AI原生应用开发实战：从提示工程原理到PDF生成的最佳实践

1次阅读

共计 1831 个字符，预计需要花费 5 分钟才能阅读完成。

在开发 AI 原生应用时，提示工程（Prompt Engineering）的质量直接影响模型输出的效果。尤其在 PDF 生成这类需要结构化输出的场景中，开发者常遇到以下问题：

意图理解偏差：简单的提示词容易导致模型误解需求，例如将 ” 生成报告 ” 理解为 ” 总结报告 ”
结果不可控：相同提示在不同运行时可能产生格式不一致的输出
长文本质量衰减：生成多页 PDF 时出现内容重复或逻辑断裂

这些痛点使得许多项目被困在 ” 演示可用，生产翻车 ” 的怪圈中。

通过提供输入 - 输出示例，显著提升模型表现。例如：

# 3-shot 示例模板
examples = [
    {"input": "生成 2023Q1 销售报告", 
     "output": "{\"title\":\"2023Q1 销售报告 \",\"sections\":[...]}"},
    {"input": "创建用户手册",
     "output": "{\"doc_type\":\"manual\",\"pages\":[...]}"}
]

引导模型分步推理，这对复杂 PDF 结构特别有效：

请按以下步骤生成技术文档：1. 识别文档类型（API 参考 / 用户指南等）2. 提取关键章节标题
3. 为每个章节生成 3 - 5 个要点
4. 输出 Markdown 格式

以下是通过 LangChain 实现的生产级 PDF 生成流程（关键代码节选）：

from langchain.chains import LLMChain
from langchain.prompts import FewShotPromptTemplate
import pdfkit  # 需要 wkhtmltopdf

# 异常处理装饰器
def handle_pdf_errors(func):
    def wrapper(*args, **kwargs):
        try:
            return func(*args, **kwargs)
        except pdfkit.ConfigurationError as e:
            print(f"PDF 配置错误: {e}")
            # 自动回退到纯文本输出
            return str(args[0])
    return wrapper

# 带 Few-shot 的提示模板
pdf_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=...,
    prefix="你是一名专业文档工程师",
    suffix="输入: {input}\n 输出:",
    input_variables=["input"]
)

@handle_pdf_errors
def generate_pdf(content: str, output_path: str):
    """
    生成 PDF 文件
    :param content: 必须是 HTML 格式字符串
    :param output_path: 输出文件路径
    """options = {'encoding':'UTF-8','quiet':'',
        'enable-local-file-access': None  # 允许加载本地资源
    }
    pdfkit.from_string(content, output_path, options=options)

我们对三种提示策略进行了基准测试（测试环境：GPT-4, 100 次迭代）：