ai-prompt-engineering

Compare original and translation side by side

🇺🇸

Original

English

🇨🇳

Translation

Chinese

Prompt Engineering — Operational Skill

提示词工程 — 工程化实践技能

Modern Best Practices (January 2026): versioned prompts, explicit output contracts, regression tests, and safety threat modeling for tool/RAG prompts (OWASP LLM Top 10: https://owasp.org/www-project-top-10-for-large-language-model-applications/).

This skill provides operational guidance for building production-ready prompts across standard tasks, RAG workflows, agent orchestration, structured outputs, hidden reasoning, and multi-step planning.

All content is operational, not theoretical. Focus on patterns, checklists, and copy-paste templates.

2026年1月现代最佳实践：版本化提示词、明确的输出契约、回归测试，以及针对工具/RAG提示词的安全威胁建模（OWASP LLM十大风险：https://owasp.org/www-project-top-10-for-large-language-model-applications/）。

本技能为构建生产就绪型提示词提供工程化指导，覆盖标准任务、RAG工作流、Agent编排、结构化输出、隐藏推理以及多步骤规划等场景。

所有内容均为工程化实践，而非理论知识。重点关注模式、检查清单和可直接复制的模板。

Quick Start (60 seconds)

快速入门（60秒）

Pick a pattern from the decision tree (structured output, extractor, RAG, tools/agent, rewrite, classification).
Start from a template in
```
assets/
```
and fill in
```
TASK
```
,
```
INPUT
```
,
```
RULES
```
, and
```
OUTPUT FORMAT
```
.
Add guardrails: instruction/data separation, “no invented details”, missing →
```
null
```
/explicit missing.
Add validation: JSON parse check, schema check, citations check, post-tool checks.
Add evals: 10–20 cases while iterating, 50–200 before release, plus adversarial injection cases.

从决策树中选择合适的模式（结构化输出、提取器、RAG、工具/Agent、重写、分类）。
从
```
assets/
```
目录下的模板开始，填充
```
TASK
```
、
```
INPUT
```
、
```
RULES
```
和
```
OUTPUT FORMAT
```
字段。
添加防护措施：指令与数据分离、“不得编造细节”、缺失信息返回
```
null
```
/明确标注缺失。
添加验证：JSON解析检查、Schema校验、引用检查、工具调用后检查。
添加评估：迭代过程中准备10-20个测试用例，发布前准备50-200个测试用例，同时包含对抗性注入测试用例。

Model Notes (2026)

模型注意事项（2026年）

This skill includes Claude Code + Codex CLI optimizations:

Action directives: Frame for implementation, not suggestions
Parallel tool execution: Independent tool calls can run simultaneously
Long-horizon task management: State tracking, incremental progress, context compaction resilience
Positive framing: Describe desired behavior rather than prohibitions
Style matching: Prompt formatting influences output style
Domain-specific patterns: Specialized guidance for frontend, research, and agentic coding
Style-adversarial resilience: Stress-test refusals with poetic/role-play rewrites; normalize or decline stylized harmful asks before tool use

Prefer “brief justification” over requesting chain-of-thought. When using private reasoning patterns, instruct: think internally; output only the final answer.

本技能包含针对Claude Code + Codex CLI的优化建议：

行动指令：以实现为目标构建指令，而非仅给出建议
并行工具执行：独立的工具调用可同时运行
长周期任务管理：状态跟踪、增量进度、上下文压缩韧性
正向表述：描述期望的行为而非禁止的行为
风格匹配：提示词格式会影响输出风格
领域特定模式：针对前端、研究和Agent化编码的专业指导
风格对抗韧性：通过诗意/角色扮演式重写进行拒绝策略压力测试；在工具调用前规范化或拒绝风格化的有害请求

优先使用“简短理由说明”而非请求思维链。使用私有推理模式时，需指令：仅在内部思考；仅输出最终答案。

Quick Reference

快速参考

Task	Pattern to Use	Key Components	When to Use
Machine-parseable output	Structured Output	JSON schema, "JSON-only" directive, no prose	API integrations, data extraction
Field extraction	Deterministic Extractor	Exact schema, missing->null, no transformations	Form data, invoice parsing
Use retrieved context	RAG Workflow	Context relevance check, chunk citations, explicit missing info	Knowledge bases, documentation search
Internal reasoning	Hidden Chain-of-Thought	Internal reasoning, final answer only	Classification, complex decisions
Tool-using agent	Tool/Agent Planner	Plan-then-act, one tool per turn	Multi-step workflows, API calls
Text transformation	Rewrite + Constrain	Style rules, meaning preservation, format spec	Content adaptation, summarization
Classification	Decision Tree	Ordered branches, mutually exclusive, JSON result	Routing, categorization, triage

