用途
该技能面向编写 LLM 交互内容的场景，包括为 Agent 编写命令、钩子、技能，以及为子智能体或其他 LLM 调用编写和优化提示词。其目标是通过系统化的提示工程技巧，提升模型输出的准确性、一致性与可控性。
主要能力
-
少样本学习：用 2-5 组输入输出示例示范期望行为，而非解释规则。适用于需要统一格式、特定推理模式或处理边界情况的场景。示例越多越准确，但会消耗 token，需按任务复杂度权衡。资料给出了从客服工单中抽取关键信息的示例。
-
思维链提示：在给出最终答案前要求逐步推理。可加入“Let's think step by step”（零样本）或提供推理过程示例（少样本）。适用于多步逻辑、数学推理或需要核查模型思考过程的场景。资料称其可将分析类任务准确率提升 30-50%，并给出分析缺陷报告根因的分步示例。
-
提示词优化：通过测试与迭代系统改进提示词。从简单版本开始，测量准确率、一致性、token 用量等指标，在多样输入（含边界用例）上测试，并用 A/B 测试比较变体。资料以“总结文章”为例展示从简单指令到增加约束、再到增加推理的三版演进。
-
模板系统：用变量、条件段和模块化组件构建可复用提示结构，适用于多轮对话、角色化交互或同一模式复用于不同输入的场景。资料给出代码审查模板的 Python 示例。
-
系统提示设计：设置跨对话持续生效的全局行为与约束，定义模型角色、专业水平、输出格式与安全准则。稳定指令放在系统提示中，可把用户消息的 token 留给可变内容。资料给出后端工程师角色的示例。
结构模式
- 渐进式披露：从直接指令开始，按需增加约束、推理步骤和示例，共分四级。
- 指令层级：系统上下文 → 任务指令 → 示例 → 输入数据 → 输出格式。
- 错误恢复：加入兜底指令、请求置信度评分、不确定时要求给出替代解释、说明如何标注缺失信息。
最佳实践与常见误区
最佳实践包括：指令具体、用示例代替描述、在多样输入上充分测试、快速迭代、生产环境监控性能、像管理代码一样对提示词做版本控制、记录设计意图。
常见误区包括：在尝试简单方案前就过度设计、示例与目标任务不匹配（示例污染）、示例过多导致上下文溢出、指令歧义、忽视边界用例。
集成模式
- 与 RAG 系统结合：将检索到的上下文与少样本示例、用户问题组合，要求仅依据上下文作答，信息不足时明确说明缺失内容。
- 与验证结合：在主任务后追加自检步骤，核对是否直接回答问题、是否只使用给定上下文、是否引用具体来源、是否说明不确定性，未通过则修订。
性能优化
- Token 效率：删除冗余词句、首次定义后统一使用缩写、合并相似指令、把稳定内容移入系统提示。
- 降低延迟：在不牺牲质量的前提下缩短提示、长文本输出使用流式、缓存常见提示前缀、尽可能批量处理相似请求。
Agent 提示最佳实践
资料引用 Anthropic 官方 Agent 提示最佳实践，核心要点包括：
- 上下文窗口：上下文窗口是模型生成新文本时可回看的全部文本，相当于“工作记忆”。对话逐轮累积，历史完整保留，用量随轮次线性增长；资料以 200K token 容量为例说明输入阶段包含全部历史加当前消息，输出阶段生成的文本会成为后续输入的一部分。
- 精简优先：提示词与系统提示、对话历史、其他命令和技能共享上下文窗口。默认假设模型已足够聪明，只补充其不具备的信息，并逐条质疑每段内容是否值得其 token 成本。资料用 PDF 文本提取的正反例对比约 50 token 与约 150 token 的写法差异。
- 自由度分级：按任务的脆弱性和变化程度匹配具体程度。高自由度（文本指令）适用于多种做法均可行、依赖上下文判断的场景；中自由度（带参数的伪代码或脚本）适用于存在偏好模式但允许一定变化的场景；低自由度（具体脚本、少参数）适用于操作脆弱易错、必须严格一致的场景。资料用“两侧悬崖的窄桥”与“开阔场地”作类比。
- 说服原则：详细内容指向 references/persuasion-principles.md。
适用场景
需要提升 LLM 输出一致性、可验证性和成本效率的提示词编写与调优工作，尤其是生产环境提示词、Agent 指令、子智能体提示、RAG 问答提示和代码审查类模板。
限制
资料未提供该技能的安装方式、依赖、平台支持范围、收费信息或量化效果基准（除思维链准确率提升的笼统表述外）。200K token 容量仅为资料中的举例说明，不代表所有模型。