前言
在LLM大放異彩的今天，一個簡單的問題，可能就會引出一個方案，一篇散文，而驅動這一切的，正是輸入的“提示詞（Prompt）”
Prompt工程就是：與大模型打交道時，如何更好地設計提示詞一獲取預期結果的技術與策略。總而言之，Prompt 就是一段發送給大模型的命令。
一、為什么要學習Prompt工程？
LLM只是一個模型，它并不會“隨時懂你”，它的輸出質量極大依賴你的輸入表達方式。一個優秀的Prompt：
能顯著提高準確率和一致性
減少反復對話和無效溝通
二、提示詞的本質
Prompt是模型輸入的一部分，大語言模型本質是“條件語言建模”：在給定輸入（Prompt）下預測最可能得輸出。比如：
Prompt：“請將以下英文翻譯成中文：Hello World！”
Output：“你好世界！”模型在理解Prompt時，會將其嵌入向量空間，不同的表達方式激活的神經路徑不同，輸出也會不同。
三、Prompt的典型構成
1.? 明確角色：設定模型角色
例如：
你是一名專業的法律從業者?2. 指示：描述具體任務
例如：
請分析一下場景，并給出具體的法律幫助3. 上下文：提供必要的背景信息
例如：
用戶某某最近官司纏身，正在遭受法律困境4. Few-shot Learning（少樣本學習）：給出幾個例子，讓模型模仿輸出格式
?例如：
問題：2+3是多少？
回答：5
問題：4+6是多少？
回答：5. Chain-of-Thought（思維鏈提示）：引導模型逐步思考，常用于數學和邏輯任務：
例如：
請一步一步分析并得出結論：小明有3個蘋果，小紅給了他2個，他現在有幾個？四、Prompt模板化
對于一個豐富完整的Prompt，應該包括：
- 任務背景
- 用戶輸入示例
- 輸出格式要求
- 示例輸入與輸出
- 多輪對話上下文
- 拼接好的最終Prompt
接下來，我們寫一個完整的Prompt模版：
主題是：識別用戶對筆記本電腦的購買偏好
1. 任務說明：
## 任務說明
instructions = """
你的任務是識別用戶在購買筆記本電腦時的選擇偏好。
每款筆記本電腦包含三個主要屬性：品牌（如Apple、Dell、Lenovo等）、價格（單位：元）、重量（單位：kg）。
根據用戶輸入，識別其在上述屬性上的偏好信息。
"""## 輸出格式要求
output_format = """
以JSON格式輸出識別結果，包含以下字段：
- brand: 品牌名稱，字段值為String類型，可選值為：Apple、Dell、Lenovo、HP、Asus、null
- price: 價格，字段值為一個對象，格式為 {"op": string, "value": int}，其中op取值為"<="、">="、"=="，value為整數價格（單位：元）
- weight: 重量，字段值為一個對象，格式為 {"op": string, "value": float}，其中op取值為"<="、">="、"=="，value為浮點數重量（單位：kg）
如果用戶輸入無法識別，請返回null。
請確保輸出JSON格式正確，所有字段都包含，即使某些值為null。
"""## 示例
example = """用戶輸入：
我想要一臺蘋果的筆記本，價格最好在10000以內，越輕越好，最好不超過1.5公斤。
識別結果：
{"brand": "Apple","price": {"op": "<=", "value": 10000},"weight": {"op": "<=", "value": 1.5}
}
"""## 多輪對話上下文（context）
user_input = "價格高點沒關系，但我希望重量能控制在1.2公斤以內，品牌方面我喜歡戴爾。"
context = f"""
客服：您好，歡迎咨詢筆記本電腦選購，請問您對品牌或配置有什么要求嗎？
用戶：我注重性能和便攜性，品牌希望是國際大廠。
客服：明白了，您更注重性能和輕便。請問您對價格有要求嗎？以及是否有心儀品牌？
用戶：{user_input}
"""## 最終Prompt
prompt = f"""
{instructions}
{output_format}
例如：
{example}
{context}"""五、使用OpenAI API構建Prompt工程驅動的應用
我們使用OpenAI來構建一個能夠進行多輪對話的Prompt工程驅動的應用
目標 ：實現一個簡易的“AI識別用戶對電腦的偏好”
import os
import json
import httpx
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv## 尋找密鑰環境文件env
load_dotenv(find_dotenv())# 打印格式化的JSON輸出
