claude-config提示词工程指南:prompt-engineer技能让Claude Code学会自我优化

原创2026-10-23 17:47:071,848 阅读

claude-config提示词工程指南:prompt-engineer技能让Claude Code学会自我优化

claude-config 是一套面向 Claude Code 的完整配置方案,其中内置的 prompt-engineer 技能可以把**提示词优化(Prompt Engineering)**变成一套可重复的工程流程:它自动分析你的提示词问题、从 129 篇研究论文中匹配优化技术、给出带依据的修改建议,并等你确认后才动手。本指南带你安装 claude-config,理解 prompt-engineer 的 4 种工作范围与分步流程,并掌握 3 种最常用的调用方式。

为什么提示词也需要"代码审查"?

很多新手以为提示词只是"跟 AI 说话",但 claude-config 的作者把提示词当作代码来对待——README 里有一句很扎心的话:

Prompts are code. They have bugs, edge cases, and failure modes.

提示词和代码一样,会有 bug、边界情况和失效模式。比如某句"你应该先做 X"(soft precondition),模型经常当作耳边风直接跳过,直到输出开始"编造"。

这个仓库的整体结构就是为了解决这类问题:

目录 作用
agents/ 子代理定义,如 developer.md
skills/ 技能库,含 prompt-engineer、planner、deepthink 等
conventions/ 代码质量与文档规范

而 prompt-engineer 技能最特别的一点是:它自己就是被自己优化出来的("The skill was optimized using itself")。也就是说,Claude Code 用这套流程把自己的提示词迭代了一遍。

如何安装 claude-config:3 种方式一键上手

先 clone 仓库,再放到 Claude Code 的配置目录。根据你的场景三选一:

# 方式一:单项目使用(放到项目根目录的 .claude)
git clone https://gitcode.com/gh_mirrors/cl/claude-config .claude

# 方式二:全新全局安装
git clone https://gitcode.com/gh_mirrors/cl/claude-config ~/.claude

如果你已经有一个 ~/.claude 目录,推荐方式三,把配置合并进去而不覆盖现有文件:

cd ~/.claude
git remote add workflow https://gitcode.com/gh_mirrors/cl/claude-config
git fetch workflow
git merge workflow/main --allow-unrelated-histories

安装完成后,Claude Code 会自动识别 skills/ 下的技能,你只需要用一句自然语言即可调用。

prompt-engineer 技能怎么用:3 个常见调用示例

这个技能的使用成本极低——一句话触发。下面 3 个场景覆盖了仓库 README 中列出的典型用途。

场景一:优化一个不听话的子代理

当你发现某个子代理定义(比如 agents/developer.md)行为不符合预期时:

Use your prompt engineer skill to optimize the system prompt for
the following claude code sub-agent: agents/developer.md

场景二:优化多提示词工作流

一个技能往往由多个 Python 脚本里的提示词协作完成。技能会先识别所有提示词、理解它们之间的交互,再逐个优化:

Consider @skills/planner/scripts/planner.py. Identify all prompts,
understand how they interact, then use your prompt engineer skill
to optimize each.

场景三:从零设计提示词(greenfield)

没有现成提示词、只有需求描述时,技能会自动切换到"从零设计"范围,帮你按需求生成结构化提示词。

背后机制:4 种范围 + 分步自检流程

prompt-engineer 的核心逻辑在 optimize.py 中实现,入口定义在 SKILL.md。整个流程分两步启动:

  1. Step 1 分诊(Triage):判断任务属于哪种范围(scope);
  2. Step 2+ 按范围执行工作流。

四种范围对应不同场景:

范围 适用情况 步数
single-prompt 单个提示词文件,泛化优化 7 步
ecosystem 多个相互关联的提示词 8 步
greenfield 无现成提示词,按需求设计 7 步
problem 已有提示词 + 明确的失效问题 7 步

以最常见的 single-prompt 为例,完整链路是:

Triage → Assess → Understand → Plan → Refine → Approve → Execute

几个关键设计值得新手特别注意 🧐:

  • Refine(自检):技能会逐条核对自己提出的优化建议——"这个技术的触发条件是什么?目标提示词里真的有对应文本吗?"对不上的建议会被修改或删除(见 optimize.py 中的 REFINE_INSTRUCTIONS)。
  • Approve(人工确认):所有改动以"位置 / 机会点 / 技术 / 风险"表格呈现,明确等待用户批准后才执行,不会擅自改文件。
  • 技术归因:每条建议都会标注出自哪个已知技术(如 "STOP Escalation Pattern"),防止模型"发明"不存在的方法。

仓库 README 里展示了一条真实改动示例:把软性的"你应该已委派 Explore 子代理"改写成硬性闸门(STOP gate),从根上杜绝模型跳过前置步骤去"编造"分析结果。

技术库揭秘:129 篇论文按"问题"分类

prompt-engineer 不瞎改提示词,它背后挂着一座研究论文库,按要解决的问题分成 5 大类(分类说明见 CATEGORY_DESCRIPTIONS.md):

分类 解决什么问题 典型技术
reasoning/ 模型不会一步步推理、跳步 Least-to-Most、Chain-of-Thought
correctness/ 会推理但答案错、不稳定 Self-Consistency、Self-Refine
context/ 上下文太长、太吵、缺知识 Rephrase & Respond、RAG 式增强
efficiency/ 输出啰嗦、贵、慢 Chain of Draft、批量提示
structure/ 需要特定输出格式 Program of Thoughts、Tab-CoT

优化时,脚本会根据诊断出的失效类型,只注入对应的参考文档——比如 references/ 下的 context/reframing.md 或 correctness/verification.md。选型逻辑写在 references/README.md 的决策树里:输入有问题查 context/,推理有问题查 reasoning/,答案错查 correctness/,太贵查 efficiency/,格式不对查 structure/。

这种"先诊断、再开药"的设计,正是它区别于"让 AI 随便改改提示词"的关键。

实用建议:什么时候该停止优化?

仓库作者给出了一个坦诚的提醒(README 的 Caveat 一节):

当你让 LLM"找问题和优化机会"时,它一定会找到问题——因为这就是你让它做的事。其中一些可能并不是真问题。

实践建议:

  • 对高难度提示词可以多跑几轮优化,交叉验证;
  • 但要识别"足够好"的时机,收益递减是真实存在的,别为想象中的问题反复改提示词。

资源导航

想了解 看这里
项目全貌与工作流 README.md
prompt-engineer 用法与输出示例 skills/prompt-engineer/README.md
技能启动流程与参数 skills/prompt-engineer/SKILL.md
优化工作流源码 skills/scripts/skills/prompt_engineer/optimize.py
论文分类体系 skills/prompt-engineer/papers/README.md
技术选型决策树 skills/prompt-engineer/references/README.md

把提示词当代码来工程化——分析、归因、验证、人工批准后再落地——这正是 prompt-engineer 技能给 Claude Code 用户带来的最大价值 🚀

登录后查看全文
claude-config