用途：该资料是一份提示词工程指南，用于提升大语言模型的性能、可靠性与可控性，适合想改进提示词、学习提示策略的用户。
主要能力：一、少样本学习，用2至5组输入输出示例演示期望行为，适合统一格式、特定推理模式或边界情况，示例越多越准但更耗token。二、思维链提示，在给出最终答案前要求逐步推理，可加“Let's think step by step”，适用于多步逻辑与数学推理，资料称分析类任务准确率可提升30%至50%。三、提示优化，从简单版起步，测量准确率、一致性与token用量后迭代，并用A/B测试比较变体。四、模板系统，用变量、条件段落与模块化组件构建可复用提示，适合多轮对话与角色交互。五、系统提示设计，设定贯穿对话的角色、专业水平、输出格式与安全规则。
关键模式与用法：渐进式披露，从直接指令逐级添加约束、推理与示例；指令层级为系统上下文、任务指令、示例、输入数据、输出格式；错误恢复可加入回退指令、置信度与缺失信息标注方式。
最佳实践：具体明确、以示例代替说明、在多样输入上充分测试、快速迭代、监控生产指标、将提示词纳入版本控制并记录设计意图。
常见陷阱：过早过度设计、示例与目标任务不匹配、示例过多导致上下文溢出、指令含糊、忽视边界情况。
限制：资料未提供安装命令、收费信息、支持平台与具体效果数据，除准确率提升区间外的量化结论暂未提供。