用途：面向生产级 LLM 应用的提示工程技能，目标是提升模型输出的性能、可靠性与可控性。适用于设计复杂提示、优化提示一致性与性能、实现结构化推理、构建少样本学习系统、创建可复用模板、调试输出不稳定的提示、编写系统提示以及使用 JSON 结构化输出等场景。
主要能力：
- 少样本学习：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、输入输出演示构造、从知识库动态检索示例、通过示例处理边界情况。
- 思维链：逐步推理引导、零样本 CoT（Let's think step by step）、带推理轨迹的少样本 CoT、自一致性（采样多条推理路径）、验证与校验步骤。
- 结构化输出：JSON 模式、Pydantic 模式约束、类型安全响应处理、对畸形输出的错误处理。
- 提示优化：迭代改进、A/B 测试变体、度量准确率/一致性/延迟、在保证质量前提下减少 token、处理边界与失败模式。
- 模板系统：变量插值与格式化、条件段落、多轮对话模板、基于角色的提示组合、模块化组件。
- 系统提示设计：设定模型行为与约束、定义输出格式、确立角色与专长、安全与内容政策、背景信息设定。
使用方式：资料提供 Python 代码示例，涉及 langchain_anthropic、langchain_core、pydantic、anthropic、langchain_voyageai、langchain_chroma 等库。示例包括：用 Pydantic 定义结构化输出模式并以 with_structured_output 约束模型；用 ChatPromptTemplate 构建系统与用户消息模板并组合成链；少样本示例选择用 SemanticSimilarityExampleSelector 与向量库；错误恢复用 try/except 捕获 JSONDecodeError 与 ValidationError 后回退到简单提示；性能优化可用提示缓存（cache_control: ephemeral）。具体安装命令与完整代码资料中未逐条提供，需按所用库自行查阅。
适用场景与限制：适合生产 LLM 应用的提示设计与调优、RAG 问答、需可靠解析的结构化任务、客服与代码审查等角色化系统提示。限制方面：资料主要基于 Anthropic Claude 与 LangChain 生态，示例模型为 claude-sonnet-4-5，其他模型或框架需适配；资料未提供价格、收费、部署环境与效果基准数据，这些信息暂未提供。