人工智能之提示词工程第七章行业场景深度落地案例

7.1 智能客服领域

智能客服是提示词工程最成熟的应用场景。核心在于构建一个能够理解意图、记忆上下文并给出准确回复的闭环系统。

全流程 Prompt 设计：NLU→DST→NLG 的端到端优化
与其将 NLU（意图识别）、DST（状态跟踪）、NLG（回复生成）拆分为三个独立的 API 调用（成本高、延迟大），不如设计一个全能型系统提示词，让模型在一次调用中完成所有任务，但输出结构化的中间状态。
复杂场景扩展：多产品、多意图、多轮交互
当产品库变大（如几十种套餐）或用户意图复杂（如"我想把现在的套餐降级，但是要保留那个流量包"）时，Prompt 需要具备更强的逻辑处理能力。
- 策略：在 Prompt 中引入"思维链"，让模型先分析用户意图，再查询知识库，最后生成回复。

7.2 内容生成领域

内容生成（AIGC）的核心在于风格控制 和格式合规。

营销文案 / 报告生成：角色 + 示例 + 格式的精准设计
- 角色：不仅是"你是一个作家"，而是"你是一个深谙小红书算法的种草博主"。
- 示例：提供一段爆款文案作为 Few-shot 示例，让模型模仿其语气、表情符号的使用和段落结构。
- 格式：强制要求输出 Markdown 格式，包含标题、正文、标签。
代码生成：上下文 + 输入输出约束
- 上下文：提供相关的代码库结构或依赖库版本。
- 约束：明确输入参数的类型、预期的输出格式、以及错误处理机制。

7.3 数据分析与解读领域

大模型本身不擅长直接计算（容易幻觉），但擅长编写代码 或逻辑推理。

指标分析：思维链在数据逻辑推理中的应用
不要直接问"为什么销售额下降了？"，而是要求模型：
1. 拆解指标（销售额 = 流量 × 转化率 × 客单价）。
2. 逐步排查（先看流量是否下降，再看转化率）。
3. 得出结论。
可视化指令：输出格式与数据分析工具的适配
模型不直接画图，但可以生成绘图代码（如 Python Matplotlib 或 ECharts JSON）。Prompt 需要精确描述图表类型、坐标轴定义和颜色风格。

7.4 教育 / 培训领域

教育的核心是因材施教 和启发式引导。

个性化教学：角色（教师）+ 上下文（学生水平）+ 示例
Prompt 需要包含学生的背景信息（如"小学三年级，刚学乘法"），并要求 AI 使用适合该年龄段的类比（如用苹果举例）。
作业批改：规则明确化 + 思维链验证
批改不仅仅是给分，更要指出错误原因。利用 CoT 让模型先分析解题步骤，再判断对错，最后给出评语。

配套代码实现与流程图

我们将通过 Python 代码演示上述四个场景的核心 Prompt 逻辑。

python 复制代码

from openai import OpenAI
import json

client = OpenAI(api_key="your-api-key")

# ==========================================
# 7.1 智能客服：全能型系统提示词
# ==========================================
def run_customer_service(user_input, conversation_history):
    system_prompt = """
    # 角色
    你是"极客通讯"的资深客服专家。
    
    # 任务
    1. 分析用户意图 (Intent)。
    2. 提取关键信息 (Slots)。
    3. 根据【产品库】匹配最佳方案。
    4. 生成友好、专业的回复。
    
    # 产品库
    - 流量王: 59元/月, 30GB, 100分钟通话
    - 畅聊卡: 39元/月, 5GB, 500分钟通话
    - 学生卡: 19元/月, 10GB (限寒暑假)
    
    # 输出格式
    请输出一个JSON对象，包含：
    {
        "intent": "咨询/办理/投诉",
        "slots": {"product": "...", "price": "..."},
        "reasoning": "简短的思考过程，比如排除了哪个产品",
        "reply": "最终给用户的回复"
    }
    """
    
    messages = [{"role": "system", "content": system_prompt}] + conversation_history + [{"role": "user", "content": user_input}]
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages,
        response_format={"type": "json_object"}, # 强制JSON输出
        temperature=0.3
    )
    return json.loads(response.choices[0].message.content)

