用途：该技能在需要设计、优化或调试 LLM 提示时使用，覆盖生产应用中的复杂提示设计、一致性优化、结构化推理、少样本系统、可复用模板及系统提示编写等场景。
主要能力：1）少样本学习，含基于语义相似度与多样性采样的示例选择、示例数量与上下文窗口的平衡、动态示例检索及边界情况处理；2）思维链，含零样本 CoT（Let's think step by step）、带推理轨迹的少样本 CoT、自洽性多路径采样及验证步骤；3）结构化输出，含 JSON 模式、Pydantic 模式约束、类型安全响应与格式错误处理；4）提示优化，含迭代改进、A/B 测试、准确率/一致性/延迟等指标度量、在保证质量下减少 token 用量；5）模板系统，含变量插值、条件段落、多轮对话模板、基于角色的组合与模块化组件；6）系统提示设计，含行为与约束设定、输出格式定义、角色设定、安全准则与上下文背景。
使用方式：资料给出基于 LangChain 与 Anthropic 的快速开始示例，用 ChatPromptTemplate 构建提示，用 Pydantic 定义结构化输出模式，通过 llm.with_structured_output(SQLQuery) 获得结构化结果，并以链式调用执行。更详细的模式文档位于 references/details.md。
适用场景：生产级 LLM 应用提示设计、提示性能与一致性调优、结构化推理实现、带动态示例选择的少样本系统、可复用提示模板构建、不一致输出的调试，以及专用 AI 助手的系统提示编写。
限制与建议：资料列出常见误区，包括过度设计、示例与任务不匹配、上下文溢出、指令歧义、忽略边界情况、缺少错误处理及硬编码值。建议具体明确、以示例说明、使用结构化输出、充分测试、快速迭代、监控性能、对提示做版本控制并记录设计意图。可跟踪准确率、一致性、延迟（P50、P95、P99）、token 用量、成功率和用户满意度等指标。具体收费、价格与平台支持范围暂未提供。