用途：帮助用户改进提示词、学习提示策略，提升大语言模型的性能、可靠性与可控性。
主要能力：
- 少样本学习：用2-5个输入输出示例示范期望行为，适合需要一致格式、特定推理模式或处理边界情况的场景；示例越多越准但消耗token，需按任务复杂度权衡。
- 思维链提示：在最终答案前要求逐步推理，可加“Let's think step by step”（零样本）或给出推理示例（少样本），适合多步逻辑、数学推理或需核验思考过程的复杂问题。
- 提示优化：从简单开始，测量准确率、一致性与token用量，再迭代，用多样输入含边界情况测试，可用A/B测试比较版本。
- 模板系统：用变量、条件段落与模块化组件构建可复用提示结构，适合多轮对话、角色化交互或同一模式套用不同输入。
- 系统提示设计：设定跨对话持续的全局行为与约束，定义角色、专业水平、输出格式与安全准则。
关键模式：渐进式披露（从直接指令逐级加约束、推理、示例）；指令层级（系统上下文→任务指令→示例→输入数据→输出格式）；错误恢复（回退指令、置信度、替代解释、缺失信息标注）。
最佳实践：具体明确、以示例代替描述、广泛测试、快速迭代、监控生产指标、对提示做版本控制、记录设计意图。
常见陷阱：过度设计、示例与目标任务不匹配、上下文溢出、指令含糊、忽略边界情况。
限制：资料未提供具体平台、收费、价格或安装命令等信息。