任务	适用模式	核心组件	使用场景
机器可解析输出	结构化输出	JSON Schema、“仅输出JSON”指令、无散文式内容	API集成、数据提取
字段提取	确定性提取器	精确Schema、缺失值返回null、无转换操作	表单数据、发票解析
使用检索到的上下文	RAG工作流	上下文相关性检查、块引用、明确标注缺失信息	知识库、文档搜索
内部推理	隐藏思维链	内部推理、仅输出最终答案	分类、复杂决策
使用工具的Agent	工具/Agent规划器	先规划后执行、每轮调用一个工具	多步骤工作流、API调用
文本转换	重写与约束	风格规则、语义保留、格式规范	内容适配、摘要生成
分类	决策树	有序分支、互斥规则、JSON结果	路由、分类、分流

Decision Tree: Choosing the Right Pattern

决策树：选择合适的模式

text

User needs: [Prompt Type]
  |-- Output must be machine-readable?
  |     |-- Extract specific fields only? -> **Deterministic Extractor Pattern**
  |     `-- Generate structured data? -> **Structured Output Pattern (JSON)**
  |
  |-- Use external knowledge?
  |     `-- Retrieved context must be cited? -> **RAG Workflow Pattern**
  |
  |-- Requires reasoning but hide process?
  |     `-- Classification or decision task? -> **Hidden Chain-of-Thought Pattern**
  |
  |-- Needs to call external tools/APIs?
  |     `-- Multi-step workflow? -> **Tool/Agent Planner Pattern**
  |
  |-- Transform existing text?
  |     `-- Style/format constraints? -> **Rewrite + Constrain Pattern**
  |
  `-- Classify or route to categories?
        `-- Mutually exclusive rules? -> **Decision Tree Pattern**

text

用户需求: [提示词类型]
  |-- 输出必须是机器可读的？
  |     |-- 仅提取特定字段？ -> **确定性提取器模式**
  |     `-- 生成结构化数据？ -> **结构化输出模式（JSON）**
  |
  |-- 需要使用外部知识？
  |     `-- 检索到的上下文必须被引用？ -> **RAG工作流模式**
  |
  |-- 需要推理但隐藏过程？
  |     `-- 分类或决策任务？ -> **隐藏思维链模式**
  |
  |-- 需要调用外部工具/API？
  |     `-- 多步骤工作流？ -> **工具/Agent规划器模式**
  |
  |-- 转换现有文本？
  |     `-- 有风格/格式约束？ -> **重写与约束模式**
  |
  `-- 分类或路由到不同类别？
        `-- 规则互斥？ -> **决策树模式**

Copy/Paste: Minimal Prompt Skeletons

可直接复制的最简提示词骨架

1) Generic "output contract" skeleton

1) 通用“输出契约”骨架

text

TASK:
{{one_sentence_task}}

INPUT:
{{input_data}}

RULES:
- Follow TASK exactly.
- Use only INPUT (and tool outputs if tools are allowed).
- No invented details. Missing required info -> say what is missing.
- Keep reasoning hidden.
- Follow OUTPUT FORMAT exactly.

OUTPUT FORMAT:
{{schema_or_format_spec}}

text

TASK:
{{one_sentence_task}}

INPUT:
{{input_data}}

RULES:
- 严格遵循TASK要求。
- 仅使用INPUT（若允许使用工具则包含工具输出）。
- 不得编造细节。缺失必要信息时，说明缺失内容。
- 隐藏推理过程。
- 严格遵循OUTPUT FORMAT要求。

OUTPUT FORMAT:
{{schema_or_format_spec}}

2) Tool/agent skeleton (deterministic)

