🎯 第2期：从Prompt开始，让大模型听懂高炉的"黑话"
专栏：《LangChain框架在高炉炼铁智能化领域的应用》
前情回顾：上期我们搭建了第一个"高炉助手"，但AI刚进场时就是个"钢铁小白"😂
本期重点：Prompt Engineering —— 如何让大模型变成"炼铁专家"
📖 引言：AI的"语言关"
上一期我们留了个尾巴——
你兴冲冲地装好了 LangChain，把 AI 请进了中控室。结果你问它：
👨🏭你：“炉顶温度偏高，十字测温径向温差有150°C了，是不是布料有问题？”
🤖AI（一脸懵）：“您好，作为AI助手，我无法实时获取高炉数据。请查阅相关手册或咨询现场工程师。”
😤 血压上来了有没有！
问题出在哪？不是模型不够强，是你没教会它"说人话"——准确地说，是没教会它说"炼铁人的话"。
这就涉及 LangChain 中最重要的基础技能之一：Prompt Engineering（提示词工程）🎓
📝 什么是 Prompt？别整玄乎的
Prompt，翻译过来是"提示词"，本质上就是——你给 AI 写的"岗位说明书"📄
┌─────────────────────────────────────────┐ │ "亲爱的AI员工， │ │ 你的岗位是高炉炼铁专家， │ │ 你需要……（此处省略500字）" │ │ │ │ —— 这就是System Prompt │ └─────────────────────────────────────────┘在 LangChain 中，Prompt 主要分三类：
| 类型 | 英文名 | 一句话解释 | 高炉场景类比 |
|---|---|---|---|
| 🧠系统提示 | System Prompt | AI的"人设" | 告诉AI：你是个有30年经验的炼铁总工 |
| 💬用户提示 | Human Message | 用户的问题 | 现场操作工的问话 |
| 🤖AI回复 | AI Message | AI的回答 | 总工给出的建议 |
🔧 LangChain 中的 Prompt 三板斧
第一板斧：PromptTemplate — 变量注入
场景：每天早会都要生成高炉日报，内容格式一样，数据每天不同。
最原始的方式——每次都手写完整的 Prompt：
# ❌ 错误示范：硬编码，每次都要写一遍prompt="请分析高炉A在2025年1月1日的生产数据，风温1200°C，风压0.38MPa..."✅ LangChain 的正确姿势：PromptTemplate
fromlangchain.promptsimportPromptTemplatefromlangchain_openaiimportChatOpenAI# 📌 定义 Prompt 模板daily_report_prompt=PromptTemplate(input_variables=["furnace_name","date","wind_temp","wind_pressure","si_content"],template=""" 你是一位资深高炉炼铁专家，请根据以下数据生成{date}的{ furnace_name }生产日报。 📊 【关键参数】 - 风温：{wind_temp} - 风压：{wind_pressure} - 铁水硅含量：{si_content} 请从以下三个方面分析： 1️⃣ 炉况评价：当前炉况是否稳定？ 2️⃣ 异常提示：是否存在异常趋势？ 3️⃣ 操作建议：给出具体的调整建议。 注意：语气要专业，结论要明确，不能模棱两可。 """)# 📌 注入实际数据prompt=daily_report_prompt.format(furnace_name="5号高炉",date="2025年6月5日",wind_temp="1210°C",wind_pressure="0.39 MPa",si_content="0.42%")# 📌 调用模型llm=ChatOpenAI(model="doubao-seed-2-0-lite-260215",temperature=0.3)response=llm.invoke(prompt)print(response.content)🔍 拆解一下：
PromptTemplate就像 Excel 模板——数据填进去，报告自动出- 使用
{}占位符，运行时注入实际参数 - 不管换几号高炉、换哪天的数据，模板一套搞定！
第二板斧：ChatPromptTemplate — 多人对话管理
场景：高炉中控室不是一个人在战斗，而是操作工、值班主任、工程师之间的对话轮换。
