Prompt 驱动架构设计：探索复杂 AIGC 应用的设计之道？

你是否曾经想过，当你在 Intellij IDEA 中输入一个段代码时，GitHub 是如何给你返回相关的结果的？其实，这背后的秘密就是围绕 Prompt 生成而构建的架构设计。

Prompt 是一个输入的文本段落或短语，用于引导 AI 生成模型执行特定的任务或生成特定类型的输出。不同的 Prompt 会导致不同的搜索结果，因为它们会影响模型对信息的处理方式。而通过巧妙构建Prompt，我们可以让模型在广泛的任务中执行特定的操作，从而提高搜索效率和用户满意度。

Prompt 的设计不仅影响 AIGC 模型的行为和输出，还影响软件架构的设计和优化。那么，Prompt 和软件架构之间有什么关系呢？为什么 Prompt 对软件架构如此重要呢？

在本文中，我们将探讨这一关系，并基于我们对一些卓越的人工智能生成代码（AIGC）相关应用的研究，以及一些内部 AIGC 应用的观察，这些应用都是基于 LLM 优先理念下来构建和设计软件架构的。这些应用包括：

GitHub Copilot：一个基于 OpenAI Codex/Codex 2 模型的代码生成器，它可以根据用户提供的注释或代码片段来生成完整的代码。
JetBrains AI Assistant：一个围绕开发人员日常活动构建的伴随性 AI 辅助的 IDE 插件。
Bloop：一个根据用户提供的自然语言描述或问题，来生成对应答案或者代码的工具。

而究其背后的原因，我想只有围绕 LLM 优先来考虑架构，才有可能对应这种复杂性。

PS：本文讨论的背景是复杂的 AIGC 应用，诸如于 Copliot 型、Agent 型应用，普通的 AIGC 不具备这种复杂性。

AIGC 优先应用的架构特征（初步）

在我们先前的文章《上下文工程：基于 Github Copilot 的实时能力分析与思考》里，介绍了 Copilot 如何结合用户行为，以及当前代码上下文，光标位置（行内、块间、块外）来生成三种不同类型的代码。其基本特质便是围绕用户的潜在意图 ，来设计对应的生成内容。并结合当前的代码文件，来调整生成的内容，以符合对应语言的基本语法。

而 Bloop 则是围绕于检索增强生成（RAG）来推测用户的潜在意图，诸如通过查询扩展的方式，来更好地匹配潜在的代码。并通过输出更多的上下文交互过程，以让用户来调整自己的问题，获得更准确的答案。

再结合 JetBrains AI Assistant 的语言上下文模块化架构，我们简单将复杂 AIGC 应用总结了三个核心特征（未来还将继续优化这个版本）：

感知用户意图，以构建清晰的指令： 这一特征涉及捕获和分析用户的操作，以全面理解用户的目标和偏好。应用程序需要能够识别用户的需求，提供相应的内容生成方案，从而建立清晰的指令。这可以包括收集和解释用户输入，行为分析，以及利用历史数据来更好地了解用户需求。通过这个特征，AIGC 应用可以更好地满足用户的期望。
围绕用户意图地交互设计，以让用户输出更多上下文： 这个特征旨在创建友好和灵活的用户界面，鼓励用户提供更多上下文信息。用户通常通过输入和修改内容生成的参数和条件来表达他们的需求。此外，AIGC 应用还可以隐式地获取用户的上下文信息，例如 v0.dev、数据智能和流式交互。这些信息可以包括用户的操作历史、上下文语言信息、位置信息等，以提供更个性化和智能化的内容生成服务，从而增强用户体验。
基于数据的反馈改进与模型优化： 这一特征通过不断收集和分析用户对生成内容的反馈，如评分、评论、分享等，以实现内容生成模型和算法的不断调整和优化。通过利用这些反馈数据，AIGC 应用可以提高生成内容的质量和多样性，确保用户满意度不断提高。

而对于这些应用来说，并不是需要复杂的 prompt 技巧。技巧性、复杂的 Prompt 在工程化面前都是灾难性的。

复杂 AIGC 应用的基本 Prompt 策略

对于复杂 AIGC 应用来说，难点是在于 Prompt 的策略 ，也就是如何构建自动的上下文收集？。通常来说，其设计过程要考虑：

鲁棒性：Prompt 的设计应该能够处理各种输入情况，并在不同任务和领域中表现良好。它们应该是通用的，而不仅仅适用于特定任务。
评估和反馈循环：Prompt 设计的成功与否通常需要不断的迭代和反馈。开发者可能需要花时间来调整Prompt以提高模型的性能，这也可能影响软件架构。

而鲁棒性 也意味着，复杂的 Prompt 会变成一种灾难，因为作为一个生成模型，它无法考虑到你的每个 MUST/HAVE TO/必须，以及你交给他的，你不应该 xxx。太长的 prompt，不仅显得 LLM 很愚蠢，也间接地让你觉得自己很愚蠢。你应该将长 prompt 分为多个 stage（人及 GPT 会在阅读很长的文本之后，忽略这句要求），即复杂问题应该先进行拆解 ------ 参考领域驱动设计的方式。

