用途：该技能面向生产级 LLM 应用的提示词设计，用于优化提示性能与一致性、构建结构化推理模式、搭建少样本学习系统、创建可复用提示模板，以及调试输出不稳定的提示。适用时机包括设计复杂生产提示、实现思维链与思维树、动态示例选择、系统提示编写与提示迭代优化。
主要能力：少样本学习（语义相似度、多样性采样等示例选择策略，平衡示例数量与上下文窗口，构建输入输出示范，从知识库动态检索示例，处理边界情况）；思维链提示（逐步推理引导、零样本 CoT、带推理轨迹的少样本 CoT、自一致性多次采样、验证与校验步骤）；提示优化（迭代改进流程、A/B 测试提示变体、衡量准确率与一致性及延迟等指标、在保质量前提下减少 token 消耗、处理失败模式）；模板系统（变量插值与格式化、条件片段、多轮对话模板、基于角色的组合、模块化组件）；系统提示设计（设定模型行为与约束、定义输出格式、确立角色与专长、安全与内容策略、上下文设定）。
用法：资料提供 Python 示意，如 from prompt_optimizer import PromptTemplate, FewShotSelector，通过 PromptTemplate 定义 system、instruction、few_shot_examples、output_format，用 FewShotSelector 配置 examples_db、selection_strategy、max_examples，再 template.render 生成提示。推荐渐进式披露（从直接指令到加约束、加推理、加示例）、指令层级（系统上下文→任务指令→示例→输入数据→输出格式）与错误恢复设计。还可与 RAG 结合，在提示中嵌入检索上下文并要求仅依据上下文回答、明确说明缺失信息；可加入自验证步骤，要求核对是否直接回答、是否仅用给定信息、是否引用来源、是否承认不确定性，未通过则修改。
适用场景：生产 LLM 应用提示设计、SQL 等结构化生成、少样本与多轮对话系统、需要结构化推理与可靠性控制的场景。
限制：资料未提供该技能的具体安装方式、平台支持、收费与价格、模型兼容范围；示例代码为示意，实际依赖 prompt_optimizer 等模块，需自行确认可用性。最佳实践与常见陷阱部分提及需具体明确、多用示例、充分测试、快速迭代、监控性能、版本控制提示词并记录意图，避免过度工程、示例污染、上下文溢出、指令含糊与忽略边界情况；成功指标包括准确率、一致性、延迟（P50/P95/P99）、token 用量、成功率与用户满意度。