提示词工程（Prompt Engineering）

提示词工程是让LLM产生高质量输出的关键技能。

什么是提示词？

提示词是你给LLM的指令或输入，决定了输出的质量。

基本结构

[角色设定] + [任务描述] + [输入数据] + [输出格式] + [示例]

糟糕的提示词 vs 优秀的提示词

提示词设计原则

1. 明确角色（Persona）

让LLM扮演特定角色。

from langchain_openai import ChatOpenAI
from langchain.schema import SystemMessage, HumanMessage
llm = ChatOpenAI(model="gpt-4")
# 系统消息定义角色
system_prompt = """
你是一位经验丰富的Python开发者，擅长代码审查。
你的任务是：
1. 检查代码错误
2. 提供改进建议
3. 优化性能
4. 确保代码可读性
"""
user_prompt = """
请审查以下代码：
def calculate_sum(numbers):
s = 0
for n in numbers:
s = s + n
return s
"""
messages = [
SystemMessage(content=system_prompt),
HumanMessage(content=user_prompt)
]
response = llm.invoke(messages)
print(response.content)

2. 清晰任务

明确告诉LLM要做什么。

# ❌ 不清晰
prompt = "处理这段数据"
# ✅ 清晰
prompt = """
请将以下JSON数据转换为CSV格式：
1. 保留所有字段
2. 使用逗号分隔
3. 第一行为字段名
4. 确保正确处理引号和换行
数据：
{"name": "Alice", "age": 25, "city": "New York"}
{"name": "Bob", "age": 30, "city": "London"}
"""

3. 提供示例（Few-Shot）

给LLM几个例子，让它模仿。

prompt = """
以下是一些数学问题的例子：
Q: 2 + 2 = ?
A: 4
Q: 5 × 6 = ?
A: 30
Q: 10 ÷ 2 = ?
A: 5
现在请回答：
Q: 7 × 8 = ?
A:
"""
llm.invoke(prompt)

4. 指定输出格式

控制输出的结构。

prompt = """
分析以下文本的情感：
文本："这部电影太棒了！我非常推荐。"
请以JSON格式输出：
{
"sentiment": "正面/负面/中性",
"confidence": 0-1,
"keywords": ["关键词1", "关键词2"]
}
"""

常用提示词模板

模板1: 分类任务

classification_prompt = """
作为文本分类专家，请将以下文本分类为：
- 积极情感
- 消极情感
- 中性
文本：{text}
输出格式：
类别: [你的答案]
理由: [简要理由]
"""
text = "今天天气真不错！"
llm.invoke(classification_prompt.format(text=text))

模板2: 提取任务

extraction_prompt = """
从以下文本中提取信息：
- 姓名
- 邮箱
- 电话号码
文本：{text}
输出格式（JSON）:
{{
"name": "...",
"email": "...",
"phone": "..."
}}
如果找不到某项信息，该字段设为null。
"""
text = "我叫张三，邮箱是zhangsan@example.com，电话是13812345678。"
llm.invoke(extraction_prompt.format(text=text))

模板3: 重写任务

rewrite_prompt = """
请将以下文本重写为更正式的商务邮件风格：
原文：{original}
要求：
1. 使用正式语言
2. 保持核心信息
3. 简洁明了
4. 长度控制在200字以内
重写后的文本：
"""
original = "嘿，那个项目做完了，你看看吧，有什么问题随时找我。"
llm.invoke(rewrite_prompt.format(original=original))

模板4: 代码生成

code_prompt = """
作为Python专家，请编写一个函数完成任务。
任务：{task}
要求：
1. 使用Python 3.10+
2. 添加类型注解
3. 编写文档字符串（docstring）
4. 处理异常情况
5. 提供使用示例
代码：
"""
task = "实现一个快速排序算法"
response = llm.invoke(code_prompt.format(task=task))
print(response.content)

高级技巧

1. 思维链（Chain of Thought）

让LLM逐步思考。

cot_prompt = """
小明有5个苹果，他给了小红2个，又买了3个。
现在小明有多少个苹果？
请逐步思考：
1. 初始：小明有5个苹果
2. 第一步：...
3. 第二步：...
4. 最终答案：...
开始思考：
"""
response = llm.invoke(cot_prompt)
print(response.content)

