prompt-engineering

这是一个关于提示词工程（Prompt Engineering）的综合性文档型 Skill，旨在帮助用户掌握针对各类 AI 模型的提示词优化技术。

核心用法方面，该 Skill 通过 inference.sh（infsh）CLI 工具，提供了覆盖 LLM（如 Claude、GPT-4、Gemini）、图像生成（如 FLUX、Stable Diffusion）以及视频生成（如 Veo）的全方位提示词指导。内容从基础的角色设定、任务明确化，到高级的思维链（Chain-of-Thought）、少样本学习（Few-Shot）、结构化输出等技术，辅以大量可直接复用的代码示例和模板，帮助用户构建高质量的提示词。

显著优点在于其内容的系统性和实用性。首先，作为纯文档型资产，它无任何代码执行风险，内容透明可审计。其次，覆盖范围极广，不仅包含文本大模型的提示技巧，还详细拆解了图像和视频生成模型的提示词结构，包括负面提示、构图控制、光影关键词等专业内容。此外，提供的提示词模板（如代码审查、内容写作）具有很高的即拿即用价值，能显著降低用户的学习曲线。

潜在缺点与局限性也需关注。该 Skill 本质上是指导文档，不具备自动化执行能力，所有操作仍需用户手动通过 infsh CLI 完成。同时，其功能重度依赖 inference.sh 第三方平台，若平台服务变更或停止，部分示例可能失效。此外，虽然提供了丰富的通用示例，但针对具体业务场景的个性化调优仍需用户结合自身需求深入探索，文档本身无法替代实践中的迭代优化。

适合的目标群体包括：希望提升 AI 使用效率的内容创作者、需要优化模型输出的产品经理、学习提示词工程的研究人员，以及希望通过精准提示词降低开发成本的软件工程师。对于刚接触生成式 AI 的新手，这是系统学习提示词结构的优质教材；对于有经验的用户，也可作为快速查阅模型特定技巧的参考手册。

使用风险方面，主要涉及外部依赖和权限管理。用户需要自行安装并登录 infsh CLI，过程中涉及 curl 下载脚本和 API 密钥配置，需确保网络环境安全和密钥保管妥当，避免泄露敏感凭证。虽然 Skill 本身无数据收集行为，但通过 CLI 调用云端模型时，数据将传输至第三方服务，涉及敏感信息的提示词需谨慎处理。此外，T3 级别的个人开发者来源意味着长期维护更新存在一定不确定性，建议用户关注 inference.sh 平台的官方动态。

核心用法

该 Skill 是一份面向 AI 开发者的提示工程技术指南，系统讲解如何为大型语言模型（LLM）、图像生成器（如 FLUX、Stable Diffusion）和视频模型（如 Google Veo）编写高质量提示词。

LLM 提示结构：采用 [Role/Context] + [Task] + [Constraints] + [Output Format] 四维框架，涵盖角色设定、思维链（Chain-of-Thought）、少样本学习（Few-Shot）和结构化输出等关键技术。

图像/视频提示结构：图像生成强调 [Subject] + [Style] + [Composition] + [Lighting] + [Technical]，视频生成则关注镜头运动、时间描述和电影化语言。

模型适配：针对 Claude、GPT-4、FLUX、Veo 等主流模型提供差异化建议，如 Claude 擅长复杂约束执行，FLUX 对光线和风格关键词敏感。

显著优点

1. 体系化方法论：将零散的提示技巧归纳为可复用的结构化模板，降低学习成本。
2. 多模态覆盖：罕见地同时覆盖文本、图像、视频三种主流 AI 生成范式。
3. 实战导向：提供大量可直接复制的代码示例（基于 infsh CLI），从基础到高级迭代优化流程完整。
4. 错误对照表：总结常见失误（模糊描述、信息冲突、格式缺失）及修正方案，实用性强。

潜在局限

• 工具绑定：示例深度耦合 inference.sh 生态，非该平台的用户需自行迁移命令格式。
• 模型迭代风险：AI 模型更新频繁（如 GPT-4 → GPT-5），特定技巧可能随版本失效。
• 无自动化能力：纯文档型 Skill，本身不执行任何优化操作，依赖用户手动应用。

适合人群

• AI 应用开发者、提示工程师（Prompt Engineer）
• 内容创作者（需批量生成高质量图像/文案）
• 希望系统提升 AI 交互效率的技术人员

常规风险

• 提示注入风险：用户若直接将 Skill 中的模板用于处理不可信输入，可能遭遇提示注入攻击（非 Skill 本身缺陷）。
• API 成本：文档示例涉及的多为商业 API（Claude、FLUX、Veo），高频使用产生费用。
• 输出不可控：即使优化提示，AI 生成内容仍可能出现幻觉或偏见，需人工审核。