Prompt Engineering Patterns 是一个提示词工程技能，目标是帮助开发者掌握高级提示词工程技术，从而最大化大语言模型（LLM）的性能、可靠性与可控性。
何时使用 当需要为生产级 LLM 应用设计复杂提示词、优化提示词性能与一致性、实现结构化推理模式（如思维链、思维树）、构建带动态示例选择的少样本学习系统、创建支持变量插值的可复用提示模板、调试并改进输出不一致的提示词、为专用 AI 助手实现系统提示，或使用结构化输出（JSON 模式）以便可靠解析时，都可使用该技能。
核心能力
- 少样本学习：包括示例选择策略（语义相似度、多样性采样）、在上下文窗口限制下平衡示例数量、用输入-输出对构建有效演示、从知识库动态检索示例，以及通过有策略的示例选择处理边界情况。
- 思维链提示：包括逐步推理引导、使用“Let's think step by step”的零样本 CoT、带推理轨迹的少样本 CoT、自洽性技术（采样多条推理路径）以及验证与确认步骤。
- 结构化输出：包括用于可靠解析的 JSON 模式、Pydantic schema 约束、类型安全的响应处理，以及针对畸形输出的错误处理。
- 提示词优化：包括迭代改进流程、提示词变体的 A/B 测试、测量提示词性能指标（准确率、一致性、延迟）、在保持质量的同时减少 token 使用，以及处理边界情况与失败模式。
- 模板系统：包括变量插值与格式化、条件提示段落、多轮对话模板、基于角色的提示组合，以及模块化提示组件。
- 系统提示设计：包括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、安全指南与内容策略，以及上下文设置与背景信息。
使用方式 资料提供了一段基于 LangChain 与 Pydantic 的快速开始示例。示例先定义结构化输出 schema（SQLQuery，包含 query、explanation、tables_used 字段），再用 ChatAnthropic 初始化模型并通过 with_structured_output 获得结构化输出模型；随后用 ChatPromptTemplate 构建系统提示与用户提示模板，形成 chain 并异步调用，最后打印结果。具体代码与安装命令以资料为准。
适用场景 适用于需要设计生产级提示词的开发场景，例如结构化推理、动态示例选择、可复用模板构建、系统提示编写与结构化输出解析等。
最佳实践 资料建议：具体明确，模糊提示会产生不一致结果；以示例代替描述；使用结构化输出，通过 Pydantic 约束 schema 以提升可靠性；在多样且有代表性的输入上充分测试；快速迭代，小改动可能带来大影响；监控生产性能；将提示词作为代码进行版本控制；记录提示词结构的设计意图。
常见陷阱 包括：过度工程，在尝试简单方案前就使用复杂提示；示例污染，使用与目标任务不匹配的示例；上下文溢出，示例过多超出 token 限制；指令含糊，留下多种解释空间；忽视边界情况，未在异常或边界输入上测试；缺少错误处理，假设输出总是格式良好；硬编码值，未对提示词进行参数化以便复用。
成功指标 建议跟踪以下 KPI：准确率（输出正确性）、一致性（相似输入的可复现性）、延迟（P50、P95、P99 响应时间）、token 使用（每请求平均 token）、成功率（有效且可解析输出的百分比）以及用户满意度（评分与反馈）。
限制 资料未提供该技能的安装命令、依赖版本、支持的模型范围、收费或价格信息，也未提供除快速开始外的完整 API 说明，这些内容暂未提供。