要让Trae Skill准确执行任务，必须写出结构清晰、意图明确的提示词；需分三步定义角色与任务目标、用动词开头陈述指令、多步骤时用序号明确顺序，并通过强限定词、输出样例、长度限制约束格式，同时注入关键业务上下文。
☞☞☞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☜☜☜
要让Trae Skill准确执行任务，必须写出结构清晰、意图明确的提示词，否则模型会误解指令或输出无关内容。
明确角色与任务目标
第一步：在提示词开头用一句话定义模型身份，例如“你是一名资深Python开发工程师”，这能激活对应知识域；不写角色时模型默认以通用语境响应，容易偏离技术细节。
第二步：紧接着用动词开头陈述具体任务，比如“请将以下JSON数据转换为Pandas DataFrame并删除重复行”，避免使用“可以帮我……吗”这类模糊请求——Trae Skill不处理疑问句式，只响应指令性语句。
第三步：如果任务涉及多步骤操作，用数字序号明确执行顺序，例如“① 解析URL参数 → ② 校验token有效期 → ③ 返回HTTP 200或401状态码”。缺少序号时模型可能打乱逻辑链。
约束输出格式与边界
方法一：用「必须」「仅」「禁止」等强限定词控制输出。例如写“必须返回纯JSON，不含任何解释文字”，否则模型大概率在JSON前加一行说明。
方法二：提供输出样例。直接贴一段符合要求的结构化结果，比如：{"code": 200, "data": [{"id": 1, "name": "Alice"}]}。Trae Skill对样例的模仿精度远高于文字描述。
方法三：设定长度上限。例如“输出不超过80字符”，这能防止模型展开冗长分析——【超过字符限制会导致截断，且不补全】。
注入关键上下文信息
把变量值、业务规则、字段含义等直接嵌入提示词，不要指望模型自行推断。例如写“用户等级字段level取值为：0（游客）、1（会员）、2（VIP），请按此映射生成文案”，而不是只说“根据用户等级生成文案”。
这一步漏掉业务规则，模型会按常识胡编等级说明，导致结果不可用。
