用途：该技能聚焦为 LLM 应用设计与优化提示词（Prompt Engineering），通过系统化的提示结构、示例与推理技巧，提升模型输出的相关性、一致性和可控性。
主要能力：
- 基础提示结构：定义角色、任务、上下文、指令与输出格式。
- 少样本学习：通过示例引导模型完成分类等任务（如情感分类）。
- 思维链（CoT）：引导模型分步推理并给出最终答案。
- 自一致性：多次采样后取多数投票，提升答案稳定性。
- ReAct 模式：以 Thought/Action/Observation 交替格式支持推理与工具调用。
- 提示模板：按角色提供系统提示（专家顾问、代码助手、数据分析师）。
- 输出格式化：约束返回 JSON 或结构化 Markdown。
- 高级技巧：提示链、动态提示生成、格式校验重试。
- 最佳实践与常见问题排查：明确指令、提供示例、设定约束、使用分隔符、迭代优化、版本管理，以及输出不一致、幻觉、啰嗦、语气错误等问题的对应方案。
使用方式：可直接参考资料中的提示结构编写系统与用户消息，并通过 OpenAI 客户端调用，例如使用 from openai import OpenAI 和 client.chat.completions.create。也可结合少样本示例、CoT、自一致性和提示链的代码模式实现。
适用场景：需要为 LLM 应用构建稳定提示词、提升分类/推理/信息抽取/格式化输出效果的开发与产品场景。
限制：资料未提供具体收费、价格、平台支持范围或效果保证，相关内容暂未提供。