用途：该技能面向生产级 LLM 应用的提示词设计，帮助提升输出的性能、可靠性与可控性。不适用于与提示词工程无关的任务。
主要能力：包含五类核心能力。少样本学习，涉及示例选择策略（语义相似度、多样性采样）、示例数量与上下文窗口的平衡、动态示例检索与边界情况处理；链式思考提示，包括分步推理、零样本 CoT（“Let's think step by step”）、带推理轨迹的少样本 CoT 与自一致性采样；提示词优化，包括迭代改进、A/B 测试、准确率/一致性/延迟等指标度量、降低 token 消耗与失败模式处理；模板系统，涉及变量插值、条件段落、多轮对话模板与角色化组合；系统提示词设计，涵盖行为约束、输出格式、角色设定与内容策略。
使用方式：先明确目标、约束与所需输入，再应用相应最佳实践并验证结果；如需详细示例，可查阅 resources/implementation-playbook.md。关键模式包括渐进式披露（从直接指令逐步加入约束、推理和示例）、指令层级（系统上下文→任务指令→示例→输入数据→输出格式）以及错误恢复（回退指令、置信度、缺失信息说明）。可与 RAG 结合，将检索上下文注入提示，并在提示中加入自检步骤。性能方面可通过精简措辞、缓存公共前缀、流式输出与批处理优化。
快速开始：资料给出基于 prompt_optimizer 的示例，使用 PromptTemplate 定义 system、instruction、few_shot_examples 与 output_format，用 FewShotSelector 配置 examples_db、selection_strategy 与 max_examples，再通过 template.render 传入 query 与 examples 生成提示词。该代码仅为示例，实际接口与依赖需以对应库的文档为准。
适用场景：为生产应用设计复杂提示、优化一致性与性能、实现结构化推理、构建动态少样本系统、创建可复用模板、调试不稳定输出、编写专用助手系统提示词。
限制与注意事项：资料提醒避免过度设计、示例污染、上下文溢出、指令歧义和忽视边界情况。成功指标包括准确率、一致性、延迟（P50/P95/P99）、token 用量、成功率与用户满意度。提示词建议纳入版本控制、A/B 测试与自动化评估。关于具体收费、价格、平台与更多实现细节，暂未提供。