2) 确定性工具/Agent骨架

text

AVAILABLE TOOLS:
{{tool_signatures_or_names}}

WORKFLOW:
- Make a short plan.
- Call tools only when required to complete the task.
- Validate tool outputs before using them.
- If the environment supports parallel tool calls, run independent calls in parallel.

text

可用工具:
{{tool_signatures_or_names}}

工作流:
- 制定简短计划。
- 仅在完成任务必需时调用工具。
- 使用工具输出前先进行验证。
- 若环境支持并行工具调用，可同时运行独立的调用请求。

3) RAG skeleton (grounded)

3) 基于RAG的骨架（落地版）

text

RETRIEVED CONTEXT:
{{chunks_with_ids}}

RULES:
- Use only retrieved context for factual claims.
- Cite chunk ids for each claim.
- If evidence is missing, say what is missing.

text

检索到的上下文:
{{chunks_with_ids}}

规则:
- 事实性声明仅使用检索到的上下文。
- 每个声明需引用块ID。
- 若缺少证据，说明缺失内容。

Operational Checklists

工程化检查清单

Use these references when validating or debugging prompts:

frameworks/shared-skills/skills/ai-prompt-engineering/references/quality-checklists.md

frameworks/shared-skills/skills/ai-prompt-engineering/references/production-guidelines.md

验证或调试提示词时可参考以下文档：

frameworks/shared-skills/skills/ai-prompt-engineering/references/quality-checklists.md

frameworks/shared-skills/skills/ai-prompt-engineering/references/production-guidelines.md

Context Engineering (2026)

上下文工程（2026年）

True expertise in prompting extends beyond writing instructions to shaping the entire context in which the model operates. Context engineering encompasses:

Conversation history: What prior turns inform the current response
Retrieved context (RAG): External knowledge injected into the prompt
Structured inputs: JSON schemas, system/user message separation
Tool outputs: Results from previous tool calls that shape next steps

真正的提示词专业能力不仅限于编写指令，还包括塑造模型运行的整个上下文环境。上下文工程涵盖：

对话历史：哪些之前的对话回合会影响当前响应
检索到的上下文（RAG）：注入到提示词中的外部知识
结构化输入：JSON Schema、系统/用户消息分离
工具输出：之前工具调用的结果会影响后续步骤

Context Engineering vs Prompt Engineering

上下文工程 vs 提示词工程

Aspect	Prompt Engineering	Context Engineering
Focus	Instruction text	Full input pipeline
Scope	Single prompt	RAG + history + tools
Optimization	Word choice, structure	Information architecture
Goal	Clear instructions	Optimal context window

维度	提示词工程	上下文工程
关注点	指令文本	完整输入管道
范围	单个提示词	RAG + 历史 + 工具
优化方向	措辞、结构	信息架构
目标	清晰的指令	最优上下文窗口

Key Context Engineering Patterns

核心上下文工程模式

1. Context Prioritization: Place most relevant information first; models attend more strongly to early context.

2. Context Compression: Summarize history, truncate tool outputs, select most relevant RAG chunks.

3. Context Separation: Use clear delimiters (

<system>

<user>

<context>

) to separate instruction types.

4. Dynamic Context: Adjust context based on task complexity - simple tasks need less context, complex tasks need more.

1. 上下文优先级：将最相关的信息放在最前面；模型对早期上下文的关注度更高。

2. 上下文压缩：总结历史对话、截断工具输出、选择最相关的RAG块。

3. 上下文分离：使用明确的分隔符（

<system>

、

<user>

、

<context>

）区分不同类型的指令。

4. 动态上下文：根据任务复杂度调整上下文——简单任务需要更少上下文，复杂任务需要更多。

Core Concepts vs Implementation Practices

核心概念 vs 实现实践

Core Concepts (Vendor-Agnostic)

核心概念（与厂商无关）

Prompt contract: inputs, allowed tools, output schema, max tokens, and refusal rules.
Context engineering: conversation history, RAG context, tool outputs, and structured inputs shape model behavior.
Determinism controls: temperature/top_p, constrained decoding/structured outputs, and strict formatting.
Cost & latency budgets: prompt length and max output drive tokens and tail latency; enforce hard limits and measure p95/p99.
Evaluation: golden sets + regression gates + A/B + post-deploy monitoring.
Security: prompt injection, data exfiltration, and tool misuse are primary threats (OWASP LLM Top 10: https://owasp.org/www-project-top-10-for-large-language-model-applications/).