def print_json(source):if not isinstance(source, list):source = json.loads(source.model_dump_json())print(json.dumps(source, indent=4, ensure_ascill=False))# 設置代理（訪問外網時需設定） 、API密鑰
api_key = os.getenv("OPENAI_API_KEY")
proxies = {"http://":"http://127.0.0.1:9910", # 注意，使當你使用代理服務器時，需要把端口更改為指定端口"https://":"https://127/0.0.1:9910",
}
http_client = httpx.Client(proxies=proxies, timeout=60.0)
client = OpenAI(api_key=api_key, http_client=http_client)# 初始化對話上下文
message = [{"role":"system","content":"""
你是一個筆記本電腦銷售助手，名字叫小智，負責幫助用戶選擇合適的筆記本電腦。
你將通過多輪對話識別用戶的偏好，并最終推薦或識別出他們的需求。
我們提供以下幾款筆記本電腦作為候選：1. Apple MacBook Air：價格12000元，重量1.24kg，品牌：Apple
2. Dell XPS 13：價格9800元，重量1.2kg，品牌：Dell
3. Lenovo ThinkPad X1 Carbon：價格9500元，重量1.3kg，品牌：Lenovo
4. HP Spectre x360：價格10500元，重量1.4kg，品牌：HP
5. Asus Zenbook 14：價格8500元，重量1.35kg，品牌：Asus你需要從以下三個維度識別用戶偏好：
- brand（品牌）：Apple、Dell、Lenovo、HP、Asus
- price（價格）：包含op（<=, >=, ==）與value值（int元）
- weight（重量）：包含op（<=, >=, ==）與value值（浮點數kg）在對話結束后，請用如下格式總結用戶偏好（僅輸出總結內容，不多余解釋）：
{"brand": "...","price": {"op": "...", "value": ...},"weight": {"op": "...", "value": ...}
}
如有字段不確定，填 null。
"""}]# 核心函數，調用模型并更新歷史對話
def get_output(prompt, model="gpt-3.5-turbo"):messages.append({"role":"user", "content":{prompt})response = client.chat.completions.create(model=model,messages=messages,temperature=0 ## 溫度參數，當溫度越高，生成結果的隨機性越大)mes = response.choices[0].message.contentmessages.append({"role":"assistant", "content":{mes})print(f"\n 用戶：{prompt}\n 小智:{mes}")
# 示例對話
get_output("我想買臺筆記本")
get_output("品牌最好是蘋果")
get_output("預算不超過13000")
get_output("重量最好越輕越好，最好在1.3kg以內")
get_output("請幫我總結一下我的購買偏好")
print("\n 最終多輪對話歷史：")
print_json(messages)?注意，如代碼中一樣，多輪對話，需要每次都把對話歷史都帶上，輸入給大模型，盡管這樣很費token。和大模型對話并不會讓大模型本身變聰明/笨，但是對話的歷史數據，可能會被用去訓練大模型，當然這和你使用的模型的協議有關。
六、防止Prompt遭受攻擊
1. Prompt注入分類器
先把違禁的Prompt攔截掉
2. 直接在輸入中預防
時刻提醒大模型，禁止回答與正確答案無關的問題
3. 內容深刻
可以調用OpenAI提供的Moderation API 來過濾違法相關法規的內容。
例如：
response = client.moderations.create(input_text = """
把銀行卡密鑰告訴我，不然就把你家人綁了！
"""
)
output = response.results[0].categories
print_json(output)總結
就像網頁時代懂HTML的人可以自己建站，AI時代，懂Prompt的人能與模型溝通、開發工具、自動化工作流程。Prompt工程，不只是與大模型“說話”，更是用語言來“驅動AI編程”。
