从 Python 模块化到提示词工程：构建高效的 LLM 交互流程

1. Python 的模块化与 API 接口封装

Python 的设计哲学强调代码的可读性和模块化。在调用 LLM API 时，我们可以清晰地看到这一点。

代码示例：

python

编辑

ini 复制代码

from openai import OpenAI

# 替换为你的 DeepSeek API Key
client = OpenAI(
    api_key="api key",
    base_url="https://api.deepseek.com"
)

模块化引入： from openai import OpenAI 这种语法允许我们只引入需要的类，避免命名空间污染。
接口一致性： 许多 LLM（如 Gemini, Claude）虽然各有特色，但接口设计往往借鉴了 OpenAI 的标准。这种"抄袭"（借鉴）实际上促进了生态的标准化，降低了开发者的学习成本。
配置灵活性： 通过 base_url 参数，我们可以轻松切换不同的后端服务（如 DeepSeek），而无需修改业务逻辑。

2. 函数参数设计：借鉴 ES6 的默认值与灵活性

Python 的函数参数设计非常灵活，这一点与 ES6（JavaScript）有异曲同工之妙。在封装 LLM 调用时，利用默认参数可以大大简化代码。

代码示例：

python

编辑

ini 复制代码

def get_completion(prompt, model='deepseek-chat'):
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        temperature=0.5,  # 创造力控制：0(严谨) ~ 2(随意)
        max_tokens=1024,  # 最大生成长度
        n=1               # 生成几条结果
    )
    return response.choices[0].message.content

默认参数： model='deepseek-chat' 和 temperature=0.5 设置了合理的默认值，使得函数调用更加简洁。
Temperature 参数： 这是一个关键的"自由度"参数。数值越低，回复越严谨、确定；数值越高，回复越随机、富有创意。

3. 提示词工程：从"写诗"到"步骤提取"

LLM 虽然强大，但其输出质量高度依赖于输入的提示词。清晰、具体的指令是获得高质量输出的关键。

案例 1：基础生成

python

编辑

bash 复制代码

print(get_completion("写一首夏天游玩的七言诗歌"))

分析： 简单的指令往往能得到通用的结果。如果想要特定格式（如七言），模型通常也能理解，因为其训练数据中包含大量此类模式。

案例 2：结构化输出（步骤提取）

python

编辑

ini 复制代码

text = f"""泡一杯茶其实很简单！...（省略具体文本）"""
prompt = f"""
你将收到三引号包裹的文本，若文本中包含一系列操作指令，请按照下述格式重新整理这些格式
步骤一...
步骤二...
...
步骤N...
如果文本中没有一些操作指引，直接输出**"没有提供步骤"**
'''{text}'''
"""

教学意义： 这里展示了如何通过"少样本提示"和明确的格式要求，引导模型将非结构化文本转化为结构化步骤。Python 的多行字符串（f-string）在此处发挥了巨大作用。

4. 进阶技巧：引导模型逐步推理

有时候，我们需要模型完成复杂的多步任务（如：总结 -> 翻译 -> 提取人名 -> 输出 JSON）。直接提问可能失败，但分步引导（Chain of Thought）可以显著提高成功率。

代码示例：

python

编辑

ini 复制代码

prompt = """
执行以下操作
1. 将三个反引号之间的文本概括为一句话。
2. 把这句摘要翻译成法语
3. 列出法语摘要中出现的所有人名
4. 输出json对象，包含字段：french_summary、num_names。
答案分行展示
文本：
''' 在一座风光宜人的小村庄里...（省略） '''
"""

核心思想： 不要把模型当成黑盒乱猜，而是要像教人一样，告诉它"先做什么，再做什么"。这种思维链技术能有效降低模型犯错的概率。

5. 总结与展望

通过上述案例，我们可以看到：

Python 的优势： 字符串操作灵活，函数参数设计借鉴了现代编程语言的优点（如 ES6），非常适合处理文本生成任务。
提示词的重要性： 越具体的指令，越能得到想要的结果。不要吝啬篇幅，详细的背景和格式说明是成功的关键。
接口的统一性： 尽管底层模型（DeepSeek, Gemini, Claude）不同，但通过统一的 OpenAI 接口风格，我们可以轻松切换，这体现了 Python 生态的"鸭子类型"哲学------只要接口一致，就能互换使用。

希望这篇笔记能帮助你在掘金的道路上，更高效地驾驭 LLM！