承诺什么、不提什么话题、不用什么词。
必须包含：必须出现的要素（如签名、免责声明）。
风格参考：给一段范例文本，要求"模仿此风格”。

约束越细，输出越可控。但注意约束之间不能冲突（“不超过100字"与"必须包含5个要点各30字"冲突）。

8.2.4 Few-Shot的用法

Few-Shot是给模型几个输入输出范例，让它学习模式。适合需要特定格式的任务。

用法要点：

示例要典型，覆盖主要模式。
示例数量2-5个为宜，太少学不会、太多浪费Token。
示例的输入输出格式要与你期望的完全一致。
负例（不该这么输出的例子）有时比正例更有效。

示例（客户情绪分类）：

输入：这破产品用不了，退款！
输出：愤怒

输入：麻烦问下怎么退款？
输出：咨询

输入：用了三天还不错，但有几点建议。
输出：中性+建议

给3个Few-Shot，模型就能稳定按这个分类逻辑输出。

§8.3 Skill设计方法

Prompt写好，下一步封装成Skill。一个完整的Skill包含五个部分。

图8-1：Skill的五大组成部分 （建议呈现：五模块图。触发条件→输入规范→核心Prompt→输出规范→异常处理。）

8.3.1 触发条件

什么时候调用这个Skill？触发条件要明确，避免误触发或漏触发。

示例：

“当用户输入包含’退款’‘退货’‘售后’关键词时触发。”
“当上游分类节点输出为’投诉’时触发。”

触发条件可以是关键词、分类结果、人工配置。复杂场景可用多重条件组合。

8.3.2 输入规范

Skill需要什么输入？要明确输入字段、类型、来源。

示例：

输入字段：客户问题（文本）、客户ID（字符串）、历史互动（列表）。
来源：上游节点输出 / 用户输入 / 数据库查询。

输入规范不清，Skill就接不稳。

8.3.3 核心Prompt

Skill的核心。用§8.2的方法设计，包含角色、任务、约束、格式、Few-Shot。

8.3.4 输出规范

Skill输出什么？格式、字段、对接下游的方式。

示例：

输出格式：JSON。
字段：reply（回复文本）、confidence（置信度0-1）、need_escalation（是否需转人工）。
下游对接：reply返回用户，need_escalation为true时触发转人工流程。

8.3.5 异常处理

Skill失败时怎么办？这是新手最易忽略、却最影响稳定性的部分。

常见异常与处理：

模型超时：重试2次，仍失败则降级（用预设回复）。
输入缺失：返回"信息不足，请补充XX”，不强行生成。
输出格式错：用解析器校验，格式错则重试或降级。
置信度低：低于阈值转人工，不直接给用户。

方法论框8-2：Skill设计自检五问

触发条件明确吗？（不会误触发或漏触发）

输入规范清晰吗？（字段、类型、来源）

核心Prompt五要素齐全吗？

输出规范可对接下游吗？（格式、字段）

异常处理有降级方案吗？（超时、缺失、格式错、低置信度）五问全清，Skill才算设计完成。

§8.4 实战一：信息整理Skill

场景：把会议录音转写文本，整理成结构化纪要。

设计：

触发条件：用户上传会议转写文本并选择"生成纪要”。
输入：会议转写文本（文本）。
核心Prompt：
- 角色：“你是一位专业的会议纪要助理。”
- 任务：“请把以下会议转写整理为结构化纪要。”
- 约束：“保留关键决策与待办，去除寒暄与重复；待办需含负责人与截止时间。”
- 格式：Markdown，含"会议主题/参会人/关键讨论/决策/待办"五部分。
输出：结构化纪要（Markdown）。
异常处理：转写过短（<500字）提示"内容过少，请确认转写完整"；无明确待办时标注"本次会议无明确待办"。

迭代要点：初版常出现"待办无负责人"，需在Prompt加约束"待办必须含负责人，无法识别时标注’待指定’"。

§8.5 实战二：文案生成Skill

场景：根据产品信息与目标客户画像，生成个性化营销文案。

设计：

触发条件：上游传入产品信息+客户画像。
输入：产品信息（结构化）、客户画像（结构化）、渠道（邮件/短信/朋友圈）。
核心Prompt：
- 角色：“你是一位资深B2B营销文案撰写人。”
- 任务：“根据产品与客户画像，生成适合指定渠道的营销文案。”
- 约束：“突出产品与客户痛点的匹配；不夸大不承诺具体效果；邮件300字内、短信80字内、朋友圈150字内。”
- Few-Shot：给2-3个优秀文案范例。
输出：文案文本 + 卖点匹配说明。
异常处理：客户画像字段缺失时降级为通用文案；输出超长时自动截断并提示。

