用途：面向希望改进提示词、学习提示策略与优化技巧的用户，提供提示词工程的模式、最佳实践与优化技术，目标是提升 LLM 的性能、可靠性与可控性。
主要能力：
- 少样本学习：用 2-5 个输入输出示例展示期望行为，适合需要一致格式、特定推理模式或处理边界情况；示例更多可提高准确率但消耗 token，需按任务复杂度权衡。
- 思维链提示：在最终答案前要求逐步推理，可加“Let's think step by step”（零样本）或加入示例推理轨迹（少样本），适合多步逻辑、数学推理或需要核查思考过程的场景。资料称其可将分析类任务准确率提升 30-50%。
- 提示词优化：从简单开始，测量准确率、一致性、token 用量等指标，再用多样化输入（含边界情况）与 A/B 测试迭代；适合对一致性与成本敏感的生产提示词。
- 模板系统：用变量、条件段落与模块化组件构建可复用提示结构，适合多轮对话、角色化交互或同一模式套用不同输入，减少重复并保证一致性。
- 系统提示设计：定义模型角色、专业程度、输出格式与安全准则，用于跨轮次稳定的全局约束。
常见模式：渐进披露（从直接指令逐级加入约束、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）、错误恢复（回退指令、置信度、替代解释、缺失信息标注方式）。
最佳实践：指令具体、用示例代替描述、在多样且有代表性的输入上充分测试、快速迭代、监控生产指标、像管理代码一样做版本控制、记录提示结构意图。
常见陷阱：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、指令歧义、忽略边界情况。
限制：仅在任务与上述范围明确匹配时使用；输出不能替代特定环境验证、测试或专家评审；若缺少必要输入、权限、安全边界或成功标准，应停止并请求澄清。资料未提供具体收费、价格或平台支持信息。