Phase 2-3 合并编码 + 三角验证

统计

原始编码：303 条（A系列 147 + B系列 68 + C系列 88）
合并后核心原则：72 条
矛盾/差异点：6 处

核心原则表（合并后）

一、基础认知（P001-P006）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P001	LLM 是概率预测引擎，不是知识库：理解这一本质才能设计好 prompt——没有 prompt 锚定时模型会随机采样训练数据	★★★★★	3	C027, C028, C029, A036	通用	始终适用，是所有 PE 的理论基础
P002	Prompt Engineering 是迭代的科学过程，不是”基本提问”——需要 Plan→Draft→Evaluate→Refine→Deploy 的生命周期	★★★★★	4	A056, A067, A109, B003, B048	通用	始终适用
P003	不是所有问题都适合 PE 解决：延迟和成本有时换模型更有效；简单任务不需要复杂 prompt	★★★★☆	2	A068, A103	通用	评估阶段决策
P004	上下文工程 > Prompt 工程：管理整个上下文状态（token 预算、信息新鲜度、上下文腐烂），而非只写好指令	★★★★☆	3	A140, A141, A142, A147	通用	agent/长对话场景尤其重要
P005	PE 是技能组合：需要混合搭配多种策略，包括安全、工具集成、领域知识注入等全栈能力	★★★★☆	2	C065, C066	通用	始终适用
P006	模型对模式敏感：你犯错它犯错，你聪明它聪明——拼写、语法、格式都会传染给输出	★★★★★	3	A018, A019, A083, C052	通用	始终适用

二、Prompt 结构与组织（P007-P018）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P007	系统提示词是行为锚点：在 user turn 之前提供上下文、指令和指南，精心编写能显著提升表现	★★★★★	4	A001, A002, B006, C031	通用	所有 API 场景
P008	推荐的系统提示结构：Identity/角色 → Instructions/规则 → Examples/示例 → Context/数据。复杂 prompt 有 10 个标准元素	★★★★★	5	A041, A043-A054, B006, C001, C004-C009	通用	中等以上复杂度的 prompt
P009	长文档/数据放在 prompt 顶部，查询/指令放在底部——查询在末尾可提升响应质量达 30%	★★★★★	4	A078, A079, A050, A051, A113, B068	通用	含长文档的场景；另见矛盾 M003
P010	用 XML 标签分隔内容边界：将变量数据与指令分离，用一致的描述性标签名，支持嵌套反映层级	★★★★★	5	A015, A016, A021, A049, A076, A077, B008, C051	通用	Claude 专门训练过 XML 识别，但所有模型都受益
P011	用 Markdown 标题和列表传达层级关系：编号列表用于顺序和完整性重要时	★★★★★	3	A070, B007, C047	通用	始终适用
P012	结构化模板比散乱技巧更高效：像代码模块一样设计 prompt，一次创建、无限适配	★★★★☆	3	A020, C001, C002, C021	通用	生产环境/重复任务
P013	Prompt 模板化：固定骨架 + 可替换变量（`{{variable}}` 或 `<Variable>`），实现重复任务的标准化	★★★★★	3	A020, B014, C010	通用	生产环境
P014	在长 prompt 末尾重申即时任务：比放在开头效果更好	★★★★☆	3	A050, A057, B022	通用	长 prompt（>1000 tokens）
P015	高频复用内容放在 prompt 开头以利用缓存降低成本和延迟	★★★★☆	2	B009, A078	通用	API 生产环境
P016	多文档场景用结构化包裹：`<document index="n">` + 唯一 ID，便于引用和追踪	★★★★☆	3	A080, C053, B045	通用	多文档/多源处理
P017	输出格式明确指定：语言、语法、结构化格式（JSON/XML/Markdown）和样式偏好，放在 prompt 末尾	★★★★★	5	A022, A053, A107, B041, B051, C019, C025, C054	通用	需要程序化消费输出时必须
P018	Prompt 可用多种格式承载：Markdown（默认推荐）、JSON、YAML。Markdown 表格适合同类数据，JSON 适合嵌套数据	★★★★☆	3	C014, C047, C048, C049	通用	根据数据结构选择

