Prompt Engineering实战：如何通过上下文注入和多轮对话优化提升代码生成质量

1次阅读

共计 2300 个字符，预计需要花费 6 分钟才能阅读完成。

在使用 LLM 生成代码时，许多开发者会遇到以下典型问题：

上下文丢失：当讨论复杂逻辑时，模型经常 ” 忘记 ” 之前定义的变量或函数
多轮对话效率低下：每次提问都像重新开始，需要反复解释需求
结果不稳定：相同 Prompt 在不同时段可能产生质量差异显著的代码

这些问题本质上是因为未系统化地管理对话上下文和交互策略。下面我们就从技术原理到实战方案逐一破解。

通过明确设定 AI 角色来约束响应风格：

system_prompt = """ 你是一个资深 Python 工程师，擅长用 numpy 进行科学计算。回答时需满足：1. 给出完整可执行的代码块
2. 对关键算法添加行内注释
3. 优先考虑计算效率 """

提供输入输出示例来演示期望格式：

examples = """
用户：请生成创建 3x3 单位矩阵的代码
AI：```python
import numpy as np
# 创建 3x3 单位矩阵
def create_identity():
    return np.eye(3)

“””


## 3. 知识图谱嵌入
将领域知识结构化后注入 Prompt：```python
domain_knowledge = """
概念关系：- 矩阵乘法 -> np.dot(a,b)
- 矩阵转置 -> arr.T
- 逆矩阵 -> np.linalg.inv(arr)
"""

通过维护对话历史实现连贯交流：

class ChatState:
    def __init__(self):
        self.history = []

    def add_message(self, role, content):
        self.history.append({"role":role, "content":content})

    def get_context_window(self, max_tokens=2000):
        # 实现 token 感知的上下文截断
        ...

当检测到代码错误时自动发起修正流程：

运行静态检查（如 pylint）
提取错误信息注入新 Prompt
要求模型解释错误原因并修正

对模糊需求主动发起澄清询问：

clarification_template = """
检测到可能需要澄清的要素：{ambiguous_points}
请确认：1. 您期望的 {parameter} 具体是？2. 是否需要考虑 {edge_case} 情况？"""

完整实现代码示例：

import openai
from typing import List, Dict

class CodeGenerator:
    def __init__(self, api_key):
        self.api_key = api_key
        self.context = [{"role": "system", "content": system_prompt},
            {"role": "assistant", "content": examples}
        ]

    def generate(self, user_input: str) -> str:
        self.context.append({"role": "user", "content": user_input})

        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=self.context,
            temperature=0.7,
            max_tokens=1500
        )

        result = response.choices[0].message.content
        self.context.append({"role": "assistant", "content": result})
        return self._post_process(result)

    def _post_process(self, code: str) -> str:
        # 实现代码格式化、安全检查等后处理
        return code

❌ 单次 Prompt 塞入过多需求（应拆分为原子操作）
❌ 忽略 token 限制导致上下文截断（需监控上下文长度）
❌ 缺乏错误处理约定（应提前定义异常处理规范）

上下文压缩：
对历史对话生成摘要
移除重复的导入语句

动态上下文管理：

def trim_context(context: List[Dict], max_tokens: int):
    current_len = sum(len(m["content"]) for m in context)
    while current_len > max_tokens and len(context) > 1:
        context.pop(1)  # 保留 system prompt
        current_len = sum(len(m["content"]) for m in context)