从Prompt到Skill：构建可复用的AI技能转换框架

2次阅读

没有评论

共计 1251 个字符，预计需要花费 4 分钟才能阅读完成。

临时编写的 Prompt 难以保证输出稳定性，细微调整可能导致结果大幅偏离
缺乏标准化接口的 Prompt 无法被其他模块复用，形成信息孤岛
直接调用 API 时，开发者需要重复处理上下文管理、异常重试等基础问题

让我们通过三个维度对比两种方式的差异：

响应稳定性：直接调用 API 时成功率依赖网络状况，而技能封装可通过重试机制将成功率从 92% 提升至 99.5%
维护成本：修改 Prompt 时，未封装的方案需要全量回归测试，技能化方案只需验证单一模块
性能开销：增加封装层带来约 15ms 延迟，但通过缓存优化可降低高频场景 90% 的 API 调用

输入处理流程分三步走：

参数校验：使用 Pydantic 确保输入字段类型和范围合规
意图识别：通过 fastText 分类器将用户输入映射到预定义技能
参数归一化：将同义参数转换为标准值（如 ” 沪 ”→” 上海 ”）

from pydantic import BaseModel, validator

class WeatherRequest(BaseModel):
    city: str
    date: str  # YYYY-MM-DD

    @validator('city')
    def city_must_exist(cls, v):
        if v not in CITY_DB:
            raise ValueError(f'Unsupported city: {v}')
        return CITY_DB[v]  # 转换为标准城市名

对话状态机实现要点：

使用 Redis 存储对话上下文，设置 15 分钟 TTL
每个技能独立维护状态字段，避免污染全局上下文
超时后自动发送「会话已过期」提示模板

分级处理策略示例：

首次失败：立即重试（间隔 500ms）
第二次失败：切换备用 API 端点
第三次失败：返回预置兜底结果并报警

from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=0.5)
)
async def call_llm_api(prompt: str):
    # 实现带退避的重试逻辑