大型语言模型（LLMs）需要复杂的提示工程（prompting），然而当前实践在结构设计、数据整合、格式敏感性以及工具支持方面仍面临诸多挑战。现有方法缺乏对涉及多种数据类型（如文档、表格、图像）的复杂提示进行系统化组织的全面解决方案，也难以有效管理呈现形式的多样化变化。为弥补这些不足，我们提出 POML（Prompt Orchestration Markup Language，提示编排标记语言）。POML 采用基于组件的标记语法，实现提示逻辑结构的清晰表达（如角色、任务、示例）；通过专用标签支持多种数据类型的无缝集成；并引入类 CSS 的样式系统，将内容与呈现形式解耦，显著降低对格式的敏感性。此外，POML 提供模板化机制以支持动态提示生成，并配备完整的开发者工具链（包括集成开发环境支持与软件开发工具包 SDK），有效提升版本控制与团队协作效率。我们通过两个案例研究验证了 POML 的有效性：其一展示了其在复杂应用集成（PomLink）中的应用效果；其二在 TableQA 任务中验证了其对准确率的提升作用；同时，一项用户研究进一步评估了其在真实开发场景中的实际效能。