提示技术系列——链式提示

什么是提示技术?

提示技术是实现提示工程目标的具体技术手段 ,是提示工程中的**"工具库"**。

什么又是提示工程?

提示工程是指通过设计、优化和迭代输入到大语言模型(LLM)的提示(Prompt), 系统性提升模型输出质量**(如相关性、准确性、可控性)** 的实践领域。它是一个覆盖全流程方法论,包括:

  • 明确目标任务(如生成教学内容、问答、翻译);
  • 设计提示结构(如指令、上下文、示例);
  • 选择模型与参数(如温度、top_p);
  • 验证与迭代(根据输出调整提示)。

其核心是**"通过工程化方法控制大语言模型(LLM)的行为"**。


概念

链式提示(Prompt Chaining)将任务分解为许多子任务 ,将子任务的提示提供给语言模型,得到的结果 作为新的提示词的一部分,这就是链式提示。

链式提示的特点:

  • 模块化设计:将复杂任务拆分为多个子任务。
  • 增强可控性:可以对每一步进行干预、优化或调试。
  • 提高准确性:减少一次性处理复杂问题带来的错误。
  • 可解释性强:清晰展示模型的推理路径。

概念图解

应用场景

  1. 自动问答系统(拆解用户问题为理解、检索、推理、总结等步骤);
  2. 数据清洗与结构化(将非结构化文本转换为表格、JSON等格式);
  3. 内容生成 + 审核流程(先生成内容,再判断是否合规、是否需修改);
  4. 教育中教学设计生成(将教学设计按模块拆分为教学目标,教学重难点、教学准备、教学过程,接着又可以根据实际情况将教学过程拆分为不同的子过程等);
  5. ......

案例实操

使用工具:扣子;

实现方式:扣子工作流。

完整工作流如下图:

节点配置信息:

  • 开始节点:
  • 文献摘要节点:
  • 根据文献摘要进行趋势分析节点:
  • 生成论文大纲节点:
  • 结束节点:

运行结果如下:

大家若有编程基础的话,可以参考下面的代码案例来实现与体验不同场景下使用链式提示。

代码实现链式提示

单向链式提示

技术栈:Python;LangChain

代码相关包引用导入:

pip install langchain_community==0.3.26;

pip install langchain_core==0.3.66;

具体代码:

python 复制代码
import os

from dotenv import load_dotenv
from langchain_community.chat_models import ChatZhipuAI
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnablePassthrough

# 加载环境变量(建议将API密钥放在.env文件中)
load_dotenv()

# 初始化智谱GLM-4模型
llm = ChatZhipuAI(
    model="glm-4",
    api_key=os.getenv("ZHIPUAI_API_KEY"),
    temperature=0.3,
    top_p=0.8,
    streaming=False
)

# ===== 定义Prompt模板 =====
literature_template = """作为学术研究员,请根据关键词《{topic}》生成5篇代表性文献摘要:
| 标题 | 核心方法 | 主要结论 |
|------|----------|----------|"""

trend_template = """基于以下文献摘要:{literature_summary}
总结该领域三大技术趋势和2个未解决问题:"""

outline_template = """根据趋势分析:{trend_analysis}
设计论文目录,包含:
1. 引言(背景+挑战)
2. 方法分类
3. 开放性问题
4. 未来方向\n输出:"""

# ===== 构建链式流程 =====
literature_prompt = PromptTemplate.from_template(literature_template)
trend_prompt = PromptTemplate.from_template(trend_template)
outline_prompt = PromptTemplate.from_template(outline_template)

literature_chain = literature_prompt | llm
trend_chain = trend_prompt | llm
outline_chain = outline_prompt | llm

academic_chain = (
    RunnablePassthrough.assign(literature_summary=literature_chain)
    .assign(trend_analysis=trend_chain)
    .assign(outline_generator=outline_chain)
)

# 执行链
research_topic = "大语言模型在金融风控中的应用"
print(research_topic, ",最终论文提纲正在生成中,请等待...")
result = academic_chain.invoke({"topic": research_topic})

print("\n" + "=" * 60 + "\n最终论文提纲:\n" + "=" * 60)
print(result["outline_generator"].content.strip())

路由链式提示

技术栈:Python;LangChain

代码相关包引用导入:

pip install rich==14.0.0;

pip install langchain_community==0.3.26;

pip install pandas==2.3.0;

pip install langchain==0.3.26;

pip install langchain_core==0.3.66;

具体代码:

python 复制代码
import json

import pandas as pd
from dotenv import load_dotenv
from langchain.chains import TransformChain
from langchain_community.chat_models import ChatZhipuAI
from langchain_core.prompts import PromptTemplate
from langchain_core.runnables import RunnableLambda
from rich.console import Console

# 加载环境变量(建议将API密钥放在.env文件中)
load_dotenv()


# ===== 自定义数据清洗链 =====
def clean_transform(inputs: dict) -> dict:
    df = pd.DataFrame(json.loads(inputs["raw_data"]))
    df = df.dropna(subset=["date"])  # 删除日期为空的行
    df["sales"] = df["sales"].fillna(0).astype(int)  # 删除日期为空的行
    return {"cleaned_data": df.to_json(orient="records")}


clean_chain = TransformChain(
    input_variables=["raw_data"],
    output_variables=["cleaned_data"],
    transform=clean_transform
)

