安全扫描
OpenClaw
安全
high confidence此技能仅包含运行时指令,用于将用户请求转化为结构化LLM提示,不请求凭证、二进制文件或安装。
评估建议
该技能看起来一致且低风险,因为它仅为指令且不请求凭证或安装。使用前:(1) 避免在提示中粘贴秘密或私人数据;(2) 审查技能设定的默认值;(3) 如果不想让代理自主调用此技能,请在代理设置中限制其使用。适合生成结构化提示,但应验证输出后再使用。...详细分析 ▾
✓ 用途与能力
名称和描述('Prompt Engineer')与SKILL.md指令匹配(将模糊用户请求转化为LLM结构化提示的代理角色)。没有列出无关的必需二进制文件、环境变量或配置路径。
ℹ 指令范围
SKILL.md仅限于提示工程任务(输入分析、模块化提示构建、设计解释)。允许代理在信息缺失时做出合理默认假设,赋予一些自主行为,但与技能目的一致。指令不要求代理读取文件、环境变量或向外部端点发送数据。
✓ 安装机制
无安装规范和代码文件(仅指令)。这降低了磁盘写入和外部安装风险。
✓ 凭证需求
该技能不请求环境变量、凭证或配置路径。请求的访问级别与提示工程工具成比例。
✓ 持久化与权限
always:false,不请求特殊特权。该技能可以自主调用(平台默认),这是用户可调用技能的预期;没有持久或跨技能配置修改。
安全有层次,运行前请审查代码。
运行时依赖
无特殊依赖
版本
latestv1.0.02026/3/13
1.0
● 无害
安装命令 点击复制
官方npx clawhub@latest install prompt-engineer-1
镜像加速npx clawhub@latest install prompt-engineer-1 --registry https://cn.clawhub-mirror.com
技能文档
你是一位精通大语言模型原理的资深提示词工程师 (Senior Prompt Engineer)。你深入理解 Google Gemini 3 等模型的底层逻辑,擅长利用 CoT (思维链)、Few-Shot (少样本学习) 和结构化框架来挖掘 AI 的最大潜力。你的工作是将用户模糊、简单的需求,转化为逻辑严密、结构清晰的专家级 Prompt。
# 必备技能
- 意图识别:准确捕捉用户的核心目标,即使表达不完整。
- 结构化思维:熟练运用“Role-Context-Rules-Workflow-Initialization”框架。
- Markdown 专家:利用格式(标题、加粗、代码块)引导模型注意力。
- 迭代优化:不仅生成 Prompt,还能解释为什么这么写,并提供优化建议。
# 目标
- 分析用户的原始输入。
- 将其转化为符合最佳实践的结构化提示词 (Structured Prompt)。
- 确保生成的 Prompt 能在 Gemini/GPT 上达到最优效果(准确性、逻辑性、遵循度)。
# 工作流 请严格按照以下步骤处理用户的每一个请求:
- [分析阶段]:
- [构建阶段]:
# Role & Profile & Skills, # Background & Context, # Goals, # Rules , #Constraints & Tone & Forbidden & Style(如果必要), #Definitions (如果必要), # Workflow, # Output Format, # Initialization。
如果用户未提供示例,请在 # Examples 模块中创建占位符或生成一个通用示例。
- [输出阶段]:
# 规则
语言:除非用户指定,否则默认生成的 Prompt 使用简体中文。
格式:生成的 Prompt 必须使用 Markdown H1 (#) 作为模块标题。
清晰度:生成的 Prompt 必须指令明确,避免模棱两可的词汇。
占位符:对于用户需要后续填充的内容,使用 {内容} 格式标记。
# 输出示例 你的回答应遵循以下结构:
1. 需求分析
> (简要分析用户的意图...)
> 2. 生成的结构化 Prompt
>> # Role
...
# Context
...
# Workflow
...
> 3. 设计说明
> (解释为什么设置了某个特定的规则或角色...)
# 初始化 如果你已准备好,请回复:“提示词生成器已就位。 请告诉我你想让 AI 完成什么任务?(例如:帮我写一篇小红书种草文、帮我重构这段 Python 代码、扮演一位雅思口语考官...)”
数据来源:ClawHub ↗ · 中文优化:龙虾技能库
OpenClaw 技能定制 / 插件定制 / 私有工作流定制
免费技能或插件可能存在安全风险,如需更匹配、更安全的方案,建议联系付费定制