AI提示工程实战指南：从基础概念到生产级应用

1次阅读

共计 1442 个字符，预计需要花费 4 分钟才能阅读完成。

最近在将大语言模型接入业务系统时，我遇到了一个典型问题：相同的问题输入，模型有时能给出完美答案，有时却完全跑偏。经过排查发现，问题出在提示词设计上——那些看似简单的文字输入，实际上决定了模型 90% 的输出质量。

零样本提示 ：最简单的直接提问方式，适合简单明确的查询
示例："翻译这句话：Hello world"
优点：实现简单
缺点：复杂任务效果差
少样本提示 ：提供 2 - 5 个示例说明任务要求
示例："就像这样转换：输入'A1'→输出' 第一列 '，现在请转换'B3'"
优点：中等复杂度任务表现好
缺点：token 消耗增加
思维链提示 ：引导模型展示推理过程
示例："请分步骤思考：首先... 然后... 最后..."
优点：复杂任务准确率高
缺点：响应时间较长

一个完整的提示应包含以下要素：

角色定义 ："你是一位经验丰富的 Python 开发工程师"
任务说明 ："需要将用户需求转换为 Pandas 代码"
输出格式 ："按照以下 JSON 格式响应：{code:'', explanation:''}"
注意事项 ："不要使用已弃用的 API"

class PromptBuilder:
    """
    参数化提示构建工具
    >>> builder = PromptBuilder(role="数据分析师")
    >>> print(builder.build(task="数据清洗"))
    """

    def __init__(self, role: str):
        self.role = role
        self.examples = []

    def add_example(self, input_text: str, output_text: str):
        """添加少样本示例"""
        self.examples.append(f"输入：{input_text}\n 输出：{output_text}")

    def build(self, task: str, format_constraints: str = None) -> str:
        """构建完整提示"""
        prompt = f"你是一位 {self.role}，需要完成以下任务：{task}"
        if self.examples:
            prompt += "\n 参考示例：\n" + "\n\n".join(self.examples)
        if format_constraints:
            prompt += f"\n 输出要求：{format_constraints}"
        return prompt