Prompt工程技能库：Claude/GPT/Gemini多模型提示词最佳实践

项目概览：一站式多模型Prompt技能集合

做AI应用开发的人都知道，同样一段提示词丢给Claude和GPT，出来的效果可能天差地别。针对不同模型写出高效的Prompt，已经是开发者绑定不了的核心技能。

GitHub上的开源项目 treylom/prompt-engineering-skills 正好解决了这个痛点——它提供了一套覆盖主流AI模型的提示词工程技能集合，包含各模型的特定模式和经过验证的最佳实践。

项目目前获得了78颗星标和18个Fork，体量不算大，但胜在覆盖面广、针对性强，是Prompt工程师值得收藏的实用参考。

支持哪些模型与平台？

Claude系列

项目针对Claude Code以及Claude Opus 4.7/4.6版本提供了专门的提示词模式。Claude以强大的XML结构化理解能力著称，项目中包含了充分利用这一特性的具体模式和技巧，帮助开发者在Claude平台上实现更精确的交互效果。

Claude模型对XML标签的优异解析能力源于Anthropic在训练过程中对结构化输入的特殊优化。XML（可扩展标记语言）本身是一种用于数据传输和存储的标记语言，具有严格的层级嵌套和标签闭合规则。当开发者使用XML标签包裹提示词的不同部分时，Claude能够精确识别各段落的语义角色和层级关系，从而在处理复杂多步骤任务时表现出更高的指令遵循准确率。这种能力使得Claude在需要严格输出格式控制的企业级应用中尤为突出。

ChatGPT GPTs系列

对于OpenAI的产品线，项目做了一个关键区分：GPT-5.5采用"outcome-first"（结果优先）模式，GPT-5.4则沿用传统的XML模式。

这个区分背后反映了OpenAI模型架构演进中提示词策略的重大变化——新版本更倾向于让开发者直接描述期望结果，而不是通过结构化标记来引导模型行为。

GPTs是OpenAI于2023年底推出的自定义AI助手创建平台，允许用户通过系统提示词（System Prompt）、知识库上传和API调用来构建特定领域的AI应用，无需编写代码。Google的Gemini Gems是类似的竞品功能，于2024年推出，支持用户基于Gemini模型创建个性化AI助手。这两个平台的核心竞争力都在于系统提示词的质量——一个精心设计的系统提示词可以将通用模型转化为高度专业化的领域助手，而提示词的写法需要严格适配各自平台的模型特性。

此外，项目还涵盖了 gpt-image-2 图像生成模型的提示词技巧。

Google Gemini生态

项目覆盖了Gemini 3.1、Veo 3.1视频生成模型，以及Gemini Gems自定义AI助手的提示词模式。其中还包含了"Nano Banana 2"的相关内容，这可能是针对Google轻量级模型的特定优化策略。

Veo是Google DeepMind开发的视频生成AI模型，能够根据文本描述生成高质量视频片段。与图像生成不同，视频生成需要模型理解时间维度上的连贯性——包括物体运动轨迹、光影变化、镜头运动等电影语言要素。针对视频生成模型的提示词工程比文本或图像生成更为复杂，开发者需要在提示词中精确描述时间序列、运镜方式、场景转换等动态要素，同时还要控制视频的风格一致性和物理合理性。

核心价值：为什么需要模型特定的Prompt模式

不同AI模型在训练数据、架构设计和对齐策略上存在显著差异。一个在Claude上跑得很好的提示词，直接复制到GPT或Gemini上，效果往往大打折扣。

对齐（Alignment）是指让AI模型的行为符合人类意图和价值观的技术过程。不同公司采用的对齐策略直接影响了提示词的最佳写法。Anthropic的Constitutional AI方法让Claude倾向于遵循明确的规则和结构化指令；OpenAI的InstructGPT路线通过大量人类偏好数据训练模型理解隐含意图；Google的对齐策略则更强调多模态场景下的安全性。这些底层差异意味着，同样表达"请帮我写一篇文章"这个需求，在不同模型上需要不同的上下文铺垫和约束表达方式才能获得最优结果。