提示词契约：输入、允许使用的工具、输出Schema、最大Token数和拒绝规则。
上下文工程：对话历史、RAG上下文、工具输出和结构化输入共同塑造模型行为。
确定性控制：temperature/top_p、约束解码/结构化输出、严格格式要求。
成本与延迟预算：提示词长度和最大输出长度决定Token消耗和尾部延迟；需强制执行硬限制并测量p95/p99指标。
评估：黄金测试集 + 回归门控 + A/B测试 + 部署后监控。
安全：提示词注入、数据泄露和工具滥用是主要威胁（OWASP LLM十大风险：https://owasp.org/www-project-top-10-for-large-language-model-applications/）。

Implementation Practices (Model/Platform-Specific)

实现实践（与模型/平台相关）

Use model-specific structured output features when available; keep a schema validator as the source of truth.
Align tracing/metrics with OpenTelemetry GenAI semantic conventions (https://opentelemetry.io/docs/specs/semconv/gen-ai/).

若模型支持特定的结构化输出功能则优先使用；将Schema验证器作为事实来源。
使追踪/指标与OpenTelemetry GenAI语义规范对齐（https://opentelemetry.io/docs/specs/semconv/gen-ai/）。

Do / Avoid

建议/禁忌

Do keep prompts small and modular; centralize shared fragments (policies, schemas, style).
Do add a prompt eval harness and block merges on regressions.
Do prefer "brief justification" over requesting chain-of-thought; treat hidden reasoning as model-internal.

Avoid

Avoid prompt sprawl (many near-duplicates with no owner or tests).
Avoid brittle multi-step chains without intermediate validation.
Avoid mixing policy and product copy in the same prompt (harder to audit and update).

建议

保持提示词精简且模块化；集中管理共享片段（策略、Schema、风格）。
添加提示词评估框架，出现回归时阻止合并。
优先使用“简短理由说明”而非请求思维链；将隐藏推理视为模型内部行为。

禁忌

避免提示词泛滥（大量近乎重复的提示词，无所有者或测试）。
避免脆弱的多步骤链，无中间验证环节。
避免在同一个提示词中混合策略和产品文案（难以审计和更新）。

Navigation: Core Patterns

导航：核心模式

Core Patterns - 7 production-grade prompt patterns
- Structured Output (JSON), Deterministic Extractor, RAG Workflow
- Hidden Chain-of-Thought, Tool/Agent Planner, Rewrite + Constrain, Decision Tree
- Each pattern includes structure template and validation checklist

核心模式 - 7种生产级提示词模式
- 结构化输出（JSON）、确定性提取器、RAG工作流
- 隐藏思维链、工具/Agent规划器、重写与约束、决策树
- 每种模式均包含结构模板和验证检查清单

Navigation: Best Practices

导航：最佳实践

Best Practices (Core) - Foundation rules for production-grade prompts
- System instruction design, output contract specification, action directives
- Context handling, error recovery, positive framing, style matching, style-adversarial red teaming
- Anti-patterns, Claude 4+ specific optimizations
Production Guidelines - Deployment and operational guidance
- Evaluation & testing (Prompt CI/CD), model parameters, few-shot selection
- Safety & guardrails, conversation memory, context compaction resilience
- Answer engineering, decomposition, multilingual/multimodal, benchmarking
- CI/CD Tools (2026): Promptfoo, DeepEval integration patterns
- Security (2026): PromptGuard 4-layer defense, Microsoft Prompt Shields, taint tracking
Quality Checklists - Validation checklists before deployment
- Prompt QA, JSON validation, agent workflow checks
- RAG workflow, safety & security, performance optimization
- Testing coverage, anti-patterns, quality score rubric
Domain-Specific Patterns - Claude 4+ optimized patterns for specialized domains
- Frontend/visual code: Creativity encouragement, design variations, micro-interactions
- Research tasks: Success criteria, verification, hypothesis tracking
- Agentic coding: No speculation rule, principled implementation, investigation patterns
- Cross-domain best practices and quality modifiers

