定义（本质）：
提示词工程本质是“概率校准” 所有框架的终极目标是压缩模型输出的概率分布，将“可能正确的答案”收敛为“确定正确的答案”。
本人之前的理解-AI 提问万能公式：
赋予角色+现在是什么情况 （要尽可能去阐述的清晰透彻）+我想要实现（达到）一个怎样的效果+限制条件（可选）
友情提示：
一、你的直觉是否足够敏锐、你是否可以一眼看到问题的本质、你对于这个问题的理解是否足够清晰
二、人的说话都有表里两层意思（anyone，包括本人），想要用好 AI 提问 ，前提是你说的话要尽可能地直白通透（三核心原则：精简、清晰、可量化）
对话一：
那么研发工程师在实际解决问题的过程中呢？用户在聊天解决生活问题的情况又该如何？赋予角色+现在是什么情况 （要尽可能去阐述的清晰透彻）+我想要实现（达到）一个怎样的效果+限制条件（可选）这个公式是否还适用？到底是简短还是详细？
一、研发工程师解决问题：必须保留技术约束，但需极致精简
1. 公式改造原则
- 角色：仅保留不可推断的专业纵深（例：不是“工程师”，而是“有3年车规级MCU经验的嵌入式工程师”）。
- 现状：只提取关键参数，删除过程描述。 错误示范： “上周测试发现电机驱动模块在-20℃下PWM占空比漂移15%，我们排查了电源噪声和时钟抖动，但示波器抓不到异常…” 正确写法： “车规MCU（型号STM32H743）驱动电机时，-20℃环境下PWM占空比漂移15%（实测数据：25℃→99.2%，-20℃→84.5%）”。
- 目标：绑定量化指标，避免主观表述。 错误示范： “让系统更稳定” 正确写法： “将PWM漂移控制在±3%内（符合ISO 16750-4温度循环标准）”。
- 限制：仅保留硬性约束（安全/成本/时间），删减软性偏好。 错误示范： “最好用低成本方案，别用太复杂的算法…” 正确写法： “BOM成本≤$0.8，不增加新芯片，48小时内可验证”。
2. 为何必须精简？
- 模型认知负荷：GPT-5.5的注意力机制对关键参数密度敏感。实测显示，当提示词中有效参数占比<30%时，解决方案错误率上升52%7。
- 工程化需求：研发问题需机器可解析的约束。
### 输入条件
– 温度范围：-40℃ ~ 85℃
– 漂移阈值：|Δduty| ≤ 3% @ -20℃
### 输出要求
– 方案必须基于现有硬件（STM32H743）
– 验证步骤：1. 修改TIMx寄存器 2. -20℃恒温箱测试
