关注 : 提示词怎么优化?

学习目标 :

1. 理解什么是提示词工程（Prompt Engineering）

2. 掌握提示词的核心组成结构

3. 掌握常见提示词设计技巧（Zero-shot / Few-shot / CoT 等）

4. 掌握角色提示词

一、什么是提示词工程

提示词（Prompt）是用户提供给AI模型的输入指令，用于指导其生成特定输出。提示词工程则是设计、优化这些指令的过程，旨在提升输出的准确性、相关性和可用性。

核心价值：

降低幻觉（Hallucination）：通过明确约束，减少AI“胡编乱造”。

提升效率 : 减少迭代次数, 一次性获的可用结果。

解锁潜能 ：引导模型完成复杂推理、创意生成等高阶任务。

二、提示词的基本结构

一个完整的Prompt，一般包含一下几个部分：

1、角色（Role）

定义模型是谁

示例：

你是一名资深金融分析专家

2、任务（Tsak）

告诉模型要做什么

示例：

请对财务数据进行分类

3、输入（Input）

提供数据

示例：

用户问题：我退款怎么还没到账

4、输出格式（Output Format）

规定输出长什么样

示例：

请以JSON格式输出

5、约束（Constraint）

限制模型行为

示例：

不要编造信息，只能基于输入判断

6、示例（Example）

给模型“参考答案”

三、提示词的核心技巧

1、角色设定（Role Prompting）

不同角色 -> 输出风格完全不同

示例 :

你是客服 -> 更礼貌

你是分析师 -> 更理性

你是老师 -> 更有解释性

2、约束控制

控制模型“不要乱说”

示例：

不要编造

不确定请返回“无法判断”

只从给定内容中回答

3、Zero-shot（零样本）

不提供示例，直接让模型做

适合：简单任务

示例：

请判断这句话的情绪是证明还是负面

import os
from openai import OpenAI
from dotenv import load_dotenv
​
env_path = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), ".env")
load_dotenv(env_path)
​
MODEL_API_KEY = os.getenv("MODEL_API_KEY")
MODEL_BASE_URL = os.getenv("MODEL_BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
client = OpenAI(api_key=MODEL_API_KEY, base_url=MODEL_BASE_URL)
​
def llm_response(user_prompt):
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=[{"role": "user", "content": user_prompt}],
        stream=False,
        max_tokens=1024,
        temperature=0.7
    )
    return response.choices[0].message.content
​
def zero_shot_sentiment(text: str) -> str:
    """Zero-shot 情感：根据用户输入的一句话返回模型输出（仅任务说明，无样例）。"""
    prompt = f"""你是文本情感分析助手。
任务：判断下面这句话的情感倾向，只能从以下标签中选一个：正面、负面、中性。
待分析文本：{text}
输出要求：只输出一个标签，不要解释。"""
    return llm_response(prompt)
​
if __name__ == "__main__":
    user_text = "这家店的包装很用心，但配送比预计慢了一天。"
    print(zero_shot_sentiment(user_text))

4、Few-shot（少样本）

提供给模型几个示例

适合：分类、风格控制

示例：
输入：这个东西很好用 → 输出：正面
输入：太垃圾了 → 输出：负面
​
请判断：
输入：一点都不好 → 输出：
代码如下：

import os
from openai import OpenAI
from dotenv import load_dotenv
​
env_path = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), ".env")
load_dotenv(env_path)
​
MODEL_API_KEY = os.getenv("MODEL_API_KEY")
MODEL_BASE_URL = os.getenv("MODEL_BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
client = OpenAI(api_key=MODEL_API_KEY, base_url=MODEL_BASE_URL)
​
​
def llm_response(user_prompt):
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=[{"role": "user", "content": user_prompt}],
        stream=False,
        max_tokens=1024,
        temperature=0.7
    )
    return response.choices[0].message.content
​
​
def few_shot_intent(user_text: str) -> str:
    few_shot_prompt = f"""
    你是电商客服对话的意图识别助手。

5、Chain of Thought（思维链）

引导模型一步一步思考

示例：

请一步一步分析问题，并给出最终答案

作用：

提高复杂问题准确率

降低“胡说八道”

import os
from openai import OpenAI
from dotenv import load_dotenv
​
env_path = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), ".env")
load_dotenv(env_path)
​
MODEL_API_KEY = os.getenv("MODEL_API_KEY")
MODEL_BASE_URL = os.getenv("MODEL_BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
client = OpenAI(api_key=MODEL_API_KEY, base_url=MODEL_BASE_URL)
​
def llm_response(user_prompt: str, max_tokens: int = 1024) -> str:
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=[{"role": "user", "content": user_prompt}],
        stream=False,
        max_tokens=max_tokens,
        temperature=0.7,
    )
    return response.choices[0].message.content
​
def cot_word_problem(question: str) -> str:
    """Chain-of-Thought：要求模型先分步推理，再给出最终答案（适合算术/逻辑应用题）。"""
    prompt = f"""你是一名擅长应用题解析的助教。
​

