核心用法
Prompt Hardening 是一套系统化的 Agent Prompt 加固方法论，旨在解决 LLM "不听话"、忽略规则、绕过约束等指令遵循失效问题。该 Skill 并非简单的提示词改写工具，而是一套基于 16 个硬化模式的工程化方案库。
使用流程：首先通过 audit.sh 脚本对现有 Prompt 进行 16 项安全检查，识别历史违规模式；然后针对高危规则采用 P1「三重强化」+ P13「代码级强制」的组合策略，中等风险规则采用 P2/P4/P5 组合，一般规则使用 P3/P7 即可；最终确保约束 token 占比超过 40%。
16 个硬化模式覆盖四大维度：语义强化（P1/P5/P16）、工具约束（P2/P3/P4）、结构控制（P6/P8/P10/P14）、运行时防护（P9/P11/P12/P15）。从静态规则声明到动态漂移防护，形成完整防护链。
显著优点
1. 实证效果显著：三重强化（P1）配合反推理阻断（P5）可将合规率从 ~50% 提升至 ~90%，叠加代码级强制（P13）后可达 ~99%。
2. 方法论体系完整：不同于碎片化的提示技巧，该 Skill 构建了从问题识别（触发词库）、模式选择（场景-模式矩阵）、到效果验证（可靠性等级表）的完整工作流。
3. 来源权威可追溯：16 个模式均标注来源，涵盖 Anthropic、OpenAI、Claude Code、Codex CLI、Gemini 等顶级机构的实践经验，非空想产物。
4. 安全设计优良：Skill 本身为纯文档型顾问工具，不自动修改用户文件，避免误操作风险；审计脚本仅只读访问，无网络请求、无敏感操作。
5. CLI 工具实用：audit.sh 提供 16 项自动化检查，大幅降低人工审计成本，适合企业级 Prompt 质量门禁。
潜在缺点与局限性
1. 学习曲线陡峭：16 种模式需理解其设计原理和组合策略，初学者容易陷入"模式堆砌"误区，反而导致 Prompt 冗长、成本激增。
2. Token 成本上升：P12 模式明确要求"约束 token > 任务描述 token"，这在长对话场景会显著增加 API 调用成本。
3. 非万能解药：文档明确警示"不要把所有 prompt 问题都归为硬化不够"——架构缺陷、训练数据偏差等根本性问题无法通过 Prompt 工程解决。
4. 中文场景适配：部分模式（如 P5 反推理阻断）的示例以英文为主，中文语境下的"合理化借口"模式可能需本地化调整。
5. 效果验证依赖历史数据：模式选择高度依赖"识别模型历史违反过的规则"，新系统缺乏违规样本时，初始硬化策略可能不够精准。
适合的目标群体
- AI Agent 开发者：特别是构建 multi-agent 系统、工具调用链复杂的团队，需要确保 Agent 在长期使用中不漂移。
- Prompt 工程师：负责企业级 System Prompt 设计与维护，需要建立可量化的质量门禁。
- AI 安全合规团队：关注 LLM 输出可控性、需满足金融、医疗等高风险场景的合规要求。
- 开源 Agent 框架维护者：如 CrewAI、AutoGen 等社区，可将硬化模式集成到框架文档或 CLI 工具中。
使用风险
1. 性能风险：过度硬化可能导致 Prompt 长度膨胀，增加推理延迟和 API 费用；建议在关键路径规则上精准应用，而非全局堆砌。
2. 依赖项风险：audit.sh 依赖 Bash 环境，Windows 用户需 WSL 或 Git Bash；测试文件中的硬编码路径可能影响可移植性。
3. 认知风险：用户可能误将"Prompt Hardening"视为银弹，忽视代码级强制（P13）的必要性——文档反复强调"最关键约束 MUST 同时有代码级强制作为备份"。
4. 维护风险：硬化后的 Prompt 包含大量结构化约束，后续迭代时需同步更新多处锚点（P7/P16），维护成本高于自然语言 Prompt。
5. 误用风险：该 Skill 明确标记为"Advisory/planning"类型，不会自动修改文件，用户若期待一键修复可能感到不便，需配合 improvement-executor 使用。