三、指令编写原则（P019-P030）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P019	像对新员工一样清晰地解释任务：模型除了你告诉的内容之外没有任何上下文	★★★★★	3	A005, A006, C032	通用	始终适用
P020	直接要求你想要的行为（“Just Ask”原则）：想让它做选择就明确说，想跳过前言就直接说	★★★★★	4	A007, A008, A009, A069, A086, B052	通用	始终适用
P021	告诉模型”做什么”而非”不做什么”：正面指令比否定约束更有效。避免过于宽泛的否定如”do not infer”	★★★★★	3	A082, B063, C039	通用	始终适用
P022	提供指令背后的原因/动机：解释”为什么”能让模型更好地泛化，比单纯禁止更有效	★★★★★	3	A071, A072, B063	通用	始终适用
P023	明确约束范围，防止模型扩展超出请求：只做直接要求的，不加额外功能和”改进”	★★★★★	4	B019, B035, A130, A131, A132	通用	编码和生产环境尤其重要
P024	遇到模糊指令时选择最简单的合理解释，或主动问澄清问题	★★★★☆	3	B020, B025, C012	通用	另见矛盾 M001
P025	提供明确的长度/格式约束：默认多长、简单问题多长、复杂问题用什么结构	★★★★☆	3	B015, B016, B017, A118, A126	通用	需要一致性输出时
P026	不要复述用户请求；直奔主题，跳过填充词、前言和不必要的过渡	★★★★★	3	B018, B052, A127	通用	始终适用
P027	定义明确的”退出机制”：告诉模型可以说不知道、可以拒绝、可以保持原答案不修改	★★★★★	4	A037, A060, A115, B054	通用	减少幻觉的关键手段
P028	高风险场景做自检：重新扫描未声明假设、不实数字、过强措辞	★★★★☆	3	B028, A094, B026, B027	通用	法律/财务/合规/医疗场景
P029	”通用指令优于规定性步骤”：‘think thoroughly’ 往往比手写步骤更好，模型推理能力可能超过人类预设	★★★★☆	2	A092, A095	通用	新一代推理模型（Sonnet 4/Opus 4 等）
P030	不同模型需要不同提示策略：推理模型给高层目标，基础模型给精确指令	★★★★★	3	B001, A089, A090, B046	通用	模型选择/迁移时

四、角色与人格（P031-P034）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P031	角色提示改变风格、语气和回答深度：可以放在系统提示或 user turn 中	★★★★★	4	A010, A011, A012, A013, C003	通用	始终适用
P032	像写人格画像而非流程手册：赋予世界观、动机、价值体系比列步骤更有效	★★★★☆	2	C020, A010	通用	复杂角色/长对话场景
P033	Persona 会被模型严肃对待，可能优先于其他指令——需仔细审查避免歧义	★★★☆☆	1	B066	Gemini专属	需跨模型验证
P034	显式列举能力（Skills）和局限（Limitations），而非隐含期望模型推断	★★★★☆	2	C006, C015, C016	通用	复杂角色设定

五、示例与 Few-shot（P035-P040）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P035	Few-shot 示例是最有效的 PE 工具：既能得到正确答案，又能得到正确格式。示例 > 冗长描述	★★★★★	5	A032, A033, A034, A046, A048, B010, C067	通用	始终适用
P036	示例要满足三要求：相关、多样、结构化。展示多样化输入范围，覆盖边缘案例，用 `<example>` 标签包裹	★★★★★	4	A073, A074, A047, A106, A116, B010, C017	通用	始终适用
P037	建议 3-5 个示例获取最佳效果；更多通常更好	★★★★☆	2	A074, A048	通用	取决于 token 预算
P038	Few-shot 的格式比内容更重要：即使用随机标签，有格式也比没格式好得多；标签空间和输入分布比标签正确性更重要	★★★★☆	2	C068, C069	通用（学术发现）	理解 few-shot 工作机制时
P039	在示例中展示思维链/内心独白，让模型学会推理过程	★★★★★	3	C018, A093, A047	通用	需要推理的任务
P040	用困难用例作为示例来训练模型处理边缘情况	★★★★☆	2	C017, A047	通用	有已知边缘案例时

