1. Few-Shot Learning（少样本学习）

通过展示示例而非解释规则来教导模型。包含 2-5 个输入-输出对来展示期望行为。适用于需要一致格式、特定推理模式或处理边缘情况的场景。

从支持工单中提取关键信息：

Input: "My login doesn't work and I keep getting error 403"
Output: {"issue": "authentication", "error_code": "403", "priority": "high"}

Input: "Feature request: add dark mode to settings"
Output: {"issue": "feature_request", "error_code": null, "priority": "low"}

Now process: "Can't upload files larger than 10MB, getting timeout"

2. Chain-of-Thought 提示（思维链）

要求在最终答案之前进行逐步推理。添加"Let's think step by step"（零样本）或包含示例推理轨迹（少样本）。可将分析任务准确率提升 30-50%。

分析这个 Bug 报告并确定根因。

Think step by step:
1. 期望行为是什么？
2. 实际行为是什么？
3. 最近有什么变更可能导致此问题？
4. 涉及哪些组件？
5. 最可能的根因是什么？

Bug: "用户在昨天缓存更新部署后无法保存草稿"

3. 提示优化（Prompt Optimization）

通过测试和迭代系统性改进提示。从简单开始，衡量性能（准确性、一致性、Token 使用量），然后迭代。

4. 模板系统（Template Systems）

构建带有变量、条件部分和模块化组件的可复用提示结构。

template = """
Review this {language} code for {focus_area}.

Code:
{code_block}

Provide feedback on:
{checklist}
"""

prompt = template.format(
    language="Python",
    focus_area="security vulnerabilities",
    code_block=user_code,
    checklist="1. SQL injection\n2. XSS risks\n3. Authentication"
)

5. 系统提示设计（System Prompt Design）

设置跨对话持久的全局行为和约束。定义模型角色、专业水平、输出格式和安全准则。

System: You are a senior backend engineer specializing in API design.

Rules:
- Always consider scalability and performance
- Suggest RESTful patterns by default
- Flag security concerns immediately
- Provide code examples in Python
- Use early return pattern

Format responses as:
1. Analysis  2. Recommendation  3. Code example  4. Trade-offs

渐进式披露（Progressive Disclosure）

从简单提示开始，仅在需要时增加复杂度：

指令层级

[系统上下文] → [任务指令] → [示例] → [输入数据] → [输出格式]

错误恢复

• 包含降级指令
• 请求置信度分数
• 在不确定时要求替代解释
• 指定如何指示缺失信息

上下文窗口 = 公共资源

你的提示、命令、技能与以下内容共享 200K Token 的上下文窗口：系统提示、对话历史、其他命令/技能/钩子/元数据、实际请求。

默认假设：Claude 已经非常聪明。只添加 Claude 不具备的上下文，并对每条信息提出挑战："Claude 真的需要这个解释吗？"

自由度匹配原则