你有一個能力超強但“不太懂行”的助手（大語言模型LLM）。它能說會道，知識淵博，但它：
- 不懂你的數據庫： 不知道你的數據庫里有哪些表，表里有哪些字段，這些字段代表什么意思。
- 不懂你的API： 不知道你的系統里有哪些可以調用的功能（API），這些功能需要什么參數（比如郵箱地址、城市名、日期）。
提示工程（Prompt Engineering） 就是教你如何給這個“超強助手”寫一份清晰、詳細的指令說明書（Prompt），讓它能理解你的自然語言問題，并幫你完成特定的專業任務（寫SQL查數據庫、調用API）。
核心目標：把“人話”變成“機器能聽懂的專業指令”
- Text2SQL： 把“今年賣得最好的產品是啥？” 變成
SELECT ... FROM ... WHERE ...這樣的數據庫查詢語句。 - Text2API： 把“給老王發個郵件，告訴他明天下午3點開會” 變成調用
send_email這個接口，并填好to=老王@公司.com,subject=會議提醒,content=明天下午3點開會...這些參數。
from langchain.utilities import SQLDatabase
from langchain.chains import SQLDatabaseChain
from langchain_community.llms import OpenAI
db = SQLDatabase.from_uri("sqlite:///sales.db")
llm = OpenAI(temperature=0)chain = SQLDatabase
Chain.from_llm(llm, db, verbose=True)
response = chain.run("2024年銷售額超過100萬的產品是什么？")
SELECT p.name, SUM(o.sales) AS total_sales
FROM orders o
JOIN products p ON o.product_id = p.id
WHERE YEAR(o.date) = 2023
GROUP BY p.id
HAVING total_sales > 1000000;
關鍵秘訣：給助手“補課” (顯式化領域知識)
LLM本身不懂你的業務細節。提示工程的核心就是通過Prompt把這些背景知識（領域知識） 明確地告訴它：
- 角色扮演： “嘿助手，你現在是一個數據庫專家/API調用專家！”
- 知識注入：
- 對SQL： 把數據庫的結構（Schema） 告訴它。比如：
- 我們有個
orders表，里面有id, product_id, sales (銷售額), date (日期) - 還有個
products表，里面有id, name (產品名), category (類別) orders.product_id對應著products.id
- 我們有個
- 對API： 把API文檔告訴它。比如：
- 有個API叫
/send_email，需要用POST方法調用，需要提供to (收件人郵箱), subject (郵件主題), content (郵件內容)這三個參數。 - 還有個API叫
/weather，需要用GET方法調用，需要提供city (城市名), date (日期)。
- 有個API叫
- 對SQL： 把數據庫的結構（Schema） 告訴它。比如：
一、 Text2SQL 深入淺出解析 (怎么讓助手幫你查數據庫？)
- 助手需要什么？
- 你的問題： “2024年銷售額超過100萬的產品是什么？”
- 數據庫結構： 哪些表？哪些字段？它們啥關系？（Schema）
- 助手怎么做？ (提示工程的步驟)
- 理解問題： 助手先看你的問題，找出關鍵信息（這叫實體識別、關系抽取、意圖理解）。
- 你要查什么？ -> 產品 (
product) - 查哪個時間？ -> 2024年 (
year=2024) - 查什么條件？ -> 銷售額 (
sales) 超過 (>) 100萬 (1000000) - 怎么衡量？ -> 很可能是按產品匯總 (
SUM(o.sales)然后GROUP BY p.id)
- 你要查什么？ -> 產品 (
- 對照數據庫結構 (Schema綁定)： 助手拿著這些關鍵詞，去對比你提供的Schema。
- “銷售額” -> 哦，在
orders表里叫sales。 - “產品名” -> 在
products表里叫name。 orders和products怎么關聯？ -> 哦，通過orders.product_id = products.id。- “2024年” ->
orders表里有個date字段，需要提取年份YEAR(o.date) = 2024。
- “銷售額” -> 哦，在
- 組裝SQL語句： 助手根據理解的信息和數據庫結構，拼裝出正確的SQL語句。
SELECT p.name, SUM(o.sales) AS total_sales -- 選出產品名，計算總銷售額 FROM orders o -- 從訂單表（起別名o） JOIN products p ON o.product_id = p.id -- 關聯產品表（起別名p） WHERE YEAR(o.date) = 2024 -- 條件是2024年的訂單 GROUP BY p.id -- 按產品分組 HAVING total_sales > 1000000; -- 篩選總銷售額大于100萬的產品 - 執行與反饋： 數據庫運行這個SQL，把結果（產品列表）返回給你。如果SQL寫錯了（比如字段名不對），助手可能會嘗試修正或者告訴你哪里出了問題（需要更好的Prompt或你提供更明確的信息）。
- 理解問題： 助手先看你的問題，找出關鍵信息（這叫實體識別、關系抽取、意圖理解）。
- LangChain 幫了大忙：
- 它有個
SQLDatabaseChain能自動連接到你的數據庫 (db = SQLDatabase.from_uri("sqlite:///sales.db"))。 - 它能自動讀取數據庫結構（Schema）并塞進給LLM的Prompt里。
