AI提示词工程实战：从设计原则到生产环境优化

1次阅读

没有评论

共计 1950 个字符，预计需要花费 5 分钟才能阅读完成。

在 AI 提示词工程实践中，我们常遇到以下三类核心问题：

歧义性：自然语言描述的提示词容易产生多义理解，比如 ” 推荐一些热门产品 ” 中 ” 热门 ” 可能指销量、评分或时效性
上下文丢失：长对话场景下，LLM（大语言模型）可能遗忘早期设定的关键约束条件，导致输出偏离预期
响应延迟：复杂提示词拼接和模型计算会导致响应时间波动，在实时交互场景中影响用户体验

采用三层结构实现关注点分离：

基础层：维护原子级提示词片段（如系统角色设定、基础指令格式）
业务层：按场景组装业务逻辑相关的提示模块（如电商场景的商品特征描述模板）
校验层：通过规则引擎检查最终提示词的 token 长度、敏感词等内容

使用 Python 的字符串模板实现变量替换，关键步骤包括：

定义模板占位符格式（如{{variable}}）
建立变量白名单机制防止注入攻击
对未赋值变量提供默认值回退策略

通过正则表达式实现：

import re

def sanitize_input(text: str) -> str:
    # 移除非 ASCII 字符同时保留常见标点
    return re.sub(r'[^\x20-\x7E]', '', text)

完整提示词组装器示例：

from string import Template
from typing import Dict, Optional

class PromptBuilder:
    def __init__(self):
        self._template_cache = {}

    def compile_template(self, template_str: str) -> Template:
        """带缓存的模板编译方法"""
        if template_str not in self._template_cache:
            self._template_cache[template_str] = Template(template_str)
        return self._template_cache[template_str]

    def build_prompt(
        self,
        template: str,
        variables: Dict[str, str],
        max_length: Optional[int] = 2048
    ) -> str:
        """安全构建提示词"""
        try:
            compiled = self.compile_template(template)
            result = compiled.safe_substitute(variables)
            if max_length and len(result) > max_length:
                raise ValueError(f"Prompt exceeds {max_length} characters")
            return result
        except Exception as e:
            # 记录异常并返回安全提示
            print(f"Prompt build failed: {str(e)}")
            return "System error: please try again"

单元测试示例：

import unittest

class TestPromptBuilder(unittest.TestCase):
    def test_basic_substitution(self):
        builder = PromptBuilder()
        template = "Hello {{name}}, your score is {{score}}"
        self.assertEqual(builder.build_prompt(template, {"name": "Alice", "score": "95"}),
            "Hello Alice, your score is 95"
        )

通过模板预编译实现 10 倍以上 QPS 提升：