prompt-engineering-patterns

用途

Prompt Engineering Patterns 是一套用于设计和优化大语言模型（LLM）提示的高级技能，目标是提升 LLM 的性能、可靠性与可控性。它适合需要为生产级 LLM 应用构建提示、优化提示一致性与效果、实现结构化推理、构建少样本学习系统、创建可复用模板、调试不稳定输出，以及为专用 AI 助手编写系统提示的场景。

主要能力

少样本学习（Few-Shot Learning）：示例选择策略（语义相似度、多样性采样）、在示例数量与上下文窗口限制之间取得平衡、用输入-输出对构建有效示范、从知识库动态检索示例、通过策略性示例选择处理边缘情况。
思维链提示（Chain-of-Thought Prompting）：逐步推理引导、零样本 CoT（“Let's think step by step”）、带推理轨迹的少样本 CoT、自洽性技术（采样多条推理路径）、验证与校验步骤。
提示优化（Prompt Optimization）：迭代式改进工作流、提示变体的 A/B 测试、衡量提示性能指标（准确率、一致性、延迟）、在保持质量的同时减少令牌用量、处理边缘情况与失败模式。
模板系统（Template Systems）：变量插值与格式化、条件提示段落、多轮对话模板、基于角色的提示组合、模块化提示组件。
系统提示设计（System Prompt Design）：设定模型行为与约束、定义输出格式与结构、确立角色与专业领域、安全准则与内容政策、上下文设定与背景信息。

使用方式

技能提供快速开始示例，使用 PromptTemplate 与 FewShotSelector 构建结构化提示：

from prompt_optimizer import PromptTemplate, FewShotSelector

# Define a structured prompt template
template = PromptTemplate(
    system="You are an expert SQL developer. Generate efficient, secure SQL queries.",
    instruction="Convert the following natural language query to SQL:\n{query}",
    few_shot_examples=True,
    output_format="SQL code block with explanatory comments"
)

# Configure few-shot learning
selector = FewShotSelector(
    examples_db="sql_examples.jsonl",
    selection_strategy="semantic_similarity",
    max_examples=3
)

# Generate optimized prompt
prompt = template.render(
    query="Find all users who registered in the last 30 days",
    examples=selector.select(query="user registration date filter")
)

关键模式包括：

渐进式披露（Progressive Disclosure）：从简单提示开始，仅在需要时增加复杂度。Level 1 直接指令（“Summarize this article”）；Level 2 增加约束（“Summarize this article in 3 bullet points, focusing on key findings”）；Level 3 增加推理（“Read this article, identify the main findings, then summarize in 3 bullet points”）；Level 4 增加示例（包含 2-3 个带输入-输出对的示例摘要）。
指令层级（Instruction Hierarchy）：[System Context] → [Task Instruction] → [Examples] → [Input Data] → [Output Format]。
错误恢复（Error Recovery）：构建能优雅处理失败的提示，包括回退指令、请求置信度分数、在不确定时请求替代解释、指定如何标示缺失信息。

与 RAG 系统集成示例：

prompt = f"""Given the following context:
{retrieved_context}

{few_shot_examples}

Question: {user_question}

Provide a detailed answer based solely on the context above. If the context doesn't contain enough information, explicitly state what's missing."""

与验证集成示例：

prompt = f"""{main_task_prompt}

After generating your response, verify it meets these criteria:
1. Answers the question directly
2. Uses only information from provided context
3. Cites specific sources
4. Acknowledges any uncertainty

If verification fails, revise your response."""

适用场景

为生产级 LLM 应用设计复杂提示
优化提示性能与一致性
实现结构化推理模式（思维链、思维树）
构建带动态示例选择的少样本学习系统
创建带变量插值的可复用提示模板
调试与改进产生不一致输出的提示
为专用 AI 助手实现系统提示

最佳实践与常见陷阱

最佳实践：具体明确（模糊提示会产生不一致结果）；展示而非描述（示例比描述更有效）；广泛测试（在多样且有代表性的输入上评估）；快速迭代（小改动可能带来大影响）；监控性能（在生产中跟踪指标）；版本控制（将提示视为代码并妥善版本化）；记录意图（解释提示为何如此组织）。

常见陷阱：过度工程（在尝试简单提示前就使用复杂提示）；示例污染（使用与目标任务不匹配的示例）；上下文溢出（过多示例超出令牌限制）；指令含糊（留下多种解释空间）；忽视边缘情况（未在异常或边界输入上测试）。

性能优化

令牌效率：删除冗余词句；首次定义后一致使用缩写；合并相似指令；将稳定内容移至系统提示。

延迟降低：在不牺牲质量的前提下最小化提示长度；对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。

资源与成功指标

资源包括：references/few-shot-learning.md（示例选择与构建深入讲解）、references/chain-of-thought.md（高级推理引导技术）、references/prompt-optimization.md（系统化改进工作流）、references/prompt-templates.md（可复用模板模式）、references/system-prompts.md（系统级提示设计）、assets/prompt-template-library.md（经过实战检验的提示模板）、assets/few-shot-examples.json（精选示例数据集）、scripts/optimize-prompt.py（自动化提示优化工具）。

成功指标（KPI）：准确率（输出正确性）、一致性（相似输入的可复现性）、延迟（响应时间 P50、P95、P99）、令牌用量（每请求平均令牌数）、成功率（有效输出百分比）、用户满意度（评分与反馈）。

限制

仅当任务明确匹配上述范围时使用本技能。不要将输出视为环境特定验证、测试或专家评审的替代品。如果缺少必需输入、权限、安全边界或成功标准，应停止并请求澄清。