从提示工程到AI智能体：新手入门实战指南

1次阅读

没有评论

共计 2375 个字符，预计需要花费 6 分钟才能阅读完成。

提示工程是通过精心设计输入文本来引导 AI 模型输出预期结果的技术。就像跟人交流时提问的方式会影响答案质量，好的 prompt 能让 AI 更精准理解需求。

核心要素：明确指令 + 示例 + 输出格式约束
典型应用：客服对话模板、代码生成引导

智能体是能自主感知环境、做出决策并执行的 AI 系统。相比单一模型调用，它具有：

记忆能力（对话历史记录）
工具调用（搜索 / 计算等）
决策逻辑（规则 + 机器学习）

提示工程是智能体的 ” 语言接口 ” 设计基础，而智能体是 prompt 技术的进阶应用形态。就像教小朋友时：

单次提问 → 基础 prompt
持续辅导 → 智能体系统

# 基于正则的规则匹配示例
if re.search(r'退款 | 退货', user_input):
    return predefinded_refund_policy

✅ 优点：响应快（O(1)时间复杂度）、可解释性强
❌ 缺点：维护成本高（需人工更新规则）、泛化能力差

# 基于 LLM 的决策示例
action = llm.generate(
    f""" 根据用户问题选择处理方式：用户输入：{user_input}
    可选操作：[退款流程, 物流查询, 人工客服]""")

✅ 优点：处理未知场景能力强、支持自然语言交互
❌ 缺点：响应延迟较高（500-2000ms）、存在幻觉风险

def build_prompt(template: str, **kwargs):
    """ 参数化 prompt 生成器

    参数：template - 包含 {变量} 的字符串模板
        kwargs - 替换变量键值对
    """
    return template.format(**kwargs)

# 使用示例
question_template = """ 请用 {style} 风格回答：问题：{query}
要求：不超过 {max_words} 字 """

prompt = build_prompt(
    question_template,
    style="幽默",
    query="如何学习 Python",
    max_words=100
)

from langchain.agents import initialize_agent
from langchain.llms import OpenAI

# 关键参数说明
llm = OpenAI(
    temperature=0.5,  # 控制创造性（0-1）max_tokens=1024,  # 最大输出长度
    request_timeout=30  # API 超时设置
)

tools = [...]  # 自定义工具列表（搜索 / 计算等）agent = initialize_agent(
    tools,
    llm,
    agent="zero-shot-react-description",  # 推理类型
    verbose=True  # 打印执行过程
)

# 执行示例
agent.run("请对比 Python 和 JavaScript 的优缺点")

问题：当对话历史超过模型最大 token 限制（如 GPT-3.5 的 4096 tokens）

解决方案：

摘要压缩：

from langchain.text_splitter import RecursiveCharacterTextSplitter

splitter = RecursiveCharacterTextSplitter(
    chunk_size=1000,
    chunk_overlap=200  # 保留上下文片段
)

优先级筛选：

def filter_context(messages):
    return sorted(
        messages, 
        key=lambda x: x["importance"], 
        reverse=True
    )[:5]  # 保留最重要 5 条

import asyncio
from aiohttp import ClientSession

async def batch_query(prompts):
    async with ClientSession() as session:
        tasks = [
            session.post(
                API_ENDPOINT, 
                json={"prompt": p},
                timeout=10
            ) for p in prompts
        ]
        return await asyncio.gather(*tasks)

# 调用示例（并发 10 个请求）asyncio.run(batch_query(prompt_list))

时间复杂度：O(n) → 比同步请求快 3 - 5 倍

# Prometheus 指标示例
from prometheus_client import Counter

api_calls = Counter(
    'llm_api_requests_total', 
    'API 调用统计',
    ['endpoint', 'status']
)

# 在调用处埋点
api_calls.labels(
    endpoint='/v1/chat', 
    status='success'
).inc()

import re

sensitive_pattern = re.compile(r'(暴力 | 色情 | 政治敏感词 1 | 敏感词 2)', 
    flags=re.IGNORECASE
)

def sanitize_input(text):
    return sensitive_pattern.sub("[REDACTED]", text)