Cookbook：Enhance your prompts with meta-prompting（元提示：自动化提示优化）——用提示生成提示、用模型优化提示。
一句话定位
提示词的提示词：把「写一个好提示」本身交给模型——给它任务描述与现有提示，它产出改进版；迭代几轮，提示质量爬坡——提示工程从手艺变成可自动化的搜索问题。
菜品精要
Meta Prompting: A Guide to Automated Prompt Optimization
- 元提示的三种用法：
- 从零生成：给任务描述→产出一个完整初版提示
- 诊断改进：给现有提示+失败案例→产出修订版（针对性修弱点）
- 迭代优化：改进→评估→再改进的循环（与评估体系咬合）
- 元提示本身的写法：给「好提示的标准」（清晰/完整/有出口/有示例）作为优化目标
方法论精华
1. 提示是搜索空间，优化是搜索过程：手写提示=在巨大的提示空间里人肉采样；元提示=让模型带着目标函数采样——任何有明确评估标准的优化都可自动化（前提回到评估课：裁判先于选手）。
2. 失败案例是最好的优化信号：诊断模式的核心输入不是「提示长什么样」而是「它哪里失败了」——喂错误比喂理想更有效，与少样本的「边缘案例价值最高」同理。
3. 元提示的递归边界：元提示本身也是提示——它优化别人的能力有上限，复杂任务的最终责任仍在人；它的真正价值是把「从 60 分到 80 分」的体力活自动化，把人留在「80 到 95」的判断区。
4. 三层自指体系：提示（干活）→ 元提示（优化提示）→ 评估（裁判两者）——三层里评估是地基，这也是为什么 Anthropic 把评估课放在五课之四。
编者注
Meta-prompting 是「AI 干活」的极致自指：连写提示这个「教 AI 干活」的活都交给了 AI。对照 skill-creator 的「简洁+自由度」原则：机器优化擅长形式（清晰、完整），人类判断擅长取舍（锁什么、放什么）——两家的结论殊途同归。