迭代要点：初版易出现"通用化套话"，需在Prompt加"必须引用客户画像中至少2个具体信息"。

§8.6 实战三：数据分类Skill

场景：把客服工单自动分类到预设类别。

设计：

触发条件：新工单进入系统。
输入：工单文本（文本）。
核心Prompt：
- 角色：“你是一位客服工单分类专家。”
- 任务：“把以下工单分类到最匹配的类别。”
- 约束：“只从给定类别中选择，不允许自创；无法判断时输出’其他’。”
- Few-Shot：每类给2个范例。
- 输出格式：JSON，含category（类别）、confidence（置信度）、reason（分类理由）。
输出：结构化分类结果。
异常处理：置信度<0.7转人工复核；格式错重试1次。

迭代要点：初版常出现"边界类别混淆"（如"产品质量"与"售后投诉"），需在Few-Shot里加边界案例。

§8.7 Skill的测试与迭代

Skill搭完不等于能用，必须测试与迭代。

测试方法

测试集构建：准备20-50条真实样本，覆盖正常、边界、异常三类情况。

测试维度：

准确性：输出是否符合预期。
稳定性：同输入多次运行，输出是否一致。
健壮性：异常输入（缺失、超长、格式错）是否优雅处理。
成本：Token消耗是否在预算内。

迭代方法

方法论框8-3：Skill迭代四步法

找问题：测试集里哪些样本输出不达标？

析原因：是Prompt问题、Few-Shot不够、还是约束不清？

改一处：每次只改一处，避免变量混淆。

回归测：改完用全测试集回归，确认改进且未引入新问题。

迭代是Skill质量提升的核心环节，没有一次成功的Skill，只有不断迭代的Skill。

本章小结

Prompt与Skill：Prompt是菜谱，Skill是完整的菜；FDE搭Skill不只是写Prompt。
高阶Prompt：角色进阶、任务拆解（CoT）、约束精细化、Few-Shot四技巧。
Skill五部分：触发条件、输入规范、核心Prompt、输出规范、异常处理。
三个实战：信息整理、文案生成、数据分类，覆盖三类典型场景。
测试迭代：测试集+四维度+迭代四步法，Skill靠打磨不靠一次成功。

思考题

用§8.2的高阶技巧，为一个你工作中的任务写一个Prompt，对比基础版与进阶版的输出差异。
用§8.3的五部分，设计一个Skill（场景自选），填完自检五问。
用零代码平台搭建你设计的Skill，准备20条测试样本，跑一轮测试并记录问题。
用迭代四步法，针对测试发现的一个问题，做一轮迭代并回归测。

第7章 AI技术基础与工具选型

Thu, 12 Feb 2026 00:00:00 +0000

第7章 AI技术基础与工具选型

本章导读

第4章扫盲了术语，本章把术语背后的技术逻辑讲透，并落到FDE最实际的决策——工具选型。FDE不必写底层代码，但必须懂技术原理，才能判断"什么场景用什么工具"。本章图解大模型调用、Prompt工程、RAG检索、工作流编排四项核心技术的原理；盘点主流工具；给出以落地效果为核心的选型方法论。读完本章，你应当能根据业务场景，快速匹配合适的工具组合。

§7.1 FDE要懂的技术深度

先校准一个认知：FDE要懂技术，但不必要懂到能写底层算法。

FDE的技术深度标准是**“能判断、能配置、能排查”**：

能判断：知道什么场景该用什么技术、什么技术做不了什么。
能配置：能在零代码平台配置Prompt、RAG、工作流。
能排查：出问题能定位是Prompt、数据、还是接口的问题。

