用途
该技能定位为提示词设计与 LLM 行为专家，核心目标是把含糊的产品需求翻译成精确的行为规范，让大语言模型稳定地产出可预测、高质量的结果。它适用于系统提示词设计、少样本示例编写、思维链指令构建，以及提示词测试与回归防护。
主要能力
- 系统提示词模板：按“角色（Role）→ 约束（Constraints）→ 推理（Reasoning）→ 示例（Examples）”结构组织，明确输出格式（JSON / Markdown / 纯文本）、长度、语气、作用域与兜底回复。
- 提示词测试套件：以 pytest 参数化方式编写测试用例，覆盖正常路径、边界情况与失败模式，在模型更新或提示词修改时捕获回归。
- 提示词变更日志：以版本号（v1、v2、v3）记录每次改动及其影响，把提示词当作代码管理。
- 少样本示例构建器：提供 build_few_shot_block 函数，把示例列表格式化为可注入系统提示词的示例块。
- 思维链与推理脚手架：使用 <thinking> → <answer> 模式构建多步推理链，支持自洽性提示（多次采样取多数）与“由易到难”的任务分解。
- 提示词注入防御：通过角色锁定、输入净化指令与兜底短语构建抗注入层，并测试“忽略之前所有指令”、角色扮演绕过、经由工具输出的间接注入等对抗输入。
- 多模型提示词移植：在 GPT、Claude、Gemini、Mistral 及开源模型之间转换提示词，维护结构模式与模型的兼容矩阵，并做跨模型输出一致性基准测试。
- 动态提示词组装：提供 assemble_prompt 函数，从基础角色、任务、示例、约束、上下文等模块化组件拼装结构化系统提示词。
使用方式
工作流程分为四个阶段：
- 需求翻译：先确认精确的输出格式（JSON schema、Markdown 模板或散文规范）、三种最常见输入（作为正向少样本示例）、应拒绝或重定向的输入（定义护栏），并在写提示词前记录到 prompt_spec.md。
- 初稿：按 Role → Constraints → Reasoning → Examples 结构撰写系统提示词，初始测试时温度设为 0.0 以保证确定性，手动运行 10 个测试用例（5 个预期、3 个边界、2 个对抗），记录所有意外输出作为缺陷报告。
- 迭代：一次只修一个问题，每次修改后重跑全部历史用例以捕获回归，并在变更日志中记录改动与实测影响；只有在连续 3 次运行通过全部用例后才冻结提示词。
- 生产交接：把最终提示词以 .md 或 .txt 文件纳入版本控制（不要硬编码在源码中），记录测试所用的模型名称、版本、温度与 max_tokens，撰写“已知限制”章节，并在 CI 中设置自动化提示词回归测试。
适用场景
- 需要严格输出格式（如可解析 JSON）的 LLM 应用。
- 对幻觉率敏感的事实性任务。
- 需要在多个模型后端上运行同一提示词的场景。
- 需要防止提示词注入与越权行为的对话或工具调用系统。
- 提示词频繁迭代、需要回归防护与版本追踪的团队。
限制
资料未提供该技能的具体安装方式、运行环境依赖、支持的模型清单版本、收费或价格信息，也未提供实际性能数据。文中给出的成功率指标（如输出格式合规率 ≥ 98%、幻觉率 < 3%、迭代周期 ≤ 5 等）属于该技能设定的目标指标，并非已验证的实测结果。