用途：该技能面向为生产环境设计复杂 LLM 提示的场景，用于优化提示性能与一致性、实现结构化推理、构建少样本系统、创建可复用模板、调试不稳定输出，以及为专用助手编写系统提示并使用结构化输出（JSON 模式）便于解析。
主要能力：一、少样本学习，包括按语义相似度或多样性选择示例、在示例数量与上下文窗口之间权衡、构造输入输出示范、动态检索示例、通过示例选择处理边缘情况。二、思维链提示，包括逐步推理诱导、零样本 CoT（Let's think step by step）、带推理轨迹的少样本 CoT、自洽采样多推理路径、验证与校验步骤。三、结构化输出，包括 JSON 模式、Pydantic 模式强制、类型安全响应处理、畸形输出错误处理。四、提示优化，包括迭代改进流程、A/B 测试变体、度量准确率/一致性/延迟、在保质量前提下降低 token 消耗、处理失败模式。五、模板系统，包括变量插值、条件段落、多轮会话模板、基于角色的组合、模块化组件。六、系统提示设计，包括设定行为与约束、定义输出格式、确立角色与专长、安全指南与内容政策、背景信息。
使用方式：文档给出基于 LangChain、Anthropic SDK 与 Pydantic 的示例。基础流程是用 ChatPromptTemplate.from_messages 构造带系统与用户消息的模板，用 Pydantic BaseModel 定义结构化输出模式，通过 llm.with_structured_output(SQLQuery) 绑定模式，再以 chain = prompt | structured_llm 组合并调用 await chain.ainvoke({...})。文档还提供六类关键模式：Pydantic 结构化输出、带自校验的思维链、动态示例选择的少样本、渐进披露（简单/加约束/加推理/加示例四级）、错误恢复与回退、基于角色的系统提示；以及 RAG 问答提示、先完成再按标准校验的提示写法、token 效率优化与用 prompt caching 缓存长系统提示的示例。
适用场景：生产 LLM 应用提示设计、输出需可靠解析的接口、客服与数据分析等角色化助手、需要推理与验证的复杂任务、RAG 问答，以及提示性能与成本优化。
限制：资料为技能说明与代码示例，未提供该技能的安装命令、依赖版本要求、收费或价格、平台支持范围与效果指标，这些暂未提供。文档强调避免过度工程、示例与任务不匹配、上下文溢出、指令含糊、忽略边缘情况、不做错误处理与硬编码等问题。