不要求"能开发"——开发底层是算法工程师与平台团队的事。FDE的技术价值在应用层判断，不在底层实现。

§7.2 核心技术逻辑图解

7.2.1 大模型调用

原理：FDE通过API向大模型发送一段文本（Prompt），模型返回生成的文本（Response）。整个过程是"输入文本→模型预测→输出文本"。

图7-1：大模型调用流程 （建议呈现：横向流程图。Prompt组装→API请求→模型推理→Response返回→结果解析。）

FDE要懂的关键点：

Token计费：输入与输出都按Token计费，长Prompt成本高。
上下文窗口：超过窗口的输入会被截断，影响效果。
温度（Temperature）：控制输出随机性，0最确定、1较随机。事实性任务用低温度，创意性任务用高温度。
超时与重试：API可能超时或失败，调用逻辑要设计重试。

7.2.2 Prompt工程

原理：Prompt是给大模型的指令。同样的模型，不同Prompt效果天差地别。Prompt工程就是设计能稳定产出预期结果的指令。

核心要素：

角色设定：告诉模型"你是谁"（“你是一位资深客服主管”）。
任务描述：明确要做什么（“请根据以下客户问题，生成回复”）。
约束条件：限定输出（“不超过200字"“不承诺具体赔偿”）。
输出格式：指定结构（JSON、表格、Markdown）。
Few-Shot示例：给几个输入输出范例，引导模型学习模式。

方法论框7-1：Prompt五要素检查 写完一个Prompt，逐项检查：

角色设定了吗？

任务说清了吗？

约束给了吗？

输出格式定了吗？

需要Few-Shot吗？五项想清楚再写，比写完返工快。

7.2.3 RAG检索

原理：见第4章§4.5。RAG的核心是"先检索相关片段，再让模型基于片段回答”。

FDE要懂的调优点：

切片策略：文档怎么切（按段落、按字数、按语义）影响检索质量。
向量模型选择：不同向量模型对中文、专业术语的支持不同。
检索Top-K：每次取几条最相似片段，太少漏信息、太多噪声多。
重排序（Rerank）：对检索结果二次排序，提升相关性。
混合检索：向量检索+关键词检索结合，兼顾语义与精确匹配。