核心最佳实践 - 生产级提示词的基础规则
- 系统指令设计、输出契约规范、行动指令
- 上下文处理、错误恢复、正向表述、风格匹配、风格对抗红队测试
- 反模式、Claude 4+特定优化
生产指南 - 部署与工程化指导
- 评估与测试（提示词CI/CD）、模型参数、少样本选择
- 安全与防护、对话记忆、上下文压缩韧性
- 答案工程、分解、多语言/多模态、基准测试
- CI/CD工具（2026年）：Promptfoo、DeepEval集成模式
- 安全（2026年）：PromptGuard 4层防御、Microsoft Prompt Shields、污点跟踪
质量检查清单 - 部署前的验证检查清单
- 提示词QA、JSON验证、Agent工作流检查
- RAG工作流、安全与合规、性能优化
- 测试覆盖、反模式、质量评分标准
领域特定模式 - 针对Claude 4+优化的特定领域模式
- 前端/可视化代码：创意鼓励、设计变体、微交互
- 研究任务：成功标准、验证、假设跟踪
- Agent化编码：无猜测规则、原则性实现、调查模式
- 跨领域最佳实践和质量调整

Navigation: Specialized Patterns

导航：专业模式

RAG Patterns - Retrieval-augmented generation workflows
- Context grounding, chunk citation, missing information handling
Agent and Tool Patterns - Tool use and agent orchestration
- Plan-then-act workflows, tool calling, multi-step reasoning, generate-verify-revise chains
- Multi-Agent Orchestration (2026): centralized, handoff, federated patterns; plan-and-execute (90% cost reduction)
Extraction Patterns - Deterministic field extraction
- Schema-based extraction, null handling, no hallucinations
Reasoning Patterns (Hidden CoT) - Internal reasoning without visible output
- Hidden reasoning, final answer only, classification workflows
- Extended Thinking API (Claude 4+): budget management, think tool, multishot patterns
Additional Patterns - Extended prompt engineering techniques
- Advanced patterns, edge cases, optimization strategies

RAG模式 - 检索增强生成工作流
- 上下文落地、块引用、缺失信息处理
Agent与工具模式 - 工具使用与Agent编排
- 先规划后执行工作流、工具调用、多步骤推理、生成-验证-修订链
- 多Agent编排（2026年）：集中式、交接式、联邦式模式；规划执行模式（成本降低90%）
提取模式 - 确定性字段提取
- 基于Schema的提取、空值处理、无幻觉
推理模式（隐藏思维链） - 内部推理，无可见输出
- 隐藏推理、仅输出最终答案、分类工作流
- 扩展思考API（Claude 4+）：预算管理、思考工具、少样本模式
其他模式 - 进阶提示词工程技术
- 高级模式、边缘案例、优化策略

Navigation: Templates

导航：模板

Templates are copy-paste ready and organized by complexity:

模板可直接复制使用，按复杂度分类：

Quick Templates

快速模板

Quick Template - Fast, minimal prompt structure

快速模板 - 快速、极简的提示词结构

Standard Templates

标准模板

Standard Template - Production-grade operational prompt
Agent Template - Tool-using agent with planning
RAG Template - Retrieval-augmented generation
Chain-of-Thought Template - Hidden reasoning pattern
JSON Extractor Template - Deterministic field extraction
Prompt Evaluation Template - Regression tests, A/B testing, rollout gates

标准模板 - 生产级工程化提示词
Agent模板 - 带规划功能的工具型Agent
RAG模板 - 检索增强生成
思维链模板 - 隐藏推理模式
JSON提取器模板 - 确定性字段提取
提示词评估模板 - 回归测试、A/B测试、发布门控

External Resources

外部资源

External references are listed in data/sources.json:

Official documentation (OpenAI, Anthropic, Google)
LLM frameworks (LangChain, LlamaIndex)
Vector databases (Pinecone, Weaviate, FAISS)
Evaluation tools (OpenAI Evals, HELM)
Safety guides and standards
RAG and retrieval resources

外部参考列于data/sources.json：

官方文档（OpenAI、Anthropic、Google）
LLM框架（LangChain、LlamaIndex）
向量数据库（Pinecone、Weaviate、FAISS）
评估工具（OpenAI Evals、HELM）
安全指南与标准
RAG与检索资源

Freshness Rule (2026)

时效性规则（2026年）

When asked for “latest” prompting recommendations, prefer provider docs and standards from

data/sources.json

. If web search is unavailable, state the constraint and avoid overconfident “current best” claims.