6、结构化输出（JSON）

用于工程化场景

示例： 请严格按照以下 JSON 输出： {  "intent": "",  "confidence": "" }

import json
import os
from typing import Any
​
from dotenv import load_dotenv
from openai import OpenAI
​
env_path = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), ".env")
load_dotenv(env_path)
​
MODEL_API_KEY = os.getenv("MODEL_API_KEY")
MODEL_BASE_URL = os.getenv("MODEL_BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
client = OpenAI(api_key=MODEL_API_KEY, base_url=MODEL_BASE_URL)
​
def llm_json_response(user_prompt: str, max_tokens: int = 1024) -> str:
    """要求模型只输出合法 JSON 对象（需兼容接口的 response_format）。"""
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=[{"role": "user", "content": user_prompt}],
        stream=False,
        max_tokens=max_tokens,
        temperature=0.3,
        response_format={"type": "json_object"},
    )
    return response.choices[0].message.content
​
def classify_ticket_json(user_issue: str) -> dict[str, Any]:
    """
    将用户工单打成结构化 JSON，并在本地 json.loads 校验。
    若网关不支持 json_object，可把 response_format 一行去掉，仅靠提示约束。
    """
    prompt = f"""你是一名客服工单分析助手。请根据用户描述，输出一个 JSON 对象（不要 markdown 代码块，不要多余说明文字）。
​
JSON 的键必须严格如下，类型与取值说明：
- "category": 字符串，只能是 "退款问题" | "物流问题" | "商品问题" | "其他"
- "confidence": 数字，0 到 1 之间，表示你对分类的把握
- "summary": 字符串，一句话概括用户诉求（不超过 50 字）
​
用户工单：
{user_issue}
"""
    raw = llm_json_response(prompt)
    return json.loads(raw)
​
if __name__ == "__main__":
    issue = "上周买的鞋子码数偏小，能换大一码吗？运费谁出？"
    data = classify_ticket_json(issue)
    print(json.dumps(data, ensure_ascii=False, indent=2))

四、角色提示词

1、三种角色解释

调用对话式接口时，请求里的 messages 每条都有 role，用来区分这段话是谁说的。必须掌握的是三种：system、user、assistant。

（1）system prompt（系统）

放在最前面，写相对稳定的设定：身份、规则、语气、输出格式等。具体某条工单、某句待分类原文更适合放在 user，不要塞进 system，否则每条业务数据都要改 system，难维护也费 token。

（2）user prompt（用户）

用户输入框里的内容，或程序拼出来的任务说明加数据。一轮里可以有多条 user，常与 assistant 交替；最后一条 user 往往是本次要模型针对回答的那段。任务说明和样例也可以全写在一个长 user 里；若拆成多条 user / assistant，在模型眼里更像「有轮次的对话」，便于做对话式 few-shot。

（3）assistant（助手）

模型上一轮已经生成的回复，下一轮请求里要带上，多轮才有上下文。也可以人工写一条 assistant 当标准答案，前面配 user 当例题，用来教格式或分类边界。

2、三种角色怎么配合

习惯上 system 在最前，后面 user 与 assistant 交替。新请求里带上此前相关轮次（注意 token 上限），再追加最新 user。概括：system 定规矩，user 给当前输入，assistant 是模型说过的话或你给的示范。

注意：

1）在 LangChain 里常写成 SystemMessage、HumanMessage、AIMessage，含义与上面三种 role 一致。

2）system 并非绝对约束，重要规则可配合格式约定或程序校验。单次任务说明（如「只输出标签」）有人放 user 顶部、有人放 system，团队统一即可。

3、代码实现

（1）多轮对话展示

通过以下代码，展示多轮对话实现。

import os
from typing import Any
​
from dotenv import load_dotenv
from openai import OpenAI
​
env_path = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), ".env")
load_dotenv(env_path)
​
MODEL_API_KEY = os.getenv("MODEL_API_KEY")
MODEL_BASE_URL = os.getenv("MODEL_BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
client = OpenAI(api_key=MODEL_API_KEY, base_url=MODEL_BASE_URL)
​
​
def chat(messages: list[dict[str, Any]], max_tokens: int = 1024, temperature: float = 0.7) -> str:
    """messages 为 OpenAI 格式：[{"role": "system"|"user"|"assistant", "content": "..."}, ...]"""
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=messages,
        stream=False,
        max_tokens=max_tokens,
        temperature=temperature,
    )
    return response.choices[0].message.content
​
​
def demo_system_and_user() -> str:
    """system 定规则 + user 提问题（最常用组合）。"""
    messages = [
        {
            "role": "system",
            "content": (
                "你是电商客服助手。回答不超过三句话，语气礼貌；"
                "若涉及赔偿或法律问题，请建议用户联系人工客服。"
            ),
        },
        {"role": "user", "content": "我的快递显示已签收但我没收到货，怎么办？"},
    ]
    return chat(messages)
​
​
def demo_multi_turn_with_assistant() -> str:
    """
    多轮：必须把上一轮的 assistant 内容放进 messages，再接新的 user。
    这里 assistant 内容模拟「上一轮模型已说过的话」。
    """
    messages = [
        {
            "role": "system",
            "content": "你是电商客服助手，回答简短。",
        },
        {"role": "user", "content": "你们支持 7 天无理由退货吗？"},
        {
            "role": "assistant",
            "content": "支持。签收次日起 7 天内，商品未使用且吊牌完好可申请无理由退货。",
        },
        {"role": "user", "content": "那运费谁承担？"},
    ]
    return chat(messages)
​
​
if __name__ == "__main__":
    print("=== 示例 1：system + user ===")
    print(demo_system_and_user())
    print()
    print("=== 示例 2：system + user + assistant + user（多轮追问）===")
    print(demo_multi_turn_with_assistant())