图7-2：RAG调优关键点 （建议呈现：流程图，在标准RAG流程上标注切片、向量模型、Top-K、Rerank、混合检索五个调优点。）

7.2.4 工作流编排

原理：把复杂任务拆成多个节点，每个节点用一个AI能力或工具，按顺序/条件串联，自动完成。

节点类型：

大模型节点：调用LLM做生成/分析/分类。
工具节点：调用API、查数据库、发邮件。
条件节点：根据上游输出分支。
循环节点：对列表数据逐条处理。

图7-3：工作流编排示例 （建议呈现：节点流程图。输入→LLM分类→条件分支（A/B）→A分支调工具+LLM生成→B分支直接LLM生成→合并输出。）

FDE要懂的设计点：

节点粒度：每个节点做一件事，不要塞太多逻辑。
错误处理：每个节点都可能失败，要有降级方案。
数据流转：上游节点的输出如何作为下游输入，要设计清楚。

§7.3 主流工具盘点

说明：工具市场变化快，本节盘点为撰写时主流选择，读者应以最新市场情况为准。本书不替任何工具背书，仅做分类参考。

7.3.1 大模型平台

提供模型调用能力。选型关注：能力、价格、稳定性、合规性。

海外：GPT系列、Claude系列、Gemini系列（国内使用需注意合规）。
国内：通义、文心、智谱、月之暗面、DeepSeek、豆包等，各有侧重。

FDE建议至少熟悉2-3个，因为不同模型在不同任务上表现差异大。

7.3.2 零代码Agent搭建平台

提供Agent/Skill/工作流的可视化搭建。选型关注：易用性、扩展性、生态、价格。

主流方向：

大厂生态平台：与自家模型深度集成，适合深度用户。
独立Agent平台：支持多家模型，灵活度高。
工作流自动化平台：偏自动化集成，适合跨系统串联。

7.3.3 工作流自动化工具

用于跨系统串联、触发与执行。关注：连接器丰富度、稳定性、触发方式。

7.3.4 数据处理工具

用于清洗、转换、分析数据。关注：处理量、易用性、与AI能力的衔接。

§7.4 工具选型方法论

工具多到眼花，FDE怎么选？核心原则一句话：以落地效果为核心，不是以技术先进性为核心。

选型四步法

方法论框7-2：工具选型四步法

先定场景：要解决什么业务问题？输出什么效果？

再定能力：完成这个场景需要哪些AI能力（生成/检索/分类/编排）？

匹配工具：哪些工具能提供这些能力？列候选清单。

实测对比：用真实数据测2-3个候选，选效果最好且成本可控的。

选型的常见误区

误区一：追新。 新工具层出不穷，追新会陷入"工具焦虑"。原则：能用现有工具解决的，不换新。

误区二：贪全。 想用一个工具解决所有问题。现实是每个工具都有强项弱项，组合使用更合理。

误区三：只看Demo。 工具Demo都很漂亮，真实业务数据下表现可能差很多。必须用客户真实数据测。

误区四：忽视成本。 光看效果不看成本，上线后发现Token费用爆表。选型必须算成本。

误区五：忽视合规。 客户数据敏感度不同，选型要考虑私有化部署、数据脱敏、合规通道。

选型决策表

建议FDE维护一张自己的选型决策表，每次选型填一遍：

维度	权重	候选A	候选B	候选C
效果（实测）	30%
成本	20%
稳定性	15%
易用性	10%
合规性	15%
生态扩展	10%
加权总分

填完表，选型决策有据可依，不再是拍脑袋。

§7.5 场景与工具的匹配速查

把四类典型场景（第4章§4.9）与工具匹配，给一张速查表。

场景类型	核心能力	推荐工具组合	关键调优点
信息整理	分类/摘要	大模型 + Prompt	Prompt约束输出格式
内容生成	生成	大模型 + Prompt + Few-Shot	角色设定与Few-Shot
知识问答	检索+生成	大模型 + RAG + 向量库	切片与Top-K
流程自动化	编排+集成	工作流平台 + 大模型 + 工具	节点粒度与错误处理

这张表是入门速查，复杂场景需组合多种能力，第三篇会深入。

本章小结

技术深度标准：能判断、能配置、能排查，不要求能开发底层。
四项核心技术：大模型调用、Prompt工程、RAG检索、工作流编排，各有调优点。
工具盘点：大模型平台、Agent平台、工作流工具、数据处理工具四类。
选型方法论：先定场景→再定能力→匹配工具→实测对比，以落地效果为核心。
选型误区：追新、贪全、只看Demo、忽视成本、忽视合规。
场景速查：四类场景对应不同工具组合与调优点。

思考题

选一个你熟悉的工作任务，判断它属于四类场景的哪类，匹配对应工具组合。
用方法论框7-2，为这个任务做一次工具选型，填出选型决策表。
找两个大模型，用同一组Prompt测试同一任务，对比效果差异并分析原因。
用零代码平台搭一个简单RAG，调整切片策略与Top-K，观察检索效果变化。

Prompt Engineering on SelfTechHub

第8章 Prompt工程与基础Skill搭建

第8章 Prompt工程与基础Skill搭建

§8.1 从Prompt到Skill

§8.2 高阶Prompt技巧

8.2.1 角色设定的进阶用法

8.2.2 任务拆解（Chain of Thought）

8.2.3 约束条件的精细化

8.2.4 Few-Shot的用法

§8.3 Skill设计方法

8.3.1 触发条件

8.3.2 输入规范

8.3.3 核心Prompt

8.3.4 输出规范

8.3.5 异常处理

§8.4 实战一：信息整理Skill

§8.5 实战二：文案生成Skill

§8.6 实战三：数据分类Skill

§8.7 Skill的测试与迭代

测试方法

迭代方法

本章小结

思考题

延伸阅读

第7章 AI技术基础与工具选型

第7章 AI技术基础与工具选型

§7.1 FDE要懂的技术深度

§7.2 核心技术逻辑图解

7.2.1 大模型调用

7.2.2 Prompt工程

7.2.3 RAG检索

7.2.4 工作流编排

§7.3 主流工具盘点

7.3.1 大模型平台

7.3.2 零代码Agent搭建平台

7.3.3 工作流自动化工具

7.3.4 数据处理工具

§7.4 工具选型方法论

选型四步法

选型的常见误区

选型决策表

§7.5 场景与工具的匹配速查

本章小结

思考题

延伸阅读