# ===== 分析Prompt =====
analysis_prompt = PromptTemplate.from_template("""
对销售数据执行分析:
1. 总销售额(请逐步计算,确保计算结果准确)
2. 最畅销产品(逐一比较,确保结果准确)
3. 每日销售趋势
数据:{cleaned_data}
用Markdown表格呈现结果:""")


# ===== 路由决策逻辑 =====
def route_decision(inputs: dict) -> str:
    df = pd.DataFrame(json.loads(inputs["raw_data"]))
    missing = df.isnull().sum().sum()
    return "clean" if missing > 0 else "analyze"


# 初始化智谱GLM-4模型
llm = ChatZhipuAI(
    model="glm-4",
    temperature=0.3,
    top_p=0.8,
    streaming=False
)


# ===== 路由分支链 =====
def router_chain_func(inputs: dict):
    if route_decision(inputs) == "clean":
        cleaned = clean_chain.invoke(inputs)
        print("输入的数据需清洗,清洗后的数据为:")
        cleaned_data = cleaned["cleaned_data"]
        print(cleaned_data)
        return (analysis_prompt | llm).invoke({"cleaned_data": cleaned_data})
    else:
        # 直接分析原始数据
        return (analysis_prompt | llm).invoke({"cleaned_data": inputs["raw_data"]})


router_chain = RunnableLambda(router_chain_func)

# ===== 数据准备 =====
sales_data = {
    "date": ["2024-01-01", "2024-01-01", "2024-01-02", None, "2024-01-03", "2024-01-03"],
    "product": ["A", "B", "A", "C", "D", "C"],
    "sales": [100, 150, None, 200, 250, 220]
}
json_param = json.dumps(sales_data)
print("输入的数据是:")
print(json_param)
print("销售数据分析正在进行中,请稍候...")

# 执行动态链
analysis_result = router_chain.invoke({
    "raw_data": json_param
})

console = Console()

print("\n" + "=" * 60 + "\n数据分析结果:\n" + "=" * 60)
if analysis_result.content:
    console.print(analysis_result.content)
else:
    console.print(analysis_result)

总结与思考

链式提示 与链式思考提示,单从中文描述上来看是比较类似的,但是从它们对应从英文来看,Prompt Chaining ,Chain of Thought Prompt,就显得比较不一样了。前者的链式,在于强调解决问题所用到的提示(prompt)的整个链路过程,是有多个 prompt 组合而成的;而后者的链式,在于强调解决问题过程中间的思考链路,整个过程只有一个 prompt。

它们之间的具体对比分析:

|----------------|---------------------------|------------------------------|
| 维度 | 链式提示(Prompt Chaining) | 链式思考(Chain-of-Thought)提示 |
| 定义 | 多个提示按顺序执行,形成一个任务流程 | 引导模型在单个提示中输出中间推理步骤 |
| 核心目标 | 拆解复杂任务为多个子任务,逐步完成 | 提高模型解决复杂问题的准确性 |
| 是否多阶段 | 是,每个阶段是一个独立提示 | 否,整个过程在一个提示中完成 |
| 是否模块化 | 是,可单独优化某一步骤 | 否,整体性强,难以拆分 |
| 是否需要人工干预 | 可以在每一步插入逻辑判断、修正等 | 通常自动完成 |
| 是否支持外部工具调用 | 支持,如数据库查询、API 调用等 | 主要依赖模型内部知识 |
| 可控性 | 高,可精细控制每一步 | 中低,依赖模型自动生成 |
| 可解释性 | 强,流程清晰,便于调试 | 强,展示推理路径 |
| 资源消耗 | 中高(多次调用模型) | 低至中等(一次调用) |

总结起来可以这么理解:

链式思考(CoT) 提示, 是让模型"自己一步步想清楚 ",
链式提示(Prompt Chaining), 是让人"引导模型一步步做事情"。

自我一致性提示 , 则是让模型"多角度想清楚一件事";

生成知识提示 ,则是让模型"基于已有知识'创造'新内容"。

好了,到此结束。


提示技术系列,接下来分享:思维树(ToT);自动提示工程师(APE);主动提示(Active-Prompt);方向性刺激提示等等

为了方便大家学习,这里给出专栏链接: https://blog.csdn.net/quf2zy/category_12995183.html

欢迎大家一起来学习与交流......

相关推荐
LiuYiCheng1234562 分钟前
Python游戏开发:Pygame全面指南与实战
python·pygame
魔障阿Q15 分钟前
华为310P3模型转换及python推理
人工智能·python·深度学习·yolo·计算机视觉·华为
洛华36319 分钟前
初识opencv05——图像预处理4
人工智能·opencv·计算机视觉
SugarPPig26 分钟前
“非参数化”大语言模型与RAG的关系?
人工智能·语言模型·自然语言处理
Sui_Network30 分钟前
Ika Network 正式发布,让 Sui 智能合约可管理跨链资产
人工智能·物联网·web3·区块链·智能合约·量子计算
禾风wyh36 分钟前
【目标检测】小样本度量学习
人工智能·计算机视觉·目标跟踪
dylan55_you37 分钟前
掌控AI工具链:用 Python + API 构建 AI MCP 服务器
人工智能·ai·mcp
悟乙己44 分钟前
译|生存分析Survival Analysis案例入门讲解(一)
人工智能·机器学习·数据挖掘·生存分析·因果推荐
无奈何杨1 小时前
从“指点江山”到“赛博求雨”的心路历程
人工智能