六、思维链与推理（P041-P048）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P041	给模型”思考时间”（CoT）能显著提升复杂任务准确性：让模型展示推理过程	★★★★★	5	A026, A027, A030, C055, C071	通用	复杂推理/数学/逻辑任务
P042	明确拼出思考步骤比笼统说”think step by step”更有效；用 XML 标签（`<thinking>` `<scratchpad>`）隔离思考区域	★★★★★	4	A030, A031, A114, C057	通用	需要精确控制推理过程时
P043	思考只有”大声”输出时才算数——不能要求只输出答案不输出思考过程（不适用于有 extended thinking 的模型）	★★★★☆	2	A027, C058	通用	无 extended thinking 的模型
P044	Zero-shot CoT：仅需”Let’s think step-by-step”即可触发推理，但需要”足够大的模型”	★★★★★	3	C056, C072, C070	通用	大参数模型
P045	Self-Consistency：采样多条推理路径，选最一致的答案——适用于算术和常识推理	★★★★☆	2	C074, C075	通用	可多次采样的场景
P046	Tree of Thoughts（ToT）：维护思维树 + 搜索算法（BFS/DFS）进行系统性探索，适用于需要前瞻的复杂任务	★★★☆☆	1	C076, C077, C078, C079	通用（学术）	复杂探索任务
P047	让模型先列出正反论点再作判断，可改善复杂判断质量	★★★★☆	2	A028, A112	通用	需要平衡分析的场景
P048	先验证信息/能力是否存在，再生成答案（Split-Step Verification）	★★★★☆	2	B064, A038	通用	减少幻觉

七、减少幻觉（P049-P053）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P049	让模型先提取相关引用再回答——减少长文档场景下的幻觉	★★★★★	4	A038, A039, A081, B024, C053	通用	长文档/多文档场景
P050	将断言锚定到具体章节而非泛泛而谈；引用关键细节（日期、阈值、条款）	★★★★☆	2	B023, B024	通用	事实密集型任务
P051	不确定时避免编造——用”Based on the provided context…”替代绝对断言；缺失字段设为 null 而非猜测	★★★★★	3	B026, B027, B043, B044	通用	始终适用
P052	假设场景中明确声明”提供的上下文是唯一事实来源”	★★★★☆	2	B067, A123	通用	与模型训练知识冲突的场景
P053	降低 temperature 减少幻觉：temperature 0 最接近确定性输出	★★★★☆	2	A040, B055（反面）	通用	另见矛盾 M002

八、工具使用与 Agent（P054-P060）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P054	工具描述本身就是 PE：简洁 1-2 句说明做什么和何时使用，描述必须精确	★★★★★	3	A139, B036, A065	通用	所有工具使用场景
P055	鼓励并行工具调用以降低延迟	★★★★★	3	A091, B037	通用	多工具场景
P056	需要新鲜或用户特定数据时优先使用工具而非内部知识	★★★★★	3	B039, C040, C041	通用	agent 场景
P057	写操作后简短重述改了什么；高影响操作需要验证步骤	★★★★☆	2	B040, B038	通用	有副作用的操作
P058	命令语法的抽象层级是关键：太具体不灵活，太底层模型会幻觉；用大量描述和示例对抗幻觉	★★★★☆	2	C045, C046	通用	自定义工具设计
P059	Agent 更新应简短（1-2句）：只在新阶段或计划变更时发送，避免叙述常规工具调用过程	★★★★☆	2	B032, B033, B034, A128	通用	agent 场景
P060	子代理架构：专门化代理处理聚焦任务，用干净的上下文窗口，返回压缩摘要	★★★★☆	2	A138, A146	通用	复杂/长对话 agent

九、上下文管理（P061-P065）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P061	上下文是有限资源：找到”最大化预期结果概率的最小高信号 token 集合”	★★★★★	3	A142, A147, C034	通用	始终适用
P062	上下文截断策略：滑动窗口、优先保留 bot 回复、LLM 摘要替代历史消息	★★★★☆	2	C035, A146	通用	长对话
P063	动态修改上下文是好体验的关键：根据用户意图实时更换隐藏提示中的数据（RAG/语义搜索）	★★★★★	4	C042, C043, C044, B012, A145	通用	需要外部知识的场景
P064	Reminder 机制对抗长对话中的上下文丢失：强制模型在每次回复前回顾关键设定	★★★★☆	2	C013, B031	通用	长多轮对话
P065	Just-in-time 上下文策略：保持轻量级标识符，动态加载相关信息	★★★★☆	2	A145, C042	场景特定	agent/工具使用场景

