极简LLM入门指南4

Prompt工程：如何让AI更好地理解你

构建LLM应用的核心不只是调用API，更关键的是如何给模型写出有效的指令。同样的问题，用不同的方式提问，结果质量可能相差很大。这就是Prompt工程的核心价值。

本文需要先完成第03篇的内容，并理解system_prompt的概念。

从失败案例开始

要理解好的Prompt是什么，不妨先看看常见的写法问题：

# ❌ 糟糕的Promptprompt_bad="写代码"# ✅ 优秀的Promptprompt_good=""" 任务：实现用户登录功能 要求： 1. 使用Python FastAPI 2. JWT认证 3. 包含错误处理 4. 返回标准JSON响应 输出格式：完整可运行的代码 """

Prompt核心要素

classPromptTemplate:"""高质量Prompt模板"""def__init__(self):self.elements={"role":"角色定义",# 你是谁"task":"任务描述",# 做什么"context":"背景信息",# 相关信息"format":"输出格式",# 期望格式"examples":"示例",# Few-shot"constraints":"约束"# 限制条件}defbuild(self,**kwargs):returnf""" 角色：{kwargs.get('role','专业助手')}任务：{kwargs['task']}背景：{kwargs.get('context','')}要求：{kwargs.get('constraints','')}输出格式：{kwargs.get('format','文本')}"""

好的Prompt应该包含几个关键要素：角色定义（你是谁）、任务描述（做什么）、背景信息（相关条件）、输出格式（什么形式）。

核心技巧

Zero-shot 到 Few-shot

# Zero-shot（准确率60%）prompt_zero="将以下句子分类为正面或负面：这个产品真棒！"# Few-shot（准确率90%）prompt_few=""" 句子分类示例： "服务很好" -> 正面 "太贵了" -> 负面 "质量差" -> 负面 现在分类："这个产品真棒！" """# 代码实现deffew_shot_classify(text,examples):prompt="句子情感分类：\n"forexinexamples:prompt+=f'"{ex["text"]}" ->{ex["label"]}\n'prompt+=f'\n现在分类："{text}"'returnprompt

Chain-of-Thought（分步思考）

# 普通Prompt（易错）prompt_normal="23 * 47 = ?"# CoT Prompt（准确）prompt_cot=""" 问题：23 * 47 = ? 让我们一步步思考： 1. 首先分解：23 * 47 = 23 * (40 + 7) 2. 计算：23 * 40 = 920 3. 计算：23 * 7 = 161 4. 相加：920 + 161 = 1081 答案：1081 """# 自动CoT生成器defgenerate_cot_prompt(question):returnf""" 问题：{question}请按以下步骤思考： 1. 理解问题的核心要求 2. 分解为子问题 3. 逐个解决子问题 4. 综合得出最终答案 让我们开始： """

Self-Consistency（多路径推理）

asyncdefself_consistency_inference(prompt,n=3):"""多路径推理，投票决定"""importasynciofromcollectionsimportCounter# 并行生成多个答案tasks=[llm.agenerate(prompt,temperature=0.7)for_inrange(n)]responses=awaitasyncio.gather(*tasks)# 投票选择最常见答案answers=[extract_answer(r)forrinresponses]most_common=Counter(answers).most_common(1)[0][0]returnmost_common

ReAct（推理+行动）

# 注意：这里介绍ReAct的基本概念# 完整的Agent实现请参考第07篇classSimpleReActDemo:"""ReAct模式简单演示：思考-行动-观察"""def__init__(self):self.prompt_template=""" 任务：{task} 请按以下格式思考（仅示例，不执行实际工具）： Thought: 分析需要做什么 Action: 如果有工具，会调用什么 Expected Result: 预期结果 Final Answer: 最终答案 示例： """defdemonstrate(self,task):"""演示ReAct思考过程"""prompt=self.prompt_template.format(task=task)# 这里仅展示思考过程，不实际执行# 第07篇将实现完整的工具调用returnf""" Thought: 我需要{task}Action: 如果有搜索工具，我会搜索相关信息 Expected Result: 获得相关资料 Final Answer: 基于资料给出答案 注：完整的Agent工具调用实现见第07篇。 """

Tree-of-Thoughts（思维树）

deftree_of_thoughts(problem,branches=3,depth=3):"""思维树搜索最佳解决方案"""defevaluate_thought(thought):# 评估思路质量prompt=f"评估这个解决方案的可行性(1-10)：\n{thought}"score=llm.generate(prompt)returnfloat(score)defgenerate_thoughts(current_state,n=3):# 生成n个可能的下一步prompt=f""" 当前状态：{current_state}请提供{n}种不同的下一步方案： """returnllm.generate(prompt).split('\n')# BFS搜索queue=[(problem,0)]best_solution=Nonebest_score=0whilequeueanddepth>0:current,d=queue.pop(0)ifd>=depth:continuethoughts=generate_thoughts(current,branches)forthoughtinthoughts:score=evaluate_thought(thought)ifscore>best_score:best_score=score best_solution=thoughtifscore>7:# 阈值queue.append((thought,d+1))returnbest_solution

