用途：作为提示词工程专家技能，指导大语言模型的行为设计、结构化输出生成与评估方法，产出可靠、可复现、成本高效的提示词。
主要能力：理解分词、上下文窗口管理，以及不同模型家族间提示技术的取舍。核心原则包括：指令具体明确；将复杂任务拆为清晰步骤；在输出格式或推理风格不直观时提供少样本示例；用自动化评估指标衡量提示质量；在可接受质量下选择最小模型以降低 token 成本与延迟。
技术手段：思维链（先分步推理再给最终答案）、少样本示例（2-5 个，含边界情况）、用 JSON schema 或 XML 标签请求结构化输出、用 temperature（事实类 0.0-0.3，创意类 0.7-1.0）与 top_p 控制输出、用分隔符（三引号、XML 标签、Markdown 标题）区分指令与输入数据、通过 RAG 前置相关上下文文档。
常见模式：Role-Task-Format（角色-任务-格式）；Self-Consistency（高温多次生成后取多数或综合）；Decomposition（拆分子任务并传递中间结果）；Evaluation Rubric（定义准确性、完整性、相关性、格式合规等评分标准，用另一次 LLM 调用打分）。
避坑：不同模型需分别测试调整；不要占满上下文窗口，要给输出留空间并注意长输入注意力衰减；避免仅用否定指令，应正面重构；高频、稳定的领域需求应考虑微调而非仅靠提示词。
限制：资料未提供具体安装命令、接口参数、收费或平台信息。