用途：面向生产环境的提示工程操作技能，用于设计、调试和发布 LLM 提示词，覆盖结构化输出、抽取、RAG、工具调用、改写、分类与发布流程。
主要能力：提供模式选择器（结构化输出、抽取器、RAG 工作流、私有推理、工具/智能体规划、改写约束、决策树、提示运维），以及提示骨架（输出契约、工具/智能体提示、基于检索的 RAG 提示）。强调契约先行、显式输出与拒答规则、schema 校验、引用校验、工具调用后校验与失败处理，并要求在发布前加入评测。
使用方式：先分类提示任务，从模板或厂商原生提示特性起步，而非从零编写；编写提示契约（任务、允许输入与工具、输出 schema 或格式、拒答或缺失数据行为）；加入验证器与对抗测试；在声称“最佳”设置前先核实当前厂商行为。缓存感知布局要求按最稳定到最不稳定排序：工具定义、系统策略、长参考文档与少样本示例、对话历史、当前请求；易变值放在最后一个缓存断点之后。
适用场景：结构化输出与字段抽取、基于检索的事实问答、隐藏推理、工具使用、文本改写、分类路由、提示发布与版本管理。
限制与注意事项：检索上下文、工具输出和用户文档应视为不可信数据；只并行真正独立的工具调用，写入与校验保持串行；不要要求暴露思维链；避免提示词泛滥、无校验的脆弱多步链、把产品文案与策略混在一条长提示中。提示质量依赖整个输入管线，深度检索或记忆设计应转交 ai-rag 或 ai-context-layer。已知陷阱包括围绕单一前沿模型设计契约、未先排查厂商安全分类器或模型更新就归因回归、缺少回归集就发布变更。脚本 scripts/prompt_regression_runner.py 可运行 JSONL 回归套件，仅校验预收集输出，支持有限 schema 关键字，其他关键字会被拒绝而非忽略。具体收费、价格与平台信息暂未提供。