十、安全与约束（P066-P069）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P066	永远假设用户可以看到 hidden prompt 内容：永远不要在 prompt 中放不能让用户看到的信息	★★★★★	2	C030, C038	通用	所有生产环境
P067	约束针对正常用户设计，假设恶意用户可绕过所有约束；防越狱最佳实践是将最重要约束放在末尾	★★★★☆	2	C036, C037	通用	面向公众的应用
P068	破坏性操作执行前确认：用户批准一次不代表所有上下文都批准	★★★★★	2	A136, A137	通用	有副作用的操作
P069	Fine-tuning 安全红线：永远不要用真实客户数据做微调——模型会记住并泄露	★★★★☆	1	C061	通用	fine-tuning 场景

十一、评估与迭代（P070-P072）

编号	核心原则	置信度	来源数	来源编号	分类	适用条件
P070	先定义成功标准和评估方法，再开始 PE；构建评估体系监控提示性能	★★★★★	3	A067, B003, B048	通用	始终适用
P071	模型迁移时先不改 prompt，只换模型——一次只变一个因素，每次小改动后重跑 eval	★★★★★	3	B046, B048, A089	通用	模型升级/迁移
P072	生产环境应锁定模型快照版本以保证行为一致性	★★★★☆	1	B002	通用	生产环境

关系网络

前置依赖

P001 → P006：理解”LLM 是概率引擎”是理解”模型对模式敏感”的前提
P001 → P041：理解概率本质才能理解为什么 CoT 有效——显式输出推理步骤改变了 token 序列的条件概率
P007 → P008：先理解系统提示的作用，再学习其推荐结构
P019 → P020：先理解”模型没有上下文”，才能理解为什么要”直接要求”
P035 → P036：先知道 few-shot 有效，再学习如何设计好的示例
P035 → P038：先知道 few-shot 有效，再理解其工作机制（格式 > 内容）
P041 → P044：先理解 CoT 原理，再学 zero-shot CoT 简化用法
P041 → P045：CoT 是 Self-Consistency 的前提
P041 → P046：CoT 是 ToT 的前提
P070 → P002：先有评估标准，才能进入迭代循环

互补组合

P010 + P011：XML 标签（内容边界）+ Markdown（层级关系）= 完整的 prompt 组织体系
P020 + P022：直接要求行为 + 解释为什么 = 更好的指令效果
P021 + P023：正面指令 + 约束范围 = 精准控制模型行为
P027 + P049：给退出机制 + 要求先引用再回答 = 系统性减少幻觉
P035 + P039：few-shot 示例 + 展示思维链 = 教会模型如何推理
P041 + P042：要求思考 + 明确思考步骤/隔离思考区域 = 可控的推理过程
P054 + P058：工具描述精确 + 抽象层级适中 = 可靠的工具使用
P012 + P013：结构化模板 + 模板变量化 = 可规模化的 prompt 管理
P063 + P065：动态上下文 + JIT 加载 = 高效的上下文管理
P070 + P071：先有评估体系 + 单变量迭代 = 科学的 prompt 优化

上下位关系

P004 ⊃ P061：上下文工程是上位概念，上下文有限是其核心原则之一
P041 ⊃ P044, P045, P046：CoT 是上位，Zero-shot CoT、Self-Consistency、ToT 是特化技术
P008 ⊃ P007, P009, P017：推荐结构是上位，系统提示、数据位置、输出格式是其组成元素
P035 ⊃ P036, P037, P038, P039, P040：few-shot 有效性是上位，下属各条是其最佳实践

条件分支

场景：模型类型
- 推理模型（o1/o3/Gemini thinking/Claude extended thinking）→ P029（通用指令优于规定性步骤）
- 基础模型（GPT-4.1/Claude Sonnet）→ P042（明确拼出思考步骤）
场景：任务复杂度
- 简单提取/分类 → P020（直接要求），无需 CoT
- 复杂推理/多步逻辑 → P041 + P042（CoT + 结构化思考）
- 极复杂探索 → P046（ToT）
场景：输出用途
- 程序消费 → P017（严格格式）+ P025（JSON/XML schema）
- 人类阅读 → P025（适当长度约束）+ P026（直奔主题）
场景：数据格式
- 同类多条数据 → P018（Markdown 表格）
- 嵌套复杂数据 → P018（JSON）
- Token 紧张的嵌套数据 → P018（关系型 Markdown 表格）
场景：上下文长度
- 短对话（<4k tokens）→ 标准 prompt 即可
- 长对话（>10k tokens）→ P062（截断策略）+ P064（Reminder 机制）
- Agent 超长会话 → P060（子代理）+ P065（JIT 上下文）