fromlangchain.promptsimportChatPromptTemplatefromlangchain.prompts.chatimportSystemMessagePromptTemplate,HumanMessagePromptTemplate# 📌 构建"多人对话"模板chat_prompt=ChatPromptTemplate.from_messages([# 🧠 System Prompt —— "人设"SystemMessagePromptTemplate.from_template("你是{company_name}的炼铁首席专家，拥有30年高炉操作经验。""你的风格是：专业、果断、数据驱动。""每次回答必须引用数据，给出明确结论，不能含糊其辞。"),# 💬 第一轮对话HumanMessagePromptTemplate.from_template("当前{ furnace_name }的压量关系出现异常：风压{wind_pressure}，风量{wind_volume}，""透气性指数下降到{permeability}。请分析原因并给出操作建议。"),])# 📌 使用messages=chat_prompt.format_messages(company_name="XX钢铁集团",furnace_name="3号高炉",wind_pressure="0.42 MPa",wind_volume="4800 m³/min",permeability="32.5")llm=ChatOpenAI(model="doubao-seed-2-0-lite-260215",temperature=0.3)response=llm.invoke(messages)print(response.content)生成的消息结构
System: 你是XX钢铁集团的炼铁首席专家…… Human: 当前3号高炉的压量关系出现异常……这种结构比单纯的字符串拼接更清晰，模型理解效果也更好 ✅
第三板斧：FewShotPromptTemplate — 给AI看"参考答案"
场景：想让 AI 按特定格式输出炉况诊断结果，但光用文字描述它不一定懂。
最好的办法——给它看几个例子📚
fromlangchain.prompts.few_shotimportFewShotPromptTemplatefromlangchain.promptsimportPromptTemplate# 📌 给AI看几个"标准答案"examples=[{"question":"铁水温度1480°C，硅含量0.35%，炉渣碱度1.15","answer":""" 【炉况判断】炉温正常偏下行 【置信度】80% 【依据】铁温1480°C处于正常区间下限，硅含量0.35%偏低 【建议】适当增加焦比3-5kg/t，关注后续铁温变化 """},{"question":"铁水温度1520°C，硅含量0.65%，炉渣碱度1.25","answer":""" 【炉况判断】炉温偏高 【置信度】85% 【依据】铁温1520°C超过正常上限，硅含量0.65%偏高 【建议】适当减焦或增加矿石量，降低炉热水平 """}]# 📌 定义示例模板example_prompt=PromptTemplate(input_variables=["question","answer"],template="输入：{question}\n输出：{answer}")# 📌 构建 FewShot Promptfew_shot_prompt=FewShotPromptTemplate(examples=examples,example_prompt=example_prompt,prefix="你是一位炉况诊断专家。请按照以下示例格式分析高炉炉况：",suffix="输入：{input}\n输出：",input_variables=["input"])# 📌 测试prompt=few_shot_prompt.format(input="铁水温度1505°C，硅含量0.52%，炉渣碱度1.20")llm=ChatOpenAI(model="doubao-seed-2-0-lite-260215",temperature=0.3)response=llm.invoke(prompt)print(response.content)✨ 效果：AI 会严格按照示例的格式输出，不会"自由发挥"。
🏭 实战案例：高炉炉况诊断 Prompt 链
把我们学的三板斧组合起来，做一个完整的炉况诊断系统 😎
fromlangchain.promptsimport(PromptTemplate,ChatPromptTemplate,SystemMessagePromptTemplate,HumanMessagePromptTemplate)fromlangchain_openaiimportChatOpenAIfromlangchain.prompts.few_shotimportFewShotPromptTemplate# 初始化模型llm=ChatOpenAI(model="doubao-seed-2-0-lite-260215",temperature=0.2,# 诊断场景要低温度，更稳定timeout=600)# ───────────── 第一步：炉况评估 Prompt ─────────────furnace_eval_prompt=ChatPromptTemplate.from_messages([SystemMessagePromptTemplate.from_template("你是一位精通高炉炼铁工艺的资深专家。""