prompt-engineering-patterns

# 提示词工程模式 掌握高级提示词工程技术，以最大化大语言模型 (LLM) 的性能、可靠性和可控性。 ## 不使用此技能的情况 - 任务与提示词工程模式无关 - 您需要此范围之外的其他领域或工具 ## 指令 - 明确目标、约束和所需输入。 - 应用相关的最佳实践并验证结果。 - 提供可操作的步骤和验证方法。 - 如果需要详细示例，请打开 `resources/implementation-playbook.md`。 ## 使用此技能的情况 - 为生产级 LLM 应用设计复杂的提示词 - 优化提示词性能和一致性 - 实现结构化推理模式 (思维链、思维树) - 构建带有动态示例选择的少样本学习系统 - 创建带有变量插值的可重用提示词模板 - 调试和改进产生不一致输出的提示词 - 为专业 AI 助手实现系统提示词 ## 核心能力 ### 1. 少样本学习 (Few-Shot Learning) - 示例选择策略 (语义相似度、多样性采样) - 平衡示例数量与上下文窗口限制 - 构建有效的输入-输出对演示 - 从知识库中动态检索示例 - 通过策略性示例选择处理边缘情况 ### 2. 思维链提示 (Chain-of-Thought Prompting) - 逐步推理引导 - 零样本 CoT，使用 "Let's think step by step" - 带有推理轨迹的少样本 CoT - 自洽性技术 (采样多条推理路径) - 验证和确认步骤 ### 3. 提示词优化 - 迭代改进工作流 - A/B 测试提示词变体 - 衡量提示词性能指标 (准确性、一致性、延迟) - 在保持质量的同时减少 Token 使用量 - 处理边缘情况和故障模式 ### 4. 模板系统 - 变量插值和格式化 - 条件提示词部分 - 多轮对话模板 - 基于角色的提示词组合 - 模块化提示词组件 ### 5. 系统提示词设计 - 设置模型行为和约束 - 定义输出格式和结构 - 确立角色和专业知识 - 安全准则和内容策略 - 背景设置和背景信息 ## 快速开始 python from prompt_optimizer import PromptTemplate, FewShotSelector # 定义结构化提示词模板 template = PromptTemplate( system="You are an expert SQL developer. Generate