当被问及“最新”提示词建议时，优先参考

data/sources.json

中的厂商文档和标准。若无法进行网页搜索，需说明限制条件，避免过度自信地声称“当前最佳实践”。

Related Skills

Usage Notes

使用说明

For Claude Code:

Reference this skill when building prompts for agents, commands, or integrations
Use Quick Reference table for fast pattern lookup
Follow Decision Tree to select appropriate pattern
Validate outputs with Quality Checklists before deployment
Use templates as starting points, customize for specific use cases

For Codex CLI:

Use the same patterns and templates; adapt tool-use wording to the local tool interface
For long-horizon tasks, track progress explicitly (a step list/plan) and update it as work completes
Run independent reads/searches in parallel when the environment supports it; keep writes/edits serialized
AGENTS.md Integration: Place project-specific prompt guidance in AGENTS.md files at global (~/.codex/AGENTS.md), project-level (./AGENTS.md), or subdirectory scope for layered instructions
Reasoning Effort: Use
```
medium
```
for interactive coding (default),
```
high
```
/
```
xhigh
```
for complex autonomous multi-hour tasks

针对Claude Code:

构建Agent、命令或集成的提示词时可参考本技能
使用快速参考表快速查找模式
遵循决策树选择合适的模式
部署前使用质量检查清单验证输出
以模板为起点，根据具体用例进行定制

针对Codex CLI:

使用相同的模式和模板；调整工具使用措辞以适配本地工具接口
对于长周期任务，需显式跟踪进度（步骤列表/计划），并在工作完成时更新
若环境支持，并行运行独立的读取/搜索操作；保持写入/编辑操作序列化
AGENTS.md集成：将项目特定的提示词指导放置在全局（~/.codex/AGENTS.md）、项目级（./AGENTS.md）或子目录级的AGENTS.md文件中，实现分层指令
推理力度：交互式编码使用
```
medium
```
（默认），复杂的自主多小时任务使用
```
high
```
/
```
xhigh
```

Task

Pattern to Use

Key Components

When to Use

Machine-parseable output

Structured Output

JSON schema, "JSON-only" directive, no prose

API integrations, data extraction

Field extraction

Deterministic Extractor

Exact schema, missing->null, no transformations

Form data, invoice parsing

Use retrieved context

RAG Workflow

Context relevance check, chunk citations, explicit missing info

Knowledge bases, documentation search

Internal reasoning

Hidden Chain-of-Thought

Internal reasoning, final answer only

Classification, complex decisions

Tool-using agent

Tool/Agent Planner

Plan-then-act, one tool per turn

Multi-step workflows, API calls

Text transformation

Rewrite + Constrain

Style rules, meaning preservation, format spec

Content adaptation, summarization

Classification

Decision Tree

Ordered branches, mutually exclusive, JSON result

Routing, categorization, triage

任务

适用模式

核心组件

使用场景

机器可解析输出

结构化输出

JSON Schema、“仅输出JSON”指令、无散文式内容

API集成、数据提取

字段提取

确定性提取器

精确Schema、缺失值返回null、无转换操作

表单数据、发票解析

使用检索到的上下文

RAG工作流

上下文相关性检查、块引用、明确标注缺失信息

知识库、文档搜索

内部推理

隐藏思维链

内部推理、仅输出最终答案

分类、复杂决策

使用工具的Agent

工具/Agent规划器

先规划后执行、每轮调用一个工具

多步骤工作流、API调用

文本转换

重写与约束

风格规则、语义保留、格式规范

内容适配、摘要生成

分类

决策树

有序分支、互斥规则、JSON结果

路由、分类、分流

User needs: [Prompt Type] |-- Output must be machine-readable? | |-- Extract specific fields only? -> **Deterministic Extractor Pattern** | `-- Generate structured data? -> **Structured Output Pattern (JSON)** | |-- Use external knowledge? | `-- Retrieved context must be cited? -> **RAG Workflow Pattern** | |-- Requires reasoning but hide process? | `-- Classification or decision task? -> **Hidden Chain-of-Thought Pattern** | |-- Needs to call external tools/APIs? | `-- Multi-step workflow? -> **Tool/Agent Planner Pattern** | |-- Transform existing text? | `-- Style/format constraints? -> **Rewrite + Constrain Pattern** | `-- Classify or route to categories? `-- Mutually exclusive rules? -> **Decision Tree Pattern**