你擅长通过分析关键参数判断炉况。""请严格按照给定的输出格式回答，不要随意增删内容。"),HumanMessagePromptTemplate.from_template(""" 请评估以下高炉的炉况： 📊 关键参数： - 风温：{wind_temp} - 风量：{wind_volume} - 风压：{wind_pressure} - 透气性指数：{permeability_index} - 铁水温度：{iron_temp} - 硅含量：[Si] = {si_content} - 炉渣碱度：R = {basicity} - 料速：{charging_speed} 批/h 请输出以下格式的评估结果： 【炉温水平】偏热/正常/偏凉 【炉况稳定性】稳定/波动/异常 【重点关注】列出1-2个需关注的指标 【操作建议】1-2条具体建议 """),])# ───────────── 第二步：执行评估 ─────────────messages=furnace_eval_prompt.format_messages(wind_temp="1180°C",wind_volume="4850 m³/min",wind_pressure="0.385 MPa",permeability_index="34.2",iron_temp="1475°C",si_content="0.38%",basicity="1.18",charging_speed="6.5")response=llm.invoke(messages)print("🔍 炉况评估结果：")print(response.content)🎬 执行效果预览
🔍 炉况评估结果： 【炉温水平】偏凉 【炉况稳定性】波动 【重点关注】铁水温度偏低（1475°C），硅含量已接近下限 【操作建议】 1. 建议加焦3-5批，提高炉热水平 2. 适当降低风量50-100m³/min，稳定压量关系💡经验之谈：在工业场景中，Temperature（温度参数）要调低（0.1~0.3），否则 AI 每次回答不一样，现场没法用！
⚡ Prompt 进阶技巧：让AI更"听话"
🚫 负面指令（Negative Instructions）
# ✅ 明确告诉AI不要做什么prompt=""" 你是高炉炼铁专家。请遵循以下约束： - ❌ 不要使用模糊词汇（如"可能"、"大概"、"也许"） - ❌ 不要输出与高炉无关的内容 - ✅ 必须引用数据支撑结论 - ✅ 结论必须明确（正常/异常/紧急） """📋 结构化输出约束
# 让AI输出JSON格式，方便下游解析prompt=""" 分析以下数据并输出JSON格式的结果： {json_data} 请严格按照以下Schema输出： {{ "furnace_status": "stable|unstable|crisis", "confidence": 0.0~1.0, "abnormal_params": ["param1", "param2"], "suggestions": ["suggestion1", "suggestion2"] } """🔄 思维链（Chain-of-Thought）
prompt=""" 请逐步思考以下高炉炉况诊断问题： 1️⃣ 首先，列出所有异常参数 2️⃣ 其次，分析参数之间的关联性 3️⃣ 然后，找出最可能的根本原因 4️⃣ 最后，给出操作建议 数据：{data} 请按上述步骤逐一输出你的思考过程。 """这种"先思考再回答"的方式，能显著提升复杂诊断的准确率 📈
📊 本期小结
| 内容 | 核心要点 |
|---|---|
| Prompt分类 | System / Human / AI Message |
| PromptTemplate | 变量注入，一套模板打天下 |
| ChatPromptTemplate | 多轮对话管理 |
| FewShotPromptTemplate | 给AI看样例，输出更规范 |
| 工业场景要点 | 低温、结构化、负面指令 |
💡 小贴士：写好 Prompt 的核心秘诀就一句话——“把AI当成一个刚入职的实习生，你要事无巨细地告诉他该怎么做”。
📌 下期预告
第3期：《模型调用篇：选对模型，高炉炼铁事半功倍》🚀
Prompt 写好了，模型怎么选？是选豆包还是 GPT？是选 DeepSeek 还是 Kimi？
不同的模型有不同的"性格"——有的擅长推理，有的擅长代码，有的便宜好用……
下一期，我们手把手教你如何在 LangChain 中配置和切换模型，找到最适合"高炉场景"的 AI 大脑！💪
🌟别忘了收藏+关注，16期连载不迷路！
作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。
👍 如果觉得有帮助，请点赞、收藏、转发！
版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为)。
🔔 关注专栏，不错过后续精彩内容！
)