这个项目的核心价值体现在三个层面：

1. 针对性优化：为每个模型提供经过实测验证的最佳实践模式
2. 版本感知：区分同一模型不同版本间的策略差异（比如GPT-5.5和5.4的提示词写法就完全不同）
3. 跨平台参考：帮助开发者理解不同模型的"思维方式"差异，避免踩坑

从XML到Outcome-First：提示词范式正在转变

项目中有一个值得特别关注的趋势：从结构化XML提示向"结果优先"提示的转变。

在GPT-5.4时代，开发者习惯用XML标签来组织复杂提示词的结构，比如用 <role>、<task>、<constraints> 等标签把指令分门别类。到了GPT-5.5，OpenAI更鼓励开发者直接描述期望的输出结果和行为约束，不再依赖结构化标记。

Outcome-first（结果优先）模式的出现与大语言模型推理能力的提升密切相关。早期模型需要开发者通过结构化标记"手把手"引导推理路径，本质上是因为模型的自主规划能力有限。随着模型规模扩大和RLHF（基于人类反馈的强化学习）技术的成熟，新一代模型具备了更强的意图理解和自主任务分解能力。开发者只需清晰描述期望的最终结果和约束条件，模型即可自行规划执行路径。这类似于从"过程式编程"向"声明式编程"的转变——你告诉系统"要什么"而非"怎么做"。

这种转变有两面性：一方面降低了提示词编写的技术门槛，另一方面也要求开发者具备更清晰的需求表达能力——你得真正想清楚自己要什么，而不是靠模板凑结构。

谁适合使用这个项目？

这个项目特别适合以下几类人：

• 多平台AI应用开发者：需要同时对接Claude、GPT、Gemini等多个模型的团队，可以快速查阅各模型的提示词差异
• Prompt工程师：希望系统化提升跨模型提示词能力，而不是只精通某一个平台
• GPTs/Gems构建者：在OpenAI或Google平台上创建自定义AI助手的开发者和创作者
• AI内容创作者：需要用好图像生成（gpt-image-2）和视频生成（Veo 3.1）模型的创意工作者

总结：Prompt工程的模型特定化趋势

随着AI模型快速迭代，Prompt工程正在从"一招鲜吃遍天"走向"因模型制宜"。prompt-engineering-skills 项目代表了这一趋势的实践落地——它不再追求一套万能的提示词模板，而是正视并拥抱不同模型间的差异。

Prompt工程（Prompt Engineering）已从2023年的新兴概念发展为一个成熟的专业领域。根据行业观察，企业对Prompt工程师的需求主要集中在三个方向：一是面向产品的系统提示词设计，直接影响AI产品的用户体验；二是面向效率的工作流自动化提示词优化；三是面向安全的提示词注入防御和红队测试。随着模型能力的快速迭代，Prompt工程师面临的核心挑战不再是"如何让模型听懂指令"，而是"如何在不同模型间高效迁移最佳实践"以及"如何跟上模型版本更新带来的策略变化"。

对于需要在多模型环境中保持竞争力的开发者来说，理解和掌握这些模型特定的Prompt模式，正在成为一项越来越关键的专业技能。与其花时间找"通用提示词"，不如针对你常用的模型，把对应的最佳实践吃透。

核心要点

• 该项目提供覆盖Claude、ChatGPT GPTs和Gemini Gems三大平台的全面Prompt工程技能集合
• 区分了GPT-5.5的outcome-first模式与GPT-5.4的传统XML模式，反映了提示词策略的范式转变
• 针对不同模型版本提供特定优化模式，包括Claude Opus 4.7/4.6、Gemini 3.1和gpt-image-2等
• 项目体现了Prompt工程从通用技巧向模型特定优化演进的行业趋势