TASK: {{one_sentence_task}} INPUT: {{input_data}} RULES: - Follow TASK exactly. - Use only INPUT (and tool outputs if tools are allowed). - No invented details. Missing required info -> say what is missing. - Keep reasoning hidden. - Follow OUTPUT FORMAT exactly. OUTPUT FORMAT: {{schema_or_format_spec}}

TASK: {{one_sentence_task}} INPUT: {{input_data}} RULES: - 严格遵循TASK要求。 - 仅使用INPUT（若允许使用工具则包含工具输出）。 - 不得编造细节。缺失必要信息时，说明缺失内容。 - 隐藏推理过程。 - 严格遵循OUTPUT FORMAT要求。 OUTPUT FORMAT: {{schema_or_format_spec}}

AVAILABLE TOOLS: {{tool_signatures_or_names}} WORKFLOW: - Make a short plan. - Call tools only when required to complete the task. - Validate tool outputs before using them. - If the environment supports parallel tool calls, run independent calls in parallel.

可用工具: {{tool_signatures_or_names}} 工作流: - 制定简短计划。 - 仅在完成任务必需时调用工具。 - 使用工具输出前先进行验证。 - 若环境支持并行工具调用，可同时运行独立的调用请求。

Aspect

Prompt Engineering

Context Engineering

Focus

Instruction text

Full input pipeline

Scope

Single prompt

RAG + history + tools

Optimization

Word choice, structure

Information architecture

Goal

Clear instructions

Optimal context window

维度

提示词工程

上下文工程

关注点

指令文本

完整输入管道

范围

单个提示词

RAG + 历史 + 工具

优化方向

措辞、结构

信息架构

目标

清晰的指令

最优上下文窗口

ai-prompt-engineering

Original

Translation

Prompt Engineering — Operational Skill

提示词工程 — 工程化实践技能

Quick Start (60 seconds)

快速入门（60秒）

Model Notes (2026)

模型注意事项（2026年）

Quick Reference

快速参考

Decision Tree: Choosing the Right Pattern

决策树：选择合适的模式

Copy/Paste: Minimal Prompt Skeletons

可直接复制的最简提示词骨架

1) Generic "output contract" skeleton

1) 通用“输出契约”骨架

2) Tool/agent skeleton (deterministic)

2) 确定性工具/Agent骨架

3) RAG skeleton (grounded)

3) 基于RAG的骨架（落地版）

Operational Checklists

工程化检查清单

Context Engineering (2026)

上下文工程（2026年）

Context Engineering vs Prompt Engineering

上下文工程 vs 提示词工程

Key Context Engineering Patterns

核心上下文工程模式

Core Concepts vs Implementation Practices

核心概念 vs 实现实践

Core Concepts (Vendor-Agnostic)

核心概念（与厂商无关）

Implementation Practices (Model/Platform-Specific)

实现实践（与模型/平台相关）

Do / Avoid

建议/禁忌

Navigation: Core Patterns

导航：核心模式

Navigation: Best Practices

导航：最佳实践

Navigation: Specialized Patterns

导航：专业模式

Navigation: Templates

导航：模板

Quick Templates

快速模板

Standard Templates

标准模板

External Resources

外部资源

Freshness Rule (2026)

时效性规则（2026年）

Related Skills

相关技能

Usage Notes

使用说明

ai-prompt-engineering

Original

Translation

Prompt Engineering — Operational Skill

提示词工程 — 工程化实践技能

Quick Start (60 seconds)

快速入门（60秒）

Model Notes (2026)

模型注意事项（2026年）

Quick Reference

快速参考

Decision Tree: Choosing the Right Pattern

决策树：选择合适的模式

Copy/Paste: Minimal Prompt Skeletons

可直接复制的最简提示词骨架

1) Generic "output contract" skeleton

1) 通用“输出契约”骨架

2) Tool/agent skeleton (deterministic)

2) 确定性工具/Agent骨架

3) RAG skeleton (grounded)

3) 基于RAG的骨架（落地版）

Operational Checklists

工程化检查清单