用途：该技能用于设计、优化和调试生产级 LLM 提示，覆盖复杂提示设计、性能与一致性优化、结构化推理模式、少样本学习系统、可复用模板以及专用助手系统提示等场景。
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（逐步推理、零样本 CoT、带推理轨迹的少样本 CoT、自一致性多路径采样、验证步骤）；提示优化（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，通过 from prompt_optimizer import PromptTemplate, FewShotSelector 定义模板与少样本选择器，再调用 template.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）和错误恢复（回退指令、置信度、替代解释、缺失信息标注）。可与 RAG 结合，将检索上下文与少样本示例拼入提示，并加入自验证步骤。
适用场景：生产 LLM 应用提示设计、提示一致性与性能调优、结构化推理、动态示例选择、可复用模板、系统提示编写、输出不一致的调试。
限制：不适用于与提示工程模式无关的任务或该范围外的领域与工具。资料未提供具体收费、价格、平台支持与效果数据。常见陷阱包括过度工程、示例污染、上下文溢出、指令歧义和忽略边界情况。