在 AIGC 工具里，我们可以将 Prompt 分为多种类型，强指令型，强结果型。

Prompt 策略 1：精短地指令，精准上下文

在非聊天的场景下，诸如于编写文档、编写报告等等，工具中的指令往往都非常简洁： Write documentation ，而为了让 LLM 生成更精准的结果，我们还需要进行更多的上下文补充，诸如于：

Write documentation for given method ，它结合着不同的语言的语法形式（类声明、方法声明等）。

随后，还需要考虑不同的文档工具，诸如于 write PHPDoc 。而使用 Python 语言时，则又需要使用 """ 来作为文档的起始标志。而为了编写更规范的文档，还需要结合 use @param tag 来进行示例，告诉 LLM 应该写什么样的文档。

那么，问题就来了，要让 AIGC 构建出这个上下文，我们需要：

获取语言相关的信息，诸如版本信息等
配置或者获取该语言的文档工具
获取待写文档的代码信息
如果是方法的话，需要提醒 method has return type 。
根据不同的语言配置基本的规范。如 Python 到底是用 Tab 还是用空格。

指令本身很简单，但是要构建精准的上下文，则是要回到工程化问题上来。

Prompt 策略 2：围绕结果设计交互，获取用户的上下文

在非编码场景的其他 RAG 场景之下，通常我们会围绕于：感知-分析-执行来分析用户的意图，进而根据用户的意图来生成更多的上下文。先看个数据问答的示例：

go 复制代码

意图：xx （子公司）去年营收？
观察：...
思考：请选择查询的数据子项？
操作：选择 xx 领域。
....
最终输出：图表（柱状图等）

这里就存在一个问题，用户最终要的是图表，还是文字信息？我们要不要帮用户做这个决定？如果要做这个决定，那么我们是不是需要根据用户以往的历史经验？

所以，在这个场景里，在进入解决方案之前，我们一直在围绕用户的问题进行澄清。

围绕 Prompt 策略的架构设计示例

现在，再回到架构设计上，让我们看看对应的示例。

语言插件化架构

我们在理解了 JetBrains 的 AI 工具的架构设计上，参考（复制）了相似的设计。在 JetBrains 的 IDE 里，不同的语言后缀会调用不同的 IDE 插件功能来实现对应的重构等等的方式。所以，在设计对应的功能时，也是将不同的语言划分到不同的模块，以借由其实现其动态加载。

举个例子：为了生成测试代码的准确性，我们需要获取被测试代码、测试框架等信息，因此需要语言上下文、技术栈上下文、相关上下文、以其它上下文。

所以，仔细拆解下来，我们就需要围绕于插件化架构来构建 IDE 插件，即在 Core 模块里定义 Prompt 和我们的抽象接口，在不同语言模块里，实现对应的上下文获取方式。

而如果我们只是一个简单的聊天功能，就不需要这么复杂的架构，只是生成内容的精准性会下降。

发散-收敛式上下文

而在诸如于 Bloop 这一类以 RAG（检索增强生成）为主的应用设计里，更重要的则是如何从不同渠道丰富用户的上下文，其难点主要在于如何匹配最相似的答案。

发散。其使用方式有多种多样的，诸如于分析用户的意图，使之能进行内容检索 ------ 代码检索、文档检索、网络检索等等。

收敛。结合发散的结果，对检索到的内容进行处理，进而做最后的过程呈现与内容的总结。

而这部分内容本身是作为策略的一部分存在的，它可以作为基础设施的一部分，诸如 LLM SDK，又或者是代码服务。

其它场景

而在其他一些场景中，诸如于 Code Review，我们会结合提交信息中的 story id、代码变更、业务信息，三部分来进行最后的总结。与语义化代码搜索的场景相似，但是与普通的 Code Review 相比，为了达成更精准的上下文，则花费的成本更高。

平衡 Prompt 策略与架构演进路线

尽管 AIGC 能显著地加速我们编写代码的时间，但是花费更多的时间在上下文架构上，则意味着架构的复杂度。我们是否应该花费如此多的时间在构建 prompt 上，它带来的 ROI 是否合理，就需要根据不同的场景去考虑。

除此，我们还需要围绕于 Prompt 演进策略，来构建架构的演进路线。诸如于，对于一个 Code Review 工具，我们应该如何去规划？

实现基本的 code review 接口调用与 comments 调用？
结合提交信息，来 review 代码，分析两者是否一致？
从提交信息中获取业务上下文，来分析代码是否与业务一致？
......

随后，则是根据我们能获取到的数据，来设计最终的 prompt，并以此作为版本来规划架构演进路线。

小结

由 ChatGPT 生成：

本文讨论了复杂 AIGC 应用中的 Prompt 和架构设计的关键性。Prompt 是引导 AI 生成的文本段落，其设计直接影响AIGC应用的性能。

复杂 AIGC 应用具有三核心特征：感知用户意图、设计用户交互以获取更多上下文和基于数据反馈的模型优化。两种 Prompt 策略包括精简指令和围绕结果的设计，有助于构建更有效的Prompt。示例架构设计采用语言插件化，可根据不同语言后缀实现不同功能，提高 AIGC 应用的多语言支持。

文章突出强调 Prompt 的重要性，指出 Prompt 和架构设计在提高生成内容质量和用户满意度方面至关重要。在实践中，需要平衡 Prompt 策略和架构设计，以满足不同 AIGC 应用的需求。