# ==========================================
# 7.2 内容生成：小红书爆款文案
# ==========================================
def generate_xiaohongshu_copy(product_name, features):
    system_prompt = """
    你是一个拥有百万粉丝的小红书美妆博主。
    你的风格：热情、亲切、喜欢用Emoji、标题要吸引人（包含感叹号或疑问句）。
    
    请根据产品信息写一篇种草文案。
    结构要求：
    1. 标题（20字以内，吸引眼球）
    2. 正文（分点描述，突出痛点解决）
    3. 标签（#种草 #美妆 等）
    """
    
    user_prompt = f"产品名：{product_name}。特点：{features}"
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": system_prompt}, {"role": "user", "content": user_prompt}],
        temperature=0.8 # 高温度，增加创意
    )
    return response.choices[0].message.content

# ==========================================
# 7.3 数据分析：思维链 + 代码生成
# ==========================================
def analyze_sales_data(data_description):
    system_prompt = """
    你是一位资深数据分析师。
    请根据用户提供的数据描述，进行逻辑拆解，并生成一段Python代码来绘制分析图表。
    
    请按以下步骤思考：
    1. 分析目标：用户想看什么？
    2. 指标拆解：需要计算哪些指标？
    3. 图表选择：哪种图表最适合展示这些数据？
    4. 代码生成：使用matplotlib生成绘图代码。
    """
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": system_prompt}, {"role": "user", "content": data_description}],
        temperature=0.2
    )
    return response.choices[0].message.content

# ==========================================
# 7.4 教育培训：苏格拉底式辅导
# ==========================================
def tutor_student(student_level, question, student_answer):
    system_prompt = f"""
    你是一位耐心的小学{student_level}数学老师。
    你的任务不是直接给答案，而是引导学生自己发现错误。
    
    批改规则：
    1. 判断学生答案是否正确。
    2. 如果错误，指出是哪一步逻辑出了问题。
    3. 给出一个类似的简单例子作为提示。
    4. 最后给出鼓励性的评语。
    """
    
    user_prompt = f"题目：{question}\n学生回答：{student_answer}"
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "system", "content": system_prompt}, {"role": "user", "content": user_prompt}],
        temperature=0.5
    )
    return response.choices[0].message.content

# === 运行演示 ===
if __name__ == "__main__":
    print("=== 7.1 智能客服 ===")
    # 模拟对话历史
    history = [{"role": "user", "content": "我想办个便宜点的卡，平时打电话多。"}]
    # 注意：实际运行需传入history，这里简化演示
    # result = run_customer_service("有没有适合打电话的？", history)
    # print(f"客服回复: {result['reply']}")
    print("（代码逻辑已定义，实际运行需API Key）")

    print("\n=== 7.2 内容生成 ===")
    # print(generate_xiaohongshu_copy("美白精华", "见效快，温和不刺激"))

    print("\n=== 7.3 数据分析 ===")
    # print(analyze_sales_data("这是某店近7天的销售额数据：[100, 120, 90, 150, 130, 180, 200]，我想看趋势。"))

    print("\n=== 7.4 教育培训 ===")
    # print(tutor_student("三年级", "25 * 4 = ?", "25 * 4 = 100"))

Mermaid 流程图：智能客服全流程

JSON格式
非JSON
Prompt 内部逻辑
意图识别 NLU
状态跟踪 DST
知识库检索
思维链推理 Reasoning
回复生成 NLG
用户输入
输出格式检查
解析 JSON
提取回复文本回复用户
更新对话状态数据库
重试或报错

总结

本章展示了提示词工程在不同行业的落地形态：

客服重在结构化与准确性。
内容生成 重在风格模仿与创意。
数据分析 重在逻辑拆解与工具使用。
教育重在角色代入与引导策略。

人工智能之提示词工程 第七章 行业场景深度落地案例