用途：面向任意 LLM 的通用提示词工程方法，用于编写更稳定、可复现的系统提示词。
五层结构：有效的提示词按顺序包含五层——角色（AI 是谁）、上下文（处理什么内容）、任务（做什么）、约束（不要做什么）、输出（如何格式化）。资料给出各层组合与输出质量的经验比例：仅任务约 30%，角色+任务约 55%，再加输出约 75%，再加约束约 88%，五层齐全约 95%。
角色定义：强调专业领域与视角，而非性格，例如“你是专注 Python Web 应用 OWASP Top 10 漏洞的资深安全审计员”，并给出从泛化到有落地背景的具体度阶梯。
任务与具体度：任务可用编号步骤；指令从模糊到具体再到可度量，越可度量输出越一致，例如把“审查代码”细化为“检查每一处 SQL 字符串拼接、模板中未转义的用户输入、缺少 @login_required 的端点”。
结构化输出：需要可解析结果时明确格式，如指定 JSON schema、枚举取值（severity 只能是 critical/high/medium/low）、markdown 表格列定义，并要求只输出 JSON、不要额外字段或注释。
少样本示例：格式敏感、需判断分级、风格匹配或边界情况时给出 2–3 个输入/输出示例，覆盖不同严重级别与边界情形，示例保持简短并使用真实数据。
注入防护：处理不可信输入时分四层防护——用 <user_input> 等分隔符隔离指令与数据、声明标签内为数据、声明系统指令优先、要求输出仍符合既定 schema。
组合模式：包含思维链、人设+受众、对抗式自查等模式及适用场景。
常见错误与检查清单：如缺少输出格式、角色模糊、无约束、指令与数据混放、指令过多（建议 10–15 条）、指令矛盾；部署前建议核对五层是否齐全、输出格式是否精确、是否覆盖最可能的失败模式，提示词总长控制在 2000 token 内。
限制：资料为通用提示词方法，具体模型效果、收费信息暂未提供。