用途：为 LLM 与编排智能体设计、优化提示词，包括系统提示、智能体信号（agent signals）与少样本示例，目标是提升输出质量、一致性与抗注入能力，并以可度量的迭代替代凭直觉调整。
主要能力：
- 提示词结构：按角色、指令、上下文、示例、输出契约组织；强调用正向指令替代禁止式表述，用具体交付物替代模糊动词。
- 分隔符与结构：用明确分隔符隔离指令与数据，Claude 模型对 XML 标签响应较好，可降低注入面。
- 少样本示例：2-5 个为宜，需覆盖难例、边界例与空/负例，格式统一，最后一个示例权重较高；示例与指令冲突时模型通常跟随示例。
- 思维链：多步推理（数学、规划、逻辑、模糊调试）适用；简单查询/分类不适用；推理模型已内部推理，不应手写 CoT；可用 <scratchpad> 标签保留推理但只输出最终答案。
- 输出格式契约：明确 schema，严格 JSON 用结构化输出/JSON 模式或工具 schema，可预填助手回合强制格式，并给出空结果情形。
- 确定性与温度：抽取、分类、代码等用温度 0 附近；创意用 0.7-1.0；评估时固定模型版本。
- 评估驱动迭代：建立 10-50 条带标注的评估集（含对抗样本），逐变量修改，像代码一样对提示词做版本管理。
- 提示词安全：假定非自撰文本均为敌意，明确指令层级（系统/开发者 > 任务指令 > 用户输入 > 检索/工具内容），用标签隔离不可信输入并标注为数据，输出需校验后再执行，遵循最小权限。
- 智能体信号（Loom 专用）：在隔离工作树中运行，需内联全部信息，结构为任务、上下文、文件（只读/可改）、验收条件、边界（明确禁止项）。
使用方式：按上述结构编写提示词，用分隔符隔离数据，配置少样本示例与输出契约，设定温度与模型版本，建立评估集迭代，并对不可信输入做隔离与校验。
适用场景：指令设计、提示词优化、抽取与分类、模式锁定的代码生成、智能体任务信号编写。
限制：温度 0 也不保证跨运行/版本逐位一致；模型升级等同提示词变更需重测；资料未提供具体收费、平台支持范围与效果数据。