- 你只需要告訴LLM你的問題 (
chain.run("2024年銷售額超過100萬的產品是什么？"))，它就能幫你完成上述所有步驟（理解->綁定->生成->執行->返回結果）。
- 它有個
二、 Text2API 深入淺出解析 (怎么讓助手幫你調用接口？)
Text2API（文本轉API調用） 是一種將自然語言描述的用戶需求自動轉換為對應用程序接口（API）的調用請求的技術。
LangChain提供APIChain，支持將API文檔（如OpenAPI/Swagger）嵌入提示詞，引導大模型生成請求參數，可以支持多步驟調用（如先查詢用戶ID，再調用訂單API）。
from langchain.chains import APIChain
from langchain_community.llms import OpenAIllm = OpenAI(temperature=0)api_docs = """
API文檔：
- 發送郵件：POST /send_email參數：to（收件人）, subject（主題）, content（內容）
- 查詢天氣：GET /weather參數：city（城市）, date（日期）
"""chain = APIChain.from_llm_and_api_docs(llm, api_docs, verbose=True)
response = chain.run("給Allen發郵件，主題是會議提醒，內容為明天下午2點開會。")
如何實現Text2API？
通過自然語言處理技術進行語義解析（含意圖識別、實體抽取、上下文理解），結合預加載的API文檔信息，利用大語言模型（LLM）生成符合語法規范的API調用請求。
-
API目錄管理：維護API文檔（端點、參數、權限）。
例如：郵件API文檔：POST /send_email 參數: to (str), subject (str), content (str) 權限: 需用戶OAuth令牌
-
意圖識別：模型解析用戶指令，匹配目標API。
例如：“給Allen發郵件，主題是項目開發進度，內容為’本周完成80%’” → 調用 /send_email。
-
參數填充：提取并驗證參數（如郵箱、內容）。
{"endpoint": "/send_email","params": {"to": "zhangsan@company.com", "subject": "項目進度", "content": "本周完成80%" } -
執行與反饋：調用API并返回結果（成功/失敗原因）。
- 助手需要什么？
- 你的指令： “給Allen發郵件，主題是會議提醒，內容為明天下午2點開會。”
- API菜單： 系統里有哪些接口？每個接口怎么用？需要啥參數？（API文檔）
- 助手怎么做？ (提示工程的步驟)
- 管理API目錄： 你需要事先準備好一份清晰的“服務菜單”（API文檔），告訴助手：
- 有
/send_email服務（POST方法），需要to, subject, content三個菜（參數）。 - 有
/weather服務（GET方法），需要city, date兩個菜（參數）。 - 可能還需要權限（比如登錄令牌），但這篇文章例子沒提。
- 有
- 理解你想點哪道菜 (意圖識別)： 助手看你的指令，找出你想做什么。
- “發郵件” -> 這對應
/send_email這個API。
- “發郵件” -> 這對應
- 準備好配菜 (參數填充)： 助手從你的指令里找出做這道菜需要的材料（參數）。
to(收件人) 是誰？ -> “Allen” -> 需要轉成郵箱地址（allen@company.com）。（實際應用中，可能需要查通訊錄API，這里簡化了）subject(主題) 是什么？ -> “會議提醒”。content(內容) 是什么？ -> “明天下午2點開會”。
- 下單并上菜 (執行與反饋)： 助手按照API文檔的要求（方法、參數格式），調用
/send_email接口，把參數傳過去。接口執行后，告訴助手結果：“郵件發送成功！” 或者 “失敗，原因：收件人郵箱無效”。助手把這個結果告訴你。
- 管理API目錄： 你需要事先準備好一份清晰的“服務菜單”（API文檔），告訴助手：
- LangChain 幫了大忙：
- 它有個
APIChain(chain = APIChain.from_llm_and_api_docs(llm, api_docs, verbose=True))。 - 你只需要把API文檔 (
api_docs) 提供給它，然后告訴它你的自然語言指令 (chain.run("給Allen發郵件..."))。 - 它能自動幫你完成：理解指令對應哪個API -> 提取需要的參數 -> 組裝API調用請求 -> 調用API -> 返回結果。它甚至能處理需要多個API按順序調用的復雜任務（比如先查用戶ID，再用ID查訂單）。
- 它有個
總結：
- LLM (大模型)： 一個超級聰明但沒學過你公司業務的新員工。
- 自然語言問題/指令： 你口頭交代給新員工的任務（“查下今年最賺錢的產品”、“給老王發個會議通知”）。
- Schema/API文檔： 你給新員工看的公司業務手冊/操作指南（數據庫結構圖、API使用說明書）。
- Prompt (提示工程)： 你交代任務時說的完整、清晰、包含背景信息的話：“小張（角色扮演），這是我們的銷售數據庫結構（知識注入），你幫我查一下（任務類型）…（具體任務描述）”。
- SQL/API調用： 新員工看完手冊，理解了你的話之后，親手寫好的查詢語句/填好的系統操作單。
- 結果： 新員工把查詢結果/操作結果匯報給你。
提示工程的核心價值就在于： 通過精心設計的Prompt（包含角色定義和領域知識），讓原本“不懂行”的大模型助手，瞬間變成你業務領域的專家，準確地將你的“人話”需求轉化為可執行的“機器指令”（SQL或API調用）。LangChain等工具則大大簡化了這個過程。
