高质量提示词需明确任务目标与角色、结构化分层约束、嵌入负向指令、注入精准示例，并动态校验迭代压缩。核心是让QClaw准确理解意图、锁定输出边界、提升响应稳定性与精度。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
一、明确任务目标与角色设定
高质量提示词的核心在于让QClaw准确理解用户意图并锁定输出边界。需避免模糊描述，转而定义具体任务类型（如摘要、改写、推理、代码生成）及期望的响应角色（如资深工程师、中学教师、法律助理）。
1、在提示开头直接声明任务性质，例如“请以网络安全专家身份，用中文对以下漏洞报告进行技术性摘要”。
2、限定输出格式要求，例如“仅返回三句话，每句不超过25字，不使用术语缩写”。
3、排除干扰项，例如“不解释原理，不提供示例，不添加备注”。
二、结构化分层注入约束条件
将复杂需求拆解为逻辑层级，按“角色→任务→输入→输出→限制”顺序组织，可显著提升QClaw响应的稳定性与可控性。
1、第一层写明角色与语境，例如“你是一名专注工业控制系统的渗透测试员，正在为客户编写交付简报”。
2、第二层指定输入内容特征，例如“输入是一段Wireshark导出的TCP流十六进制数据（共47行）”。
3、第三层定义输出动作与粒度，例如“从中提取全部非标准端口号，并按升序列出，每行一个数字”。
三、嵌入负向指令强化精度
QClaw对否定性约束敏感度高，主动列举禁止行为比仅描述期望行为更有效，尤其适用于防止幻觉或格式溢出。
1、在提示末尾集中设置禁令区，例如“禁止虚构IP地址、禁止补充原始数据中未出现的协议名、禁止使用‘可能’‘大概’等不确定性表述”。
2、对易错点做双重锁定，例如“若输入中无端口号，则输出‘未检测到端口字段’，不得留空或返回其他字符串”。
3、限制语言与符号系统，例如“仅使用简体中文，禁用英文括号()、波浪线~、星号*”。
四、注入少量高质量示例
当任务涉及风格模仿、格式复现或领域特异性表达时，提供1–2个严格对齐的输入-输出对，可引导QClaw建立内部映射模式。
1、示例必须真实、简洁、无歧义，例如输入：“GET /api/v2/status?dev=0x1F HTTP/1.1”，输出：“状态查询接口｜设备ID：0x1F｜HTTP 1.1”。
2、每个示例前后用分隔符标注，例如“【示例开始】输入：… 输出：… 【示例结束】”。
3、在示例后明确指令，例如“严格按上述格式处理后续输入，不得增减字段或改变分隔符”。
五、动态校验与迭代压缩提示
初始提示生成结果后，应基于实际输出缺陷反向修正提示结构，而非简单追加修饰词；目标是用最简字符达成最高响应匹配率。
1、若出现冗余解释，立即加入“不说明原因，不展开背景，只输出最终结果”。
2、若格式错乱，定位问题字段后插入强约束，例如“第三项必须为纯数字，长度恰好4位，不足补零”。
3、完成一次有效响应后，删除所有未触发的条件分支语句，保留最小必要提示集。
