用途：面向开发者，提供可复用的提示工程模式代码与反模式清单，用于构建更可靠的 LLM 应用，涵盖分类、抽取、多步任务与安全性。
主要能力与用法：
- 思维链 + 少样本：通过系统提示要求先推理再给答案，并以多轮 assistant 消息构造示例，最后用正则解析代码与置信度。示例场景为临床笔记 ICD-10 编码分类。
- 结构化输出：用 instructor.from_anthropic 包装 Anthropic 客户端，配合 Pydantic 模型与 response_model 强制 schema，支持 max_retries 在校验失败时自动重试，返回带类型的实体抽取结果。
- ReAct 智能体：定义 TOOLS 的 input_schema，循环调用 messages.create，根据 stop_reason 判断 end_turn 或 tool_use，执行工具后以 tool_result 回填消息，设 max_steps 上限。示例工具为 search_documents 与 calculate（注意示例中 eval 仅为演示，生产应使用安全求值）。
- 提示注入防护：用 INJECTION_PATTERNS 正则检测并抛错，限制输入长度，转义尖括号，并把用户输入包裹在 <user_input> 分隔符中，声明其为数据而非指令。
- DSPy 优化：用 dspy.Signature 与 dspy.Module（ChainOfThought）定义任务，配合 metric 与 BootstrapFewShot 编译，再用 Evaluate 评分，并可将优化后的程序保存为 JSON。
适用场景：需要稳定结构化输出的信息抽取、多步工具调用任务、分类与情感判断，以及对外部输入不可信的对话系统。
限制与风险：资料未说明价格、平台支持与许可证信息，暂未提供。ReAct 示例中的 eval 存在安全风险，属演示性质，生产需替换为安全的数学求值。正则防护与长度截断不足以覆盖全部注入方式，需结合权限与隔离。DSPy 与 instructor 等依赖需要按各自文档单独安装配置。