12 Prompt 模板化与参数化
前情回顾
- 在 第 11 节 我们学会了 Few-shot 和 Chain-of-Thought，可以让模型回答更稳定、推理更清晰。
- 但如果每次都要人工写示例、复制粘贴 Prompt，不仅麻烦，还容易出错。
- 这就是今天的主题：Prompt 模板化与参数化 ------ 把提示词写成可复用的模板，用参数来控制内容。
一、为什么要做 Prompt 模板化？
-
避免重复劳动
- 如果你做客服机器人，每个回答都需要礼貌开头、总结结尾。
- 模板化后，只需填充变量，不用每次都重写 Prompt。
-
保证输出一致性
- 产品经理最怕 AI 输出风格不统一（有时太随意，有时太正式）。
- 模板化能固定"回答风格"和"输出格式"。
-
便于迭代和调优
- 当你要修改提示词策略时，只需改模板，不用到处找 Prompt。
👉 换句话说，Prompt 模板化就像写"AI 提示词的 PRD"。
二、实践：写一个 Prompt 模板生成器
我们来写一个简单的 Python 小工具，把 Prompt 写成模板，并支持参数化。
1. Python 示例（保存为 prompt_template.py）
python
from string import Template
from openai import OpenAI
client = OpenAI(base_url="http://127.0.0.1:11434/v1", api_key="ollama")
# 定义 Prompt 模板
template_text = """
你是一名专业的客服机器人，请用简洁、礼貌的语气回答用户问题。
[示例风格]
用户：如何重置密码？
AI：您好，您可以通过点击"忘记密码"，然后按照提示步骤完成重置。
[问题]
用户：$question
请保持和示例一致的风格，直接给出答案。
"""
# 把模板编译为可替换对象
prompt_template = Template(template_text)
def ask(question):
# 用参数替换模板中的变量
prompt = prompt_template.substitute(question=question)
resp = client.chat.completions.create(
model="deepseek-r1",
messages=[{"role": "user", "content": prompt}],
temperature=0.2
)
return resp.choices[0].message.content
# 测试不同输入
print("Q: 如何申请报销？")
print("A:", ask("如何申请报销？"))
print("\nQ: 公司年假是多少天？")
print("A:", ask("公司年假是多少天？"))2. 运行结果（示例）
Q: 如何申请报销？
A: 您好，报销流程为：先提交报销申请，待审批通过后，再上传发票和凭证进行报销。
Q: 公司年假是多少天？
A: 您好，公司规定员工每年享有 10 天带薪年假。👉 可以看到，不同问题都被套进了同一个 礼貌客服风格模板。
三、模板还能做什么？
-
参数化 Few-shot
- 把 Few-shot 示例写在模板里，用变量控制问题和答案。
- 比如 FAQ 系统，可以自动生成几十个 Prompt，而不用手写。
-
固定输出格式
-
可以强制 AI 按 JSON、Markdown、表格输出。
-
例：
请用 JSON 格式回答： {"答案": "...", "引用": "..."}
-
-
跨角色复用
-
同一个问题，不同角色可以有不同模板：
- 客服机器人：礼貌回答
- 教师助手：分步骤讲解
- 医疗助手：附带免责声明
-
四、产品经理思考
1. 为什么 PM 要推动 Prompt 模板化？
- 可控性：输出风格统一，降低不可控风险。
- 可维护性：方便团队调试和更新，不依赖个人经验。
- 可扩展性：适配不同场景（客服、教育、金融），只需切换模板。
2. 在 PRD 中怎么写？
- 功能需求：系统支持 Prompt 模板化与参数化。
- 非功能需求：不同部门可以配置自己的模板，输出风格必须统一。
- 验收标准：相同问题在 10 次调用中，输出格式和风格保持一致。
3. 案例
- 教育场景：固定输出格式 → "逐步推理 + 总结"。
- 客服场景：固定语气 → "您好，请您......"。
- 金融场景：固定免责声明 → "以下信息仅供参考，不构成投资建议"。
五、小结
今天我们学习了：
- Prompt 模板化和参数化的概念与价值。
- 用 Python 写了一个小工具，把问题自动填进模板。
- PM 视角：模板化能让 AI 产品更可控、更统一，也方便迭代和扩展。