用途：面向生产级 LLM 应用，系统化设计、优化与调试提示词，提升输出的性能、可靠性与可控性。适用于复杂提示设计、性能与一致性优化、结构化推理（思维链、思维树）、动态少样本学习、可复用模板、系统提示设计，以及排查输出不稳定的提示。
主要能力：少样本学习（语义相似度与多样性采样、示例数量与上下文窗口平衡、动态示例检索、边界情况处理）；思维链提示（分步推理、零样本 CoT、带推理轨迹的少样本 CoT、自洽性多路径采样、验证步骤）；提示词优化（迭代改进、A/B 测试、准确率/一致性/延迟指标、降低 token 消耗、失败模式处理）；模板系统（变量插值、条件段落、多轮对话模板、基于角色的组合、模块化组件）；系统提示设计（行为与约束、输出格式、角色与专长、安全准则、上下文设定）。
使用方式：资料给出 Python 示例，导入 PromptTemplate 与 FewShotSelector，定义 system、instruction、few_shot_examples、output_format，配置示例库、选择策略与最大示例数，再调用 render 生成提示。关键模式包括渐进式披露（从直接指令逐级增加约束、推理、示例）、指令层级（系统上下文→任务指令→示例→输入数据→输出格式）与错误恢复（回退指令、置信度、替代解释、缺失信息标注）。
适用场景：生产 LLM 应用、SQL 生成等结构化任务、RAG 结合检索上下文、带自校验的提示、需要版本管理与 A/B 测试的提示工程流程。
限制与注意：资料未提供具体收费、价格与平台支持信息；示例代码依赖 prompt_optimizer 模块，实际可用性暂未提供。常见陷阱包括过度工程、示例污染、上下文溢出、指令歧义与忽视边界情况。建议以准确率、一致性、延迟、token 用量、成功率与用户满意度作为衡量指标。