prompt-engineering-patterns

此技能提供了一套完整的框架，用于设计、优化和维护生产级提示词模板。它专为开发复杂 LLM 应用程序的软件工程师、AI 开发者和技术产品经理设计。此技能重点在于超越基础的聊天交互，转向强大、可重复且可扩展的提示工程模式，以确保在各种应用场景中保持输出一致性。通过运用思维链（Chain-of-Thought）、少样本学习（Few-Shot Learning）和结构化模板系统等技术，用户可以显著减少幻觉并提高关键应用环境中的输出可靠性。

• 少样本学习：利用语义相似性和多样性采样进行有效示例选择的策略，以最大化上下文窗口效能。

• 思维链（CoT）提示：引导逐步推理的技术，包括零样本 CoT、推理踪迹和自我一致性验证。

• 提示优化：用于迭代改进、A/B 测试变体、衡量准确度与延迟等效能指标，以及减少 Token 消耗的工作流程。

• 模块化模板系统：实现变量插值、基于角色的组合以及条件逻辑，以建立可重复使用的动态提示组件。

• 系统提示设计：在系统层面建立行为约束、定义输出格式并执行安全准则。

• 集成模式：将提示与 RAG（检索增强生成）系统、自我验证步骤和自动化验证逻辑相结合的最佳实践。

• 用户应采取“渐进式揭露”原则，仅在解决特定任务需要时，才从简单指令转向复杂的推理链。

• 应将提示词视为版本化代码；维护意图文档并追踪效能指标，以利检测版本演变带来的回归风险。

• 请注意上下文溢出问题；平衡少样本示例的数量与可用的 Token 窗口限制及目标任务的复杂度。

• 优先提供具体指令与高质量的代表性示例，而非冗长且含糊的描述，以减少歧义并提高指令遵循度。

• 使用提供的 Python 集成模式，建立用于提示渲染、示例选择与自动化评估的程序化工作流程。