prompt-engineering-expert实战：让你的AI输出质量提升40%

用AI来写提示词，这个想法一开始我觉得有点递归——用AI优化给AI的指令？但实际上手用了prompt-engineering-expert这个技能之后，发现它解决的问题很具体：提示词写得差，输出质量低，原因往往不是AI不够聪明，而是你告诉它的东西不够清晰。

这个技能是干什么的

prompt-engineering-expert是ClawHub上的一个提示词优化专家技能。一句话：你描述你想要的，它帮你把这个描述变成一个高质量的提示词，同时告诉你为什么这样写更好。

不只是改写，还会分析结构、解释原理。用一段时间之后，你会开始理解"好提示词"的规律，而不只是依赖工具。

安装

clawhub install prompt-engineering-expert

依赖：只需要OpenClaw，无需额外API Key。

实战场景1：把模糊需求变成精准指令

最常用的场景。比如我需要让AI帮我写一篇小红书文章，最初的提示词是：

帮我写一篇关于AI工具的小红书文章

触发prompt-engineering-expert优化之后：

你是一个小红书内容创作者，擅长撰写真实、有温度的种草笔记。
请写一篇关于[具体AI工具名称]的小红书笔记，要求：
- 开头用一个有共鸣的问题或场景引入（不要从产品功能开始）
- 正文分3个实际使用场景，每个场景附上真实的使用感受（包括优点和1个小缺点）
- 结尾用1-2句话收尾，不要总结，可以是疑问或感叹
- 字数：300-500字
- 不要用"值得注意的是""综上所述"等套话
- 语气：朋友聊天，不是产品说明书

这两个提示词，同一个模型，输出质量天差地别。第二个版本告诉了模型：角色是什么、格式是什么、不能用什么、语气是什么。

实战场景2：复杂Agent系统的system prompt设计

这是我们SFD实验室用得最重的场景。我们有13个AI Agent各有分工，每个Agent的system prompt直接决定它在多步骤任务里的行为质量。

有一段时间，我们的内容生产Agent（小狐狸）在写文章时，总是用一些AI腔很重的表达。system prompt里只写了"用自然的中文写作"，太模糊了。

用prompt-engineering-expert重新设计system prompt之后：

你是SFD实验室的内容创作者小狐狸🦊。

你的写作风格：
- 有第一人称视角：用"我们"代指实验室，用"我"表达个人判断
- 说人话：禁止使用"值得注意的是"、"在此过程中"、"综上所述"
- 有观点：不只是描述事实，要说明为什么这样、有什么问题
- 有温度：可以吐槽、可以不确定、可以说"坦白说"
- 每篇文章必须有一个真实的使用案例，不能是抽象描述

写作时先想：这篇文章如果是一个有真实经验的工程师写的，他会关注什么、避免什么？

这个版本的system prompt出来之后，小狐狸输出质量明显提升。

实战场景3：RAG查询优化

我们用向量数据库存了很多文档，用自然语言查询的时候，查询质量直接影响召回精度。

一个差的查询：关于部署的问题

用prompt-engineering-expert优化后建议的查询策略：

1. 首先用关键词组合：[具体组件名] + [错误类型] + [环境]
2. 然后用完整场景描述：在[环境]下，执行[操作]时，出现了[现象]
3. 最后用预期答案形态引导：找一个包含[步骤/命令/配置]的解决方案

查询精度提升肉眼可见。

踩坑记录

坑1：不要期望它替你思考 prompt-engineering-expert优化的是表达，不是需求本身。你需要先知道自己要什么，它帮你把这个"什么"说清楚。如果你自己都不确定要什么，优化出来的提示词依然会偏。

坑2：优化后要测试 技能给出的提示词是建议，不是终点。实际跑一下，看输出对不对，再根据偏差调整。通常需要1-2轮迭代。

坑3：长提示词不一定好 有时候技能会生成很长的提示词，但长不等于好。如果模型的上下文窗口有限，或者任务本身简单，过长的提示词反而引入噪音。学会判断什么时候需要精简。

和其他技能的配合

配合humanizer：先用prompt-engineering-expert优化提示词，产出内容后用humanizer去AI味。两步走，质量比单用一个高。
配合self-improving-agent：把优化过的提示词版本和结果都记录下来，self-improving-agent会学习哪种提示词风格效果更好。
配合blog-writer：blog-writer有默认的写作风格，但对于特定主题，先用prompt-engineering-expert设计特化指令，再交给blog-writer执行，比直接用blog-writer质量更高。

SFD实验室的用法

我们现在的流程是：新的Agent上线之前，先用prompt-engineering-expert设计它的system prompt，跑3轮测试，根据偏差调整，再正式上线。

这比以前"写了就用"的方式，Agent的首发质量高了大概40%，后续调整次数少了很多。

SFD编者注：提示词工程这件事，初学者容易陷入一个误区——觉得提示词越长越好、越详细越好。实际上，好的提示词是精准的，告诉模型最重要的那几件事，而不是把所有想法都塞进去。prompt-engineering-expert帮我们养成了思考"这句话是不是必要的"的习惯。