用途：提供跨模型通用的提示词编写与优化方法，适用于起草、优化或审查任意 LLM 的提示词。
主要能力：一是用 XML 标签分区（如 context、instructions、examples、output_format）提升清晰度与可解析性；二是通过 output_spec 控制长度与结构；三是用 constraints 防止范围蔓延；四是用 uncertainty_handling 处理歧义、避免虚构；五是长上下文（>10k tokens）再锚定；六是面向智能体的工具使用、进度更新与自检规则；七是结构化抽取需提供 schema、缺失字段置 null；八是网络研究指南（引用来源、多源验证）。
使用方式：在提示词中嵌入上述标签块并保持一致命名，显式引用标签内容；抽取任务给出 JSON schema；审计提示词时按清晰度、结构、安全、事实性、上下文管理、可维护性、模型适配、评估就绪八个维度检查，输出问题表与改写建议。
还提供技术目录（零样本、少样本、思维链、自一致性、提示链、思维树、RAG、ReAct、Reflexion 等）以及 Claude、GPT-5、Gemini 3 等模型家族的特定参数与迁移注意事项，并含常见错误与反模式分类。
限制：以上为技能文档所列方法，具体模型参数与行为可能随版本变化；价格、平台支持、实际效果等资料未提供。使用时需配置好模型与工具环境，并自行评估效果。