Prompt Engineer 使用、设计、优化

文章目录

- [1. LangChain 中的 Prompt 模块怎么使用](#1. LangChain 中的 Prompt 模块怎么使用)
- - [1.1 最简单的模板](#1.1 最简单的模板)
  - [1.2 聊天模板](#1.2 聊天模板)
  - [1.3 示例模板（Few-Shot）](#1.3 示例模板（Few-Shot）)
  - [1.4 动态日期模板](#1.4 动态日期模板)
- [2. 如何在实际项目中设计 Prompt](#2. 如何在实际项目中设计 Prompt)
- - [2.1 Prompt 设计的四大要素](#2.1 Prompt 设计的四大要素)
  - [2.2 如何进行 Prompt 优化](#2.2 如何进行 Prompt 优化)
  - - [Prompt 优化的方法论](#Prompt 优化的方法论)
    - 性能评估
- [3. 零样本与少样本学习](#3. 零样本与少样本学习)

1. LangChain 中的 Prompt 模块怎么使用

提示词模板就是把"问问题"这件事标准化，不用每次都手写完整的提示词。

1.1 最简单的模板

定义模板，用 {} 占位。

python 复制代码

from langchain_core.prompts import PromptTemplate

# 定义模板，用 {} 占位
template = PromptTemplate.from_template(
    "请用{language}语言介绍一下{topic}，不超过100字。"
)

# 填充变量
prompt = template.format(language="中文", topic="人工智能")
print(prompt)
# 输出: 请用中文语言介绍一下人工智能，不超过100字。

1.2 聊天模板

可定义多轮对话模板。

python 复制代码

from langchain_core.prompts import ChatPromptTemplate
from dotenv import load_dotenv
import os
from langchain_openai import ChatOpenAI

load_dotenv()

# 定义多轮对话模板
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一位{role}，擅长用简洁易懂的方式解释复杂概念。"),
    ("human", "请解释一下：{concept}"),
])

# 生成消息列表
messages = chat_template.format_messages(
    role="物理学教授",
    concept="量子纠缠"
)

# 创建模型
llm = ChatOpenAI(
    model="deepseek-chat",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url="https://api.deepseek.com"
)

# 调用模型
response = llm.invoke(messages)
print(response.content)

1.3 示例模板（Few-Shot）

通过给几个例子，教 AI 按你想要的格式输出。

python 复制代码

from langchain_core.prompts import ChatPromptTemplate
from dotenv import load_dotenv
import os
from langchain_openai import ChatOpenAI

load_dotenv()

# 创建模型
llm = ChatOpenAI(
    model="deepseek-chat",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url="https://api.deepseek.com"
)

# 创建包含示例的模板
few_shot_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个情绪表达助手。"),
    ("human", "示例：\n情绪: 开心\n表达: 我今天非常开心！\n\n情绪: 难过\n表达: 我感到有些难过..."),
    ("human", "现在请表达这个情绪: {emotion}")
])

messages = few_shot_template.format_messages(emotion="兴奋")
response = llm.invoke(messages)
print(response.content)
# 情绪: 兴奋
# 表达: 我兴奋得快要跳起来了！

1.4 动态日期模板

除了可以设置一些输入变量，也可以定义一些自动填充的变量。

python 复制代码

from langchain_core.prompts import PromptTemplate
from dotenv import load_dotenv
import os
from langchain_openai import ChatOpenAI
from datetime import datetime

load_dotenv()

# 创建模型
llm = ChatOpenAI(
    model="deepseek-chat",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url="https://api.deepseek.com"
)

template = PromptTemplate(
    template="今天是{date}，请告诉我关于{topic}的最新消息。",
    input_variables=["topic"],
    partial_variables={
        "date": datetime.now().strftime("%Y年%m月%d日")  # 自动填充
    }
)

# 只需要传 topic
prompt = template.format(topic="AI发展")

response = llm.invoke(prompt)
print(response.content)

2. 如何在实际项目中设计 Prompt

2.1 Prompt 设计的四大要素

角色设定：限定模型回答视角
任务描述：使用 STAR 原则（场景、任务、行动、结果）
格式规范：如分点列表、表格呈现、代码格式等
约束条件：包括长度、风格、内容、要求引用来源等限制

2.2 如何进行 Prompt 优化

Prompt 优化的方法论

迭代优化：从简单到复杂，逐步完善
A/B 测试：比较不同版本的效果
用户反馈：收集实际使用情况
性能指标：准确率、相关性、一致性等

性能评估

定量指标：响应时间、成功率
定性指标：输出质量、相关性
用户体验：易用性、满意度
成本效益：API 调用成本、资源使用

3. 零样本与少样本学习

零样本学习（Zero-Shot）：无需示例，直接通过指令让大模型完成任务，依赖模型预训练知识，适合通用、简单任务（如翻译、分类、通用问答）。
少样本学习（Few-Shot）：通过给出少量高质量示例，引导模型理解任务格式和规则，适合复杂、专业任务（如法律文档解析、医疗术语抽取）。
区别：零样本输出可控性较低，少样本通过示例提升输出可控性和准确率。