用途：该技能面向 LLM 提示工程，帮助设计、优化和评估提示词，以提升模型在多种任务上的表现。适用场景包括为新 LLM 应用设计提示、优化现有提示的准确率或效率、实现思维链或少样本学习、创建带人设与护栏的系统提示、构建结构化输出模式（JSON 模式、函数调用）、开发提示评估与测试框架、调试不一致或低质量输出，以及在不同模型或供应商之间迁移提示。
主要能力：提供提示模式（零样本、少样本、思维链、ReAct）、优化（迭代改进、A/B 测试、减少 token）、评估（指标、测试套件、自动化评估）、结构化输出（JSON 模式、函数调用、模式设计）、系统提示（人设设计、护栏、注入防御）和上下文管理（注意力预算、退化模式、上下文优化）等参考指南。
使用方式：核心工作流为理解需求、设计初始提示、测试与评估、迭代优化、文档化与部署。若测试集准确率低于 80%，先识别失败模式再迭代。调试时一次只改一处。交付时提供最终提示（含角色、任务、约束、格式）、测试用例与评估结果、使用说明（温度、最大 token、模型版本）、性能指标与基线对比、已知限制与边界情况。
限制与约束：必须用多样且真实的输入（含边界情况）测试提示，用定量指标衡量表现，系统化版本管理，记录预期行为与已知限制，少样本示例需匹配目标分布，验证结构化输出符合模式，考虑 token 成本与延迟，生产部署前跨模型版本测试。不得未经系统评估就部署，不得使用与指令矛盾的少样本示例，不得忽视模型特定能力与限制，不得跳过边界测试，调试时不得同时做多处修改，不得在提示或示例中硬编码敏感数据，不得假设提示可完美跨模型迁移，不得忽视生产中的提示退化监控。参考文件覆盖 GPT-4、Claude 和 Gemini 系列模型特定指导。