findscripter 何时使用
适用：
- 提示返回结果飘忽、含糊或出现幻觉，需要稳定可复现的输出。
- 需要从 LLM 可靠拿到结构化/JSON 输出。
- 为 AI Agent 或聊天机器人设计系统提示词。
- 想在不牺牲质量的前提下压缩 token、降低成本。
- 复杂任务需引入思维链（CoT）逐步推理。
- 同一提示在某模型可用、换到另一模型却失效。
不该用（负边界）：
- 问题出在模型能力本身，需要微调/换模型，而非改提示。
- 需要外部知识检索（应搭建 RAG/检索管线），而非靠提示词解决。
- 属于非提示层的工程问题（接口、超时、配额、部署），改提示无济于事。
- 缺少必要输入、权限、安全边界或成功判据时，应先停下澄清，而非硬写提示。
步骤
诊断弱提示。先对照问题模式定位病因，再动手：
问题 症状 修法 太含糊 答案泛泛、无用 补角色 + 上下文 + 约束 无结构 输出难解析 显式指定输出格式 幻觉 自信地答错 加“不确定就说不知道” 不一致 每次答案都不同 加少样本示例 太啰嗦 冗长灌水 加长度约束 套用 RSCIT 框架。每条优化后的提示都应具备：
- R 角色（Role）：AI 在此扮演谁。
- S 情境（Situation）：它需要哪些上下文。
- C 约束（Constraints）：规则与边界。
- I 指令（Instructions）：具体要做什么。
- T 模板（Template）：输出应长成什么样。
按任务类型选模式（见下方「指令」中的可复制模板）：推理任务用思维链；分类/抽取用少样本；要机读结果用结构化 JSON；事实问答用幻觉抑制；成本敏感场景做提示压缩。
过审计清单（见「注意事项」），通过后再投入生产。
指令
RSCIT 改写示例
弱提示：
解释机器学习。
优化后：
你是一名资深 ML 工程师，正在向初级开发者讲解概念。
情境：该开发者有 1 年 Python 经验，但没有 ML 背景。
任务：用通俗语言解释“有监督机器学习”。
约束：
- 用一个日常生活中的类比
- 不超过 200 字
- 不出现数学公式
- 末尾给出一条可执行的下一步建议
格式：纯叙述，不用项目符号。
思维链（CoT）模式（数学/逻辑/多步任务）：
逐步解决该问题，每一步都展示推理过程。
只有在完成全部推理后，才给出最终答案。
问题：[在此填入问题]
思考过程：
步骤 1：[已知是什么]
步骤 2：[要求是什么]
步骤 3：[应用逻辑或公式]
步骤 4：[验证答案]
最终答案：
少样本（Few-Shot）模式（分类/抽取）：
将客户评论的情感分类为 POSITIVE、NEGATIVE 或 NEUTRAL。
示例：
评论："这产品超出了我的预期！" -> POSITIVE
评论："到货就是坏的，客服还没用。" -> NEGATIVE
评论："产品和描述一致，没什么特别。" -> NEUTRAL
现在分类：
评论："[在此填入评论]" ->
结构化 JSON 输出模式：
从下方文本中抽取以下信息，仅返回合法 JSON。
不要包含任何解释或 markdown —— 只输出原始 JSON 对象。
Schema:
{
"name": string,
"email": string | null,
"company": string | null,
"role": string | null
}
文本：[在此填入输入文本]
幻觉抑制模式：
仅根据所提供的上下文回答下列问题。
若上下文中不含答案，则严格回复："我没有足够的信息来回答这个问题。"
不要编造或推断上下文中不存在的信息。
上下文：
[在此填入上下文]
问题：[在此填入问题]
提示压缩（不损质量地降 token）：
# 冗长（昂贵）
"请仔细分析下面这段代码，并就它做了什么、如何运作、以及你可能发现的潜在问题，给出详尽的解释。"
# 压缩（高效，质量相当）
"分析这段代码：说明它做什么、如何运作，并标出任何问题。"
示例
场景：某抽取接口时好时坏，有时返回 markdown 包裹的 JSON，下游解析报错。
处理：
- 诊断 = 「无结构」+「不一致」。
- 套结构化 JSON 模式，明确「仅返回合法 JSON，不含解释或 markdown」。
- 补 2-3 条少样本，把 email/company 缺失映射为 null。
- 把格式指令移到提示末尾、示例之后，并用强措辞「你必须只返回合法 JSON」。
- 事实类任务把温度降到 0.0-0.3。 结果：输出稳定可机读，下游解析不再报错。
注意事项
应做：
- 始终显式指定输出格式（JSON / markdown / 纯文本 / 项目符号）。
- 用分隔符（```、---）把指令与内容隔开。
- 用边界用例测试（空输入、异常数据）。
- 把系统提示词纳入版本管理。
- 数学、逻辑或多步任务加「逐步思考」。
不应做：
- 只用否定式指令（「别啰嗦」）—— 要给出正向替代（「用 3 个项目符号，每条不超过 20 字」）。
- 假设模型懂你的代码库上下文 —— 务必随提示带上。
- 同一提示不经测试就跨模型复用 —— 不同模型行为不同。
上线前审计清单：
- 是否有清晰的角色/人设？
- 输出格式是否显式定义？
- 边界用例（空输入、歧义数据）是否处理？
- 长度是否合适（不过长也不过短）？
- 是否在 5+ 组多样输入上测过？
- 事实类任务是否做了幻觉抑制？
常见故障排查：
- 模型无视格式指令：把格式指令挪到提示末尾、示例之后，用强措辞「你必须只返回合法 JSON」。
- 多次运行结果不一致：降低温度（事实类 0.0-0.3），并补更多少样本。
- Playground 能跑、生产失效：确认系统提示是否正确下发；用 token 计数器核查是否超出 token 上限。
- 输出过长：加显式字/句数限制，如「恰好 3 个项目符号，每条少于 20 字」。
互见
- 适用任意 LLM（Claude、Gemini、GPT-4、Llama 等），跨模型复用前务必各自回归测试。
- 涉及外部知识接入时，优先考虑 RAG/检索管线而非纯提示词。
采编自 sickn33/antigravity-awesome-skills（MIT）。