用途：面向 LLM 提示编写与优化、RAG 系统构建、智能体工作流设计的实践指南。
主要能力：
- 提示结构：角色/上下文、任务、格式、示例、约束等核心组件及适用条件。
- 提示模式：思维链（Chain of Thought）、少样本、角色扮演、结构化输出、自洽性等。思维链变体包括标准 CoT、零样本 CoT、结构化 CoT、Self-Ask、Tree of Thought。
- 少样本学习：示例选择标准（代表性、多样性、边界情况、格式一致）与示例数量权衡（0、2-3、5+）。
- RAG 系统设计：流程为 Query → Embed → Search → Retrieve → Augment Prompt → Generate；分块策略含固定大小、按句、按段、语义；检索质量因素含分块大小、重叠、元数据过滤、重排序、混合搜索。
- 智能体模式：ReAct（Thought/Action/Observation/Repeat）与工具设计原则（单一用途、清晰描述、结构化输入、信息性输出、错误信息）。
- 提示优化：Token 效率技巧与质量改进技巧。
- 常见任务模式：抽取、分类、摘要、生成、问答。
使用方式：资料未提供安装命令或代码示例，仅给出参考资源链接：Anthropic Prompt Engineering（https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering）与 OpenAI Cookbook（https://cookbook.openai.com/）。
适用场景：优化 LLM 提示、构建 RAG 系统、设计智能体工作流、创建少样本示例、构建思维链推理。
限制：资料未说明具体平台、收费、价格或效果数据；部分内容以表格形式呈现，此处仅作要点归纳。