Add prompt-optimizer skill with 57 prompt frameworks

skills/prompt-optimizer/references/frameworks/20_APE_Framework.md

@@ -0,0 +1,99 @@
+# APE Framework
+
+## 网址
+https://juuzt.ai/knowledge-base/prompt-frameworks/the-ape-framework/
+
+## 应用场景
+- AI提示词优化
+- 任务指令设计
+- 自动化工作流设计
+- 代码生成提示
+- 数据分析请求
+- 创意内容生成
+
+## 概述
+APE框架（Action, Purpose, Expectation）是一种简洁高效的AI提示词工程方法。通过明确行动（要做什么）、目的（为什么做）和期望（想要什么结果），该框架帮助用户快速构建清晰有效的提示词，确保AI准确理解任务需求。
+
+## 框架构成
+
+| 组成部分 | 英文 | 说明 |
+|---------|------|------|
+| 行动 | Action | 明确需要执行的具体任务 |
+| 目的 | Purpose | 解释执行任务的原因和背景 |
+| 期望 | Expectation | 描述期望的输出结果和标准 |
+
+## 详细说明
+
+### Action（行动）
+清晰描述需要AI完成的具体任务：
+- 使用明确的动词开头
+- 描述任务的范围和边界
+- 指明输入数据或素材
+
+### Purpose（目的）
+解释为什么需要完成这个任务：
+- 提供背景信息
+- 说明任务的重要性
+- 帮助AI理解上下文
+
+### Expectation（期望）
+明确期望的输出结果：
+- 格式要求（长度、结构）
+- 质量标准
+- 特定包含或排除的内容
+
+## 优点
+- **极简高效**: 三个元素涵盖提示词核心
+- **快速应用**: 容易记忆和快速使用
+- **目的明确**: 强调任务目的提高AI理解
+- **结果导向**: 明确期望确保输出质量
+
+## 缺点
+- **可能过简**: 复杂任务可能需要更多细节
+- **缺少角色**: 未明确指定AI的角色或身份
+- **上下文有限**: 可能需要额外的背景信息
+
+## 最佳实践
+
+### 示例1：数据分析报告
+```
+Action: 分析过去12个月的销售数据。
+Purpose: 为即将到来的季度规划会议准备洞察。
+Expectation: 生成包含关键指标、趋势图表和三个主要发现的报告，控制在2页以内。
+```
+
+### 示例2：邮件撰写
+```
+Action: 撰写一封客户回访邮件。
+Purpose: 了解客户对新产品的使用体验并收集反馈。
+Expectation: 邮件应该友好专业，控制在150字以内，包含3-5个简短问题。
+```
+
+### 示例3：代码生成
+```
+Action: 编写一个Python函数来验证用户邮箱格式。
+Purpose: 用于用户注册流程中的输入验证。
+Expectation: 函数应该使用正则表达式，包含错误处理，并附带使用示例和单元测试。
+```
+
+### 示例4：内容创作
+```
+Action: 为新推出的健身应用写5条社交媒体帖子。
+Purpose: 吸引健身爱好者下载和试用应用。
+Expectation: 每条帖子50-80字，风格活泼有感染力，包含行动号召和相关话题标签。
+```
+
+### 示例5：研究总结
+```
+Action: 总结关于远程工作对员工生产力影响的最新研究。
+Purpose: 为公司制定混合工作政策提供证据支持。
+Expectation: 总结应包含5-7个关键发现，正反观点均需涵盖，附带数据来源引用。
+```
+
+### APE与其他框架对比
+
+| 框架 | 核心元素 | 复杂度 | 适用场景 |
+|------|----------|--------|----------|
+| APE | 行动、目的、期望 | 低 | 快速简单任务 |
+| RACE | 角色、行动、上下文、期望 | 中 | 需要角色定义 |
+| CRISPE | 清晰、相关、迭代、具体、参数、示例 | 高 | 复杂迭代任务 |