矛盾/差异分析

矛盾 M001：模糊指令时——澄清还是覆盖所有意图？

方 A 观点：主动问 1-3 个精确澄清问题，或给出 2-3 种解释（B025, A037, Claude 倾向）
方 B 观点：不要问澄清问题，直接覆盖所有可能意图（B050, GPT-5.2 指南）
初步分析：条件消歧。这不是真矛盾，是适用场景不同：
- 交互式场景（聊天、对话）→ 澄清更好，因为覆盖所有意图会导致冗长且大部分无用的回复
- 单次调用场景（API、批处理、搜索）→ 覆盖所有意图更好，因为没有追问机会
- GPT-5.2 指南明确标注这是在”深度研究”场景下的建议，而非通用建议
- 裁决：根据交互模式选择策略。P024 保留两种路径。

矛盾 M002：温度设置——降低温度减少幻觉 vs 保持默认 1.0

方 A 观点：降低 temperature 可减少幻觉，temperature 0 最接近确定性输出（A040, Anthropic/OpenAI 通行做法）
方 B 观点：Gemini 3 必须保持默认 1.0，降低会导致循环或退化（B055）
初步分析：模型专属差异，非真矛盾。
- Gemini 3 的采样架构与 Claude/GPT 不同——其 thinking/推理机制在 temperature < 1.0 时可能产生概率退化
- Claude 和 GPT 系列：降低温度减少幻觉是经过广泛验证的通行做法
- 裁决：通用原则”低温度 = 更确定性”仍成立（P053），但 Gemini 3 是明确的例外。使用任何模型前应查阅其官方温度建议。

矛盾 M003：关键指令位置——开头还是末尾？

方 A 观点：重要指令放在系统提示开头/用 XML 标签强调（Anthropic 实践，A043, A078）；长文档放顶部、查询放底部（A078, A079）
方 B 观点：核心请求和关键限制放在提示最后一行（B065, Gemini 建议）；最重要约束靠近末尾（C037, 防越狱）
初步分析：部分真矛盾，但可条件消歧。
- 三方实际上达成了一个共识：查询/即时任务放在末尾（A050, A051, A079, B065 都同意）
- 分歧在于约束/规则的位置：Anthropic 习惯放在系统提示靠前位置用 XML 标签强调；Gemini 发现早期约束容易被丢失，建议放末尾
- Brex 指南（C037）从安全角度建议关键约束放末尾——与 Gemini 一致
- 裁决：两种策略可以组合——约束既在开头声明（完整版），又在末尾重申（简短版）。这恰好是 A050（“在长 prompt 末尾重申即时任务”）已经建议的做法。P009 + P014 组合覆盖此矛盾。

矛盾 M004：消息角色层级——显式优先级 vs 无区分

方 A 观点：OpenAI 明确区分 developer > user > assistant 优先级，developer 消息优先于 user 消息（B004）
方 B 观点：Claude 用 system 角色，无显式 developer/user 优先级区分（A001, A003）；Gemini 用 system instruction 也无显式层级
初步分析：平台差异，非真矛盾。
- OpenAI 独有 developer 角色是为了解决第三方应用中”开发者指令 vs 用户输入”的信任层级问题
- Claude 和 Gemini 通过 system prompt 的隐式优先级实现类似效果
- 裁决：概念相通（系统指令 > 用户输入），实现方式不同。P007 中不纳入具体角色 API，只保留”系统提示优先于用户输入”的通用原则。

矛盾 M005：数据与问题的顺序——数据在前还是在后？

方 A 观点：Claude 通常建议指令在前、数据在后（Anthropic 教程的多数示例）；长文档放顶部查询放底部（A078, A079）
方 B 观点：将问题放在数据之后，用”Based on the entire document above”锚定推理（B068, Gemini 建议）
初步分析：实际不矛盾。仔细看 A078-A079 说的是”长文档放顶部，查询放底部”——这恰好就是”数据在前、问题在后”，与 B068 的建议一致。Anthropic 和 Gemini 在这一点上完全一致。表面矛盾源于 T1 编码时的误判。
- 裁决：三方共识——数据/文档在前，查询/问题在后。P009 已正确反映。

