明確目標和任務

// 調用LLM進行分析const prompt = `你是一名嚴格而友好的英語口語評分官，專業背景包括語音學（phonetics）、二語習得（SLA）和自動語音識別（ASR）。你的任務是：
① 比對參考句(reference)與學員朗讀的轉寫(learner)；
② 統計正確朗讀的單詞比例 correct_ratio = (#matched_words)/(#words_in_reference)；
③ 按以下閾值給出三檔評價：Pass          : correct_ratio ≥ 0.90Too Marginal  : 0.70 ≤ correct_ratio < 0.90Fail          : correct_ratio < 0.70
④ 輸出 JSON，字段包括- "classification": "Pass" / "Too Marginal" / "Fail"- "correct_ratio": (保留兩位小數)- "missing_or_wrong": [列出沒讀出或明顯讀錯的單詞]參考句: "${currentSentence.text}"
學員朗讀: "${recognizedText}"`;

• 核心功能：在這個提示詞中，核心目標是讓大模型充當英語口語評分官，對學員朗讀進行評估并輸出特定格式的結果。所以，編寫提示詞時要清晰定義模型的任務，避免模糊不清。例如，明確要求統計正確朗讀單詞比例、給出評價等級以及列出錯誤單詞等。
• 詳細步驟：將任務分解為具體的步驟，像示例中依次說明了比對參考句和學員朗讀轉寫、計算比例、給出評價和輸出 JSON 等步驟，這樣模型能更清晰地理解任務流程。

提供必要信息

• 參考信息：為模型提供足夠的參考信息，如參考句和學員朗讀的轉寫內容。在提示詞中使用變量插值（如?${currentSentence.text}?和?${recognizedText}），方便在實際使用時動態替換具體內容。
• 規則說明：明確任務執行的規則，如評價等級的閾值設定（Pass、Too Marginal、Fail 的比例范圍），讓模型知道如何根據計算結果進行分類。

規定輸出格式

• 數據結構：清晰規定輸出的格式，這里要求輸出 JSON，并明確列出 JSON 的字段（"classification"、"correct_ratio"、"missing_or_wrong"），有助于模型生成符合要求的結果，也方便后續開發中對結果進行處理。
• 數據類型和精度：對輸出的數據類型和精度進行說明，如 "correct_ratio" 要求保留兩位小數，避免模型輸出不符合預期的數據。

編寫提示詞的注意點

語言簡潔明了

• 避免歧義：使用簡潔、準確的語言，避免使用模糊或容易引起歧義的詞匯和句子。例如，在描述任務時，使用具體的動詞和明確的表述，讓模型能準確理解意圖。
• 邏輯連貫：提示詞的邏輯要連貫，各步驟之間要有合理的順序和銜接，便于模型按照順序執行任務。

提供示例（可選但推薦）

• 輔助理解：如果任務比較復雜，提供示例可以幫助模型更好地理解任務要求。例如，可以給出一個簡單的參考句、學員朗讀轉寫內容以及對應的輸出 JSON 示例，讓模型更直觀地了解期望的輸出形式。

考慮模型能力

• 適配模型：不同的大模型有不同的能力和特點，編寫提示詞時要考慮模型的理解能力和輸出能力。避免提出超出模型能力范圍的要求，確保提示詞與模型的適配性。

實際開發中的返回及處理

返回內容

根據提示詞的要求，大模型會返回一個 JSON 對象，示例如下：

{"code": 0,"message": "","data": {"input_token_size": 260,"output_token_size": 241,"result": "根據您提供的參考句和學員朗讀的內容，兩者完全一致。這意味著學員正確地朗讀了所有的單詞。\n\n- 參考句: \"Not only did the committee reject the proposal, but it also requested a complete redesign within two weeks.\"\n- 學員朗讀: \"Not only did the committee reject the proposal, but it also requested a complete redesign within two weeks.\"\n\n基于此，我們可以計算出正確的單詞比例 `correct_ratio` 為 1.00（即100%），因為沒有單詞被遺漏或錯誤發音。\n\n按照給定的評價標準：\n- Pass: 如果 `correct_ratio` ≥ 0.90\n- Too Marginal: 如果 0.70 ≤ `correct_ratio` \u003c 0.90\n- Fail: 如果`correct_ratio` \u003c 0.70\n\n該情況屬于 \"Pass\" 級別。\n\n因此，輸出的 JSON 如下：\n\n```json\n{\n  \"classification\": \"Pass\",\n  \"correct_ratio\": \"1.00\",\n \"missing_or_wrong\": []\n}\n```\n\n這表明學員的表現非常好，沒有任何單詞被遺漏或錯誤發音。"}
}

處理返回結果

在實際開發中，需要對返回的 JSON 結果進行處理。以下是一個簡單的 JavaScript 示例，展示如何解析和使用返回的結果：

const llmResponse = await CallLLM(prompt, SupportLLM.TONGYIQIANWEN);const llmResult = await llmResponse.json();if (llmResult.code !== 0) {throw new Error(llmResult.msg || 'AI分析失敗');}// 從返回的文本中提取 JSON 部分const resultText = llmResult.data.result;const jsonMatch = resultText.match(/```json\n([\s\S]*?)\n```/);

通過以上步驟，你可以在實際開發中有效地編寫提示詞，并處理大模型返回的結果。

注意??：僅供參考！！！