（2）多轮对话展示 few shot

通过以下代码，我们展示通过多轮对话的形式展示few shot实现。

import os
from typing import Any
​
from dotenv import load_dotenv
from openai import OpenAI
​
env_path = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), ".env")
load_dotenv(env_path)
​
MODEL_API_KEY = os.getenv("MODEL_API_KEY")
MODEL_BASE_URL = os.getenv("MODEL_BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
client = OpenAI(api_key=MODEL_API_KEY, base_url=MODEL_BASE_URL)
​
​
def chat(messages: list[dict[str, Any]], max_tokens: int = 256, temperature: float = 0.3) -> str:
    response = client.chat.completions.create(
        model=MODEL_NAME,
        messages=messages,
        stream=False,
        max_tokens=max_tokens,
        temperature=temperature,
    )
    return response.choices[0].message.content
​
​
def few_shot_intent_via_messages(user_text: str) -> str:
    """
    用 user/assistant 交错给出示例，最后一条 user 为真实待分类句子。
    assistant 只输出意图标签（与 __003__ 同一套标签，便于对照）。
    """
    system = """你是电商客服意图识别助手。
用户会发来一句话，你只输出一个意图标签，不要解释。
标签只能是：查询物流、申请退款、咨询商品、其他。"""
​
    shot_pairs = [
        ("我的快递到哪了？", "查询物流"),
        ("这件衣服洗一次就起球了，我要退钱。", "申请退款"),
        ("这款耳机防水吗？", "咨询商品"),
        ("今天天气不错。", "其他"),
    ]
​
    messages: list[dict[str, Any]] = [{"role": "system", "content": system}]
    for u, a in shot_pairs:
        messages.append({"role": "user", "content": u})
        messages.append({"role": "assistant", "content": a})
    messages.append({"role": "user", "content": user_text})
​
    return chat(messages)
​
​
if __name__ == "__main__":
    sample = "上周买的鞋子码数偏小，能换大一码吗？"
    print("待分类：", sample)
    print("模型输出：", few_shot_intent_via_messages(sample))

（3）langchain代码显示多轮对话

以下代码显示了langchain的形式进行多轮对话。

import os
​
from dotenv import load_dotenv
from langchain_core.messages import AIMessage, HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI
​
env_path = os.path.join(os.path.dirname(os.path.dirname(os.path.abspath(__file__))), ".env")
load_dotenv(env_path)
​
MODEL_API_KEY = os.getenv("MODEL_API_KEY")
MODEL_BASE_URL = os.getenv("MODEL_BASE_URL")
MODEL_NAME = os.getenv("MODEL_NAME")
​
llm = ChatOpenAI(
    api_key=MODEL_API_KEY,
    base_url=MODEL_BASE_URL,
    model=MODEL_NAME,
    temperature=0.7,
    max_tokens=1024,
)
​
​
def demo_system_and_user() -> str:
    """system 定规则 + user 提问题。"""
    messages = [
        SystemMessage(
            content=(
                "你是电商客服助手。回答不超过三句话，语气礼貌；"
                "若涉及赔偿或法律问题，请建议用户联系人工客服。"
            )
        ),
        HumanMessage(content="我的快递显示已签收但我没收到货，怎么办？"),
    ]
    return llm.invoke(messages).content
​
​
def demo_multi_turn_with_assistant() -> str:
    """多轮：含上一轮 assistant（AIMessage），再接新的 user。"""
    messages = [
        SystemMessage(content="你是电商客服助手，回答简短。"),
        HumanMessage(content="你们支持 7 天无理由退货吗？"),
        AIMessage(
            content="支持。签收次日起 7 天内，商品未使用且吊牌完好可申请无理由退货。"
        ),
        HumanMessage(content="那运费谁承担？"),
    ]
    return llm.invoke(messages).content
​
​
if __name__ == "__main__":
    print("=== 示例 1：SystemMessage + HumanMessage ===")
    print(demo_system_and_user())
    print()
    print("=== 示例 2：System + Human + AIMessage + Human（多轮追问）===")
    print(demo_multi_turn_with_assistant())

总结：

1、提示词工程本质是“用输入控制输出” ​

2、一个好的 Prompt = 角色 + 任务 + 输入 + 输出 + 约束 ​

3、Few-shot 和 CoT 是提升效果的关键手段 ​

4、Prompt 需要不断调试和演化