矛盾 M006：新模型的激进语言——需要还是不需要？

方 A 观点：旧 prompt 经验中用”CRITICAL: You MUST use this tool”等激进语言强调重要行为
方 B 观点：新模型对系统提示更敏感，激进语言会导致过度触发；应降级为正常表述（A089, A090）
初步分析：时效性差异，非真矛盾。
- 这反映了模型代际差异：早期模型（GPT-3.5、Claude 2）需要强调语气来确保遵从；新一代模型（GPT-4.1+、Claude Sonnet 4+、Gemini 3）的指令遵从能力大幅提升，激进语言反而有害
- C022（惩罚机制/strike rule）也属于”旧时代技巧”，在新模型上可能过度
- 裁决：P030（不同模型需要不同策略）已覆盖。对新模型使用正常语气；只有当模型确实不遵从时才逐步加强语气，而非默认激进。

附录：未合并的模型专属/平台专属编码

以下编码具有参考价值但不纳入通用原则：

来源	内容	原因
B004, B005, B011, B013, B014	OpenAI developer/user 角色、instructions 参数、Stored Prompts	GPT 平台特性
B029, B030	OpenAI compaction 端点	GPT 平台特性
B047	reasoning_effort 参数	GPT 参数
B055, B056, B057, B058, B059, B060, B061, B062	Gemini 温度、thinking_level、Thought Signatures、media_resolution 等	Gemini 平台特性
A003, A004, A023, A024, A025, A035, A054, A066, A084, A085, A087, A088	Claude 消息规则、预填、stop_sequences、行为标签	Claude 平台特性
A089, A090, A091, A093, A096	Claude 新模型行为调优	Claude 版本特定
A125, A126, A127-A139	Claude.ai/Claude Code 系统提示词设计	Claude 产品特定
C022	惩罚机制（strike rule）	旧模型技巧，新模型慎用
C073, C076, C079, C080-C083	Auto-CoT、ToT 自评估、ReAct 实现细节	学术/高级技术
C059, C060, C062	Fine-tuning 劣势、GPT-4 vs GPT-3.5 差异	历史参考

合并映射速查

每条原则的完整来源追溯。

合并原则	原始编码（去重后）
P001	A036, C027, C028, C029
P002	A056, A067, A109, B003, B048
P003	A068, A103
P004	A140, A141, A142, A147
P005	C065, C066
P006	A018, A019, A083, C052
P007	A001, A002, B006, C031
P008	A041, A043-A054, B006, C001, C004-C009
P009	A050, A051, A078, A079, A113, B068
P010	A015, A016, A017, A021, A049, A076, A077, B008, C051
P011	A070, B007, C047
P012	A020, C001, C002, C021
P013	A020, B014, C010
P014	A050, A057, B022
P015	B009, A078
P016	A080, C053, B045
P017	A022, A053, A107, B041, B051, C019, C025, C054
P018	C014, C047, C048, C049, C050
P019	A005, A006, C032
P020	A007, A008, A009, A069, A086, B052
P021	A082, B063, C039
P022	A071, A072, B063
P023	B019, B035, A130, A131, A132, A133
P024	B020, B025, C012
P025	B015, B016, B017, A118, A126
P026	B018, B052, A127
P027	A037, A060, A115, B054, A121
P028	B026, B027, B028, A094, B044
P029	A092, A095
P030	B001, A089, A090, B046
P031	A010, A011, A012, A013, C003
P032	C020, A010
P033	B066
P034	C006, C015, C016
P035	A032, A033, A034, A046, A048, B010, C067
P036	A047, A073, A074, A106, A116, B010, C017
P037	A074, A048
P038	C068, C069
P039	A093, C018, A047
P040	C017, A047
P041	A026, A027, A030, C055, C071
P042	A030, A031, A114, C057
P043	A027, C058
P044	C056, C070, C072
P045	C074, C075
P046	C076, C077, C078, C079
P047	A028, A112
P048	B064, A038
P049	A038, A039, A081, B024, C053
P050	B023, B024
P051	B026, B027, B043, B044
P052	B067, A123
P053	A040
P054	A139, B036, A065
P055	A091, B037
P056	B039, C040, C041
P057	B038, B040
P058	C045, C046
P059	B032, B033, B034, A128
P060	A138, A146
P061	A142, A147, C034
P062	C035, A146
P063	B012, C042, C043, C044, A145
P064	C013, B031
P065	A145, C042
P066	C030, C038
P067	C036, C037
P068	A136, A137
P069	C061
P070	A067, B003, B048
P071	B046, B048, A089
P072	B002