prompt-engineering-patterns

用途：面向生产 LLM 应用，系统化设计、优化、调试提示词，提升输出性能、一致性与可控性。主要能力分六类：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）；思维链提示（零样本与少样本推理轨迹、自一致性多路径采样、验证步骤）；结构化输出（JSON 模式、Pydantic schema 约束、类型安全解析与异常处理）；提示词优化（迭代改进、A/B 测试、准确率/一致性/延迟指标、token 压缩）；模板系统（变量插值、条件段落、多轮对话、角色化组合、模块化组件）；系统提示设计（行为约束、输出格式、角色专长、安全策略）。另有集成模式（RAG 基于上下文回答并标注引用、生成后自验证）与性能优化（精简提示、用 cache_control 缓存公共前缀）。快速开始示例使用 langchain_anthropic 的 ChatAnthropic 配合 with_structured_output、Pydantic 模型与 ChatPromptTemplate 构建链；文档还给出情感分析、自验证思维链、动态少样本选择、渐进式披露、错误回退、角色化系统提示等代码模式。适用场景：生产 LLM 应用提示设计、输出格式不稳定需结构化、构建 few-shot 系统、专用助手系统提示、需评测与监控提示质量时。限制与注意：技能本身为提示工程方法论与示例集合，未提供收费、价格、平台支持范围等事实，这些暂未提供；示例依赖特定模型与库（如 claude-sonnet-4-6、Anthropic、LangChain、VoyageAI、Chroma），实际可用性取决于对应服务；常见陷阱包括过度设计、示例污染、上下文溢出、指令歧义、忽略边界情况、缺少错误处理与硬编码值；建议将提示词纳入版本控制并跟踪准确率、一致性、延迟、token、成功率与用户满意度等指标。