提示工程模式

问题在哪

把 LLM 接进业务时，常见问题不是「模型不够聪明」，而是同一套提示在不同输入上格式漂移、推理跳步、边界输入直接胡编。手工改几句措辞往往只能修一个 case，换一批数据又崩。你需要的是可复用的模式：什么时候加示例、什么时候逼出中间推理、系统层和用户层各管什么。

技能如何组织

本技能把提示工程拆成五条可落地的能力线：

• 少样本学习：用 2～5 组输入-输出对定格式与推理习惯，而不是堆规则说明；在 token 与准确率之间按任务复杂度取舍。
• 思维链（CoT）：在最终答案前要求逐步推理（零样本句式或带推理轨迹的少样本），适合多步逻辑、数学与需要审计「怎么想」的场景。
• 提示优化：从简单基线出发，在多样化输入（含边缘 case）上测准确率、一致性与 token，用 A/B 对比变体，把提示当代码做迭代。
• 模板系统：变量、条件块与模块化片段，支撑多轮、角色化或「同一骨架、不同实体」的批量任务。
• 系统提示设计：把角色、专业度、输出格式与安全约束放在跨轮稳定的系统层，把用户消息留给可变事实。

另外还有两条「结构」思路：渐进式披露（从直接指令 → 约束 → 推理 → 示例逐级加码）和错误恢复（备用指令、置信度、缺信息时怎么问）。

适用边界

• 文档强调「先简单再复杂」：在未验证基线前堆复杂模板，是典型的过度设计。
• 示例要与目标任务同分布，否则会出现示例污染；示例过多还会上下文溢出。
• 思维链能拉高复杂题表现，但对极短、格式固定的任务可能是纯成本；生产环境仍要版本化提示并持续盯指标，而不是一次写完就锁死。