用途：把系统提示（system prompt）当作教材来写，通过显式编码策略提升 LLM 行为的可预测性与可教学性。核心观点是：除预训练、微调、强化学习外，系统提示学习是被严重低估的第四种学习范式，比重新训练更省样本，比指望模型自行领悟更可靠。
主要能力：提供三层框架——第一层 Exposition（背景知识、术语、上下文），第二层 Worked Examples（逐步推理的示范示例），第三层 Strategy（IF/THEN/BECAUSE 形式的显式决策规则、需避免的错误模式与边界情况）。另含针对编码、分析、创意写作任务的策略编码模板，以及改进现有提示的诊断流程（分析缺失的背景、应补的示例、可防错的规则、是否过严或过泛）。
使用方式：从零构建时，填写任务描述、当前失败模式、期望行为，按三层结构撰写，并以 3-5 项质量检查清单收尾。改进现有提示时，粘贴当前提示、失败模式与好坏输出示例，输出带注释的改进版。还提供元提示（借助 LLM 写提示）、提示版本控制（像代码一样记录每次变更、原因与结果）以及 Prompt Contract（从反复出现的错误中提炼触发条件、正确策略、反模式、前后对比示例和少于 200 词的指令块）。
适用场景：Agent 反复犯同一类错误时；需要沉淀可复用提示策略时；属于“反偏见决策”工作流第 3 步（沉淀），上游为 karpathy-understanding-first，完整链路为 llm-simulator → understanding-first → system-prompt-learning，也可在日常开发中独立使用。
限制：资料未提供具体收费、价格、平台支持范围或量化效果数据；验证清单要求指令块在新测试用例上验证有效，但未给出具体验证工具或步骤。