Constitutional AI（宪法AI）

classConstitutionalAI:"""确保输出符合原则"""def__init__(self,principles):self.principles=principlesdefgenerate_with_critique(self,prompt):# 第一步：生成初始响应response=llm.generate(prompt)# 第二步：自我批评critique_prompt=f""" 响应：{response}请检查以下原则：{chr(10).join(self.principles)}是否有违反？如有，请修改。 """critique=llm.generate(critique_prompt)# 第三步：修正响应if"违反"incritique:revision_prompt=f""" 原始响应：{response}批评：{critique}请提供修正后的版本。 """returnllm.generate(revision_prompt)returnresponse

实战案例

客服系统

classCustomerServiceBot:def__init__(self):self.system_prompt=""" 你是一位专业的客服代表。 核心原则： 1. 保持专业和友好 2. 准确理解客户问题 3. 提供具体解决方案 4. 必要时转人工 回复格式： 【问题理解】：复述客户问题 【解决方案】：具体步骤 【后续建议】：预防措施 """defhandle_query(self,query,context=None):prompt=f"""{self.system_prompt}客户历史：{contextor'新客户'}当前问题：{query}请回复： """returnllm.generate(prompt)# 使用示例bot=CustomerServiceBot()response=bot.handle_query("我的订单已经3天没收到了",context="VIP客户，上月购买5次")

代码审查

defreview_code(code,language="python"):prompt=f""" 角色：资深{language}开发者，代码审查专家 任务：审查以下代码 代码：{code}请从以下方面审查： 1. 【安全性】是否有安全隐患 2. 【性能】是否有性能问题 3. 【可读性】命名和结构是否清晰 4. 【最佳实践】是否遵循{language}最佳实践 5. 【潜在bug】是否有逻辑错误 输出格式： 问题级别：严重/中等/建议 位置：行号 描述：问题说明 修复建议：具体代码 只输出发现的问题，如果代码很好，说"LGTM"。 """returnllm.generate(prompt)

数据分析

classDataAnalyst:defanalyze(self,data_description,goal):# 结构化分析流程analysis_prompt=f""" 角色：数据分析专家 数据描述：{data_description}分析目标：{goal}请按以下步骤分析： Step 1: 数据理解 - 数据类型和规模 - 关键字段识别 Step 2: 分析方法选择 - 推荐的统计方法 - 可视化建议 Step 3: 代码实现 - 提供完整的pandas代码 - 包含数据处理逻辑 - 生成可视化 Step 4: 洞察总结 - 关键发现（3-5点） - 业务建议 """returnllm.generate(analysis_prompt)

优化建议速查

技巧	效果提升	使用场景	代码示例
明确角色	+20%	所有场景	"你是Python专家"
提供示例	+30%	分类/格式化	Few-shot
分步思考	+40%	复杂推理	CoT
输出格式	+25%	结构化输出	JSON/Markdown
约束条件	+15%	精确控制	字数/风格限制

Prompt测试与调试

实际应用中，需要验证Prompt的有效性。以下工具可以帮助你测试和改进Prompt：

classPromptDebugger:"""Prompt效果测试工具"""def__init__(self):self.metrics=[]deftest_prompt(self,prompt_template,test_cases):"""批量测试Prompt效果"""results=[]forcaseintest_cases:prompt=prompt_template.format(**case['input'])response=llm.generate(prompt)# 评估响应质量score=self.evaluate(response,case['expected'])results.append({'input':case['input'],'response':response,'score':score})# 统计分析avg_score=sum(r['score']forrinresults)/len(results)print(f"平均得分:{avg_score:.2f}")# 失败案例分析failed=[rforrinresultsifr['score']<0.6]iffailed:print(f"失败案例:{len(failed)}")forfinfailed[:3]:print(f" 输入:{f['input']}")print(f" 问题:{self.diagnose(f)}")returnresultsdefevaluate(self,response,expected):"""评估响应质量"""# 这里可以用更复杂的评估逻辑ifexpectedinresponse:return1.0return0.0defdiagnose(self,failed_case):"""诊断失败原因"""# 自动诊断Prompt问题issues=[]iflen(failed_case['response'])<10:issues.append("响应过短")if"不确定"infailed_case['response']:issues.append("模型不确定")return", ".join(issues)# 使用示例debugger=PromptDebugger()test_cases=[{'input':{'text':'产品很好'},'expected':'正面'},{'input':{'text':'太贵了'},'expected':'负面'}]debugger.test_prompt("分类：{text}",test_cases)

常见错误与正确做法

编写Prompt时容易犯一些错误。了解这些错误可以帮助你快速改进：

错误	问题	正确做法
“处理这个”	指令太模糊	“将JSON数据转为CSV格式”
“请你作为一个有20年经验的…”	Prompt过长	“作为数据分析师”
“简洁但详细解释”	相互矛盾	“用3个要点总结”
“整理一下数据”	格式不明	“输出为Markdown表格”

关键是保持Prompt清晰、具体、一致。在实践中不断测试和改进。