2. 自我反思（Self-Reflection）

让LLM检查自己的输出。

reflection_prompt = """
请回答以下问题，然后检查你的答案：
问题：π（圆周率）小数点后第10位是多少？
步骤1：直接回答
你的答案：__
步骤2：检查答案
请检查你的答案是否正确，如果不对，请修正：
最终答案：__
"""
response = llm.invoke(reflection_prompt)

3. 分解任务

复杂任务分解为多个简单任务。

# 任务1: 提取关键信息
extract_prompt = "从以下文本中提取关键信息..."
# 任务2: 分析情感
sentiment_prompt = "分析上述信息的情感倾向..."
# 任务3: 生成总结
summary_prompt = "基于以上信息，生成总结..."
# 依次执行
step1 = llm.invoke(extract_prompt)
step2 = llm.invoke(sentiment_prompt + "\n" + step1.content)
step3 = llm.invoke(summary_prompt + "\n" + step2.content)

4. 角色扮演对话

模拟专家咨询。

conversation_prompt = """
你现在是一位资深的产品经理。
用户想开发一个笔记应用，请你提供专业建议。
用户：我想开发一个笔记应用，不知道从何开始。
请从以下方面提供建议：
1. 核心功能
2. 技术选型
3. 开发优先级
4. 可能的挑战
你的回复：
"""
response = llm.invoke(conversation_prompt)

使用LangChain的提示词模板

from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain
# 定义模板
template = """
你是一位{role}。
任务：{task}
输入：{input}
请按要求完成：
"""
# 创建提示词模板
prompt = PromptTemplate(
template=template,
input_variables=["role", "task", "input"]
)
# 创建链
llm = ChatOpenAI(model="gpt-4")
chain = LLMChain(llm=llm, prompt=prompt)
# 使用
result = chain.run(
role="Python开发者",
task="解释这段代码",
input="print('Hello, World!')"
)
print(result)

提示词调试技巧

1. A/B测试

prompt_a = "写一个Python函数计算阶乘"
prompt_b = """
作为Python专家，请编写一个高效的阶乘函数。
要求：
1. 使用递归
2. 添加类型注解
3. 编写文档字符串
"""
result_a = llm.invoke(prompt_a)
result_b = llm.invoke(prompt_b)
# 比较结果
print("Prompt A结果:", result_a.content)
print("Prompt B结果:", result_b.content)

2. 迭代优化

# 初始版本
prompt_v1 = "写一个故事"
result_v1 = llm.invoke(prompt_v1)
# 收集反馈，优化
prompt_v2 = """
写一个200字的科幻短篇故事。
主题：时间旅行
风格：悬疑
"""
result_v2 = llm.invoke(prompt_v2)
# 继续优化
prompt_v3 = """
作为科幻小说作家，写一个关于时间旅行的200字悬疑短篇故事。
要求：
1. 开头要有悬念
2. 中间有反转
3. 结尾留白让人思考
"""
result_v3 = llm.invoke(prompt_v3)

实践项目

项目1: 邮件分类器

email_classifier_prompt = """
作为邮件分类助手，请将以下邮件分类为：
- 工作
- 个人
- 广告
- 垃圾邮件
邮件：
主题：{subject}
内容：{content}
输出格式：
类别: [分类结果]
理由: [简短理由]
"""
# 使用示例
subject = "会议邀请：项目进度讨论"
content = "大家好，本周五下午3点开会讨论项目进度，请准时参加。"
result = llm.invoke(email_classifier_prompt.format(
subject=subject,
content=content
))
print(result.content)

项目2: 代码解释器

code_explanation_prompt = """
作为Python教学助手，请解释以下代码：
```python
{code}

解释要求： 1. 整体功能 2. 关键代码行注释 3. 输入输出 4. 可能的改进 5. 学习要点

请用清晰的格式输出。 """

code = """ def quicksort(arr): if len(arr) <= 1: return arr pivot = arr[len(arr) // 2] left = [x for x in arr if x < pivot] middle = [x for x in arr if x == pivot] right = [x for x in arr if x > pivot] return quicksort(left) + middle + quicksort(right) """

result = llm.invoke(code_explanation_prompt.format(code=code)) print(result.content) ```

学习要点

✅ 提示词工程是LLM应用的核心技能 ✅ 明确角色、任务、格式、示例是四大原则 ✅ 思维链、自我反思、任务分解是高级技巧 ✅ 使用模板可以提高复用性 ✅ A/B测试和迭代优化是持续改进的方法

下一步: 学习 API集成 构建实际应用 🔗