用途
prompt-engineering 是一个关于提示词工程的技能资料，主题为跨任意模型或框架进行有效 LLM 交互的综合提示技术。它适合从零设计任意用例的提示词、学习可跨所有 LLM 适用的核心原则、采用不绑定特定框架的可移植模式、构建不依赖重依赖的简单 LLM 集成、优化既有提示词、为团队创建可复用提示模板、调试表现不佳的 LLM 应用，以及向他人教授提示词工程。
资料同时列出了不宜使用该技能的情况：需要框架专属功能时（改用 LangChain/DSPy）；需要程序化优化时（使用 DSPy）；构建生产级 RAG 系统时（使用 LangChain）；需要对话记忆管理时（使用相关框架）。
主要能力
该技能资料围绕以下核心能力展开，并配有代码模板。
-
零样本提示（Zero-Shot Prompting）：直接给出指令而不提供示例，适合简单且定义明确的任务。资料给出基础零样本、带角色的零样本（系统消息定义角色 + 用户任务），以及零样本分类模板（如把工程报告分类为 ANALYSIS、INSPECTION、DESIGN、INCIDENT、MAINTENANCE）。
-
少样本提示（Few-Shot Prompting）：通过示例引导，资料称通常 2 至 5 个示例效果最佳。提供基础的输入/输出示例拼接模板，以及跨类别均衡示例的构建方式（每个类别取一个示例）。
-
思维链提示（Chain-of-Thought）：用于分步推理。资料给出基础思维链模板（Step 1 到 Step 4 式引导）、零样本思维链（在问题后追加“Let's think step by step.”）、结构化思维链（理解、方法、计算、验证、答案分节），以及自一致性思维链（用多种路径求解后多数一致并给出置信度）。
-
系统提示设计（System Prompt Design）：包括基于角色的系统提示（定义角色、专长列表、沟通风格与约束），以及任务型系统提示，资料给出代码审查系统提示和文档分析系统提示两个完整示例，均规定响应格式与准则。
-
人格设计（Persona Design）：包括专家人格（姓名、头衔、经验年限、专长、代表性工作、沟通风格、行事方式），以及自适应人格（按 beginner/intermediate/expert 三种水平调整语言、解释、示例与假设，以便与用户专长匹配）。
-
结构化输出（Structured Output）：规定模型返回固定结构，资料提供 JSON 输出模板、Markdown 表格输出模板、XML 输出模板及其结构示例。
-
提示模板（Prompt Templates）：资料标题列出了可复用模板，但正文在该处截断。
资料还描述了“提示词工程循环”：定义目标、起草提示、测试、分析、优化、重复，直至质量达标；并给出提示词的解剖结构：系统上下文、任务描述、输入数据、输出格式、示例（可选）、约束。
使用方式
资料提供快速上手代码：使用 openai 库创建客户端，通过 client.chat.completions.create 传入 model、messages（含 system 与 user 角色）并打印返回内容。
前置条件（安装与环境变量）： OpenAI：pip install openai>=1.0.0；export OPENAI_API_KEY="sk-..." Anthropic：pip install anthropic>=0.5.0；export ANTHROPIC_API_KEY="sk-ant-..." Azure OpenAI：pip install openai>=1.0.0；export AZURE_OPENAI_ENDPOINT="https://..."；export AZURE_OPENAI_KEY="..." 可选测试依赖：pip install pytest promptfoo
整体使用策略是：先按模板构造提示（含系统消息与用户消息），再发送给所选 LLM，按提示循环反复测试与优化。
适用场景
资料给出的适用场景包括：从零设计提示词、学习通用核心原则、需要可移植模式、构建简单 LLM 集成、优化既有提示、创建团队可复用模板、调试表现不佳的应用、教授他人提示词工程。示例场景多为工程领域（如系泊系统、张力评估、工程报告分析、代码审查），但所述技术本身是通用提示技术。
限制
资料明确指出的限制与不适用情形包括：不适合需要框架专属功能、程序化优化、生产级 RAG 系统或对话记忆管理的场景，这些应改用 LangChain、DSPy 等框架。此外，可复用提示模板（Prompt Templates）部分在资料中未完整展开。除上述之外，关于收费、价格、平台、具体效果等信息暂未提供。