Prompt工程核心与Python 字典

这是一篇学习笔记式的技术博客，内容源自对 Prompt 工程、Python 数据结构及 JavaScript 基础的系统整理，适合用来复习和分享。

一、Prompt 工程两大核心原则

1. 撰写清晰、具体的指令

让大模型输出符合预期，关键在于指令要具体。不要把"清晰"和"精简"混为一谈------很多时候，篇幅更长的提示词能提供更完整的背景信息，让输出更加详实。

示例：总结文本

python 复制代码

text = """
你应当通过尽可能清晰、具体的指令，来明确你希望模型完成的任务。
这能引导模型产出符合预期的结果，同时降低回复内容偏离主题或出现错误的概率。
不要把编写清晰的提示词和精简提示词混为一谈。
很多时候，篇幅更长的提示词能为模型提供更完整的说明与背景信息，进而让输出内容更加详实、贴合需求。
"""

prompt = f"""
将三个反引号之间的文本总结为一句话
```{text}```
"""
# 输出：清晰的指令应具体且详尽，而非简单精简，长提示词能提供更完整的背景信息，
#        从而提升模型输出的准确性和相关性。

示例：指定输出格式

python 复制代码

prompt = """
请列出四大名著，并标注对应的作者与书籍类型。
使用JSON格式呈现，需包含以下字段：book_id、title、author、desc、genre
"""

示例：分步骤提取指令

python 复制代码

text = """
泡一杯茶其实很简单！首先把水烧开，烧水的同时，拿出茶杯放入茶包，
水开之后将开水冲入杯中浸泡茶包。静止片刻后让茶香析出。
几分钟后，根据个人口味，还可以加入糖或牛奶。这样一杯美味的茶饮就泡好了。
"""

prompt = """
若文本中包含一系列操作指令，请按照下述格式重新整理：
步骤1、...
步骤2、...
如果文本中没有一系列操作指引，直接输出"没有提供步骤。"
"""
# 输出：
# 步骤1、把水烧开。
# 步骤2、烧水的同时，拿出茶杯放入茶包。
# 步骤3、水开之后将开水冲入杯中浸泡茶包。
# ...

2. 引导模型逐步推理（Chain of Thought）

对于复杂任务，让模型分步执行比一次性输出效果更好。

python 复制代码

text = """
在一座风光宜人的小村庄里，姐弟俩杰克和吉尔动身前往山顶的水井取水...
"""

prompt = """
执行以下操作：
1. 将文本概括为一句话
2. 把摘要翻译成法语
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
"""
# 模型会按步骤逐一完成，最终返回结构化的 JSON 结果

3. Few-Shot 提示：给模型打个样

给 LLM 提供少量样本，让它模仿统一的风格和格式。

python 复制代码

prompt = """
你的任务是保持统一的行文风格作答。

提问：请讲讲何为耐心？
回答：凿出幽深峡谷的江河，源自涓涓细流；
恢弘壮阔的交响乐，起于一个个音符；
精美繁复的织锦，始于一缕缕丝绒。

请讲讲何为伟大？
"""

二、LLM API 调用封装

基本调用函数

python 复制代码

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.deepseek.com/v1"
)

def get_completion(prompt, model='deepseek-chat'):
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "user", "content": prompt}
        ],
        temperature=0.5,   # 0=确定, 2=随机
        max_tokens=1024,   # 控制输出长度
    )
    return response.choices[0].message.content

关键参数说明

参数	说明
`model`	模型名称，如 `deepseek-chat`、`gpt-4`
`messages`	对话列表，每条消息包含 `role`（user/assistant/system）和 `content`
`temperature`	0~2，0 代表确定性最高，2 代表随机性最强
`max_tokens`	限制输入+输出的 token 总量

f-string 多行字符串

python 复制代码

text = f"""
这是一个多行字符串模板，
可以直接嵌套 {变量}，
非常适合用来构造 Prompt。
"""

三、Python Dict 与 HashTable 原理

为什么叫"字典"？

Dict（字典）的核心优势是 O(1) 时间复杂度查找------就像查字典时通过偏旁部首或字母索引直接定位，不需要从第一个字翻到最后一个字（O(n)）。

假设要根据名字查成绩，不用字典的替代方案：

python 复制代码

# 两个平行列表，靠下标对应
names = ["张三", "李四", "王五"]
scores = [90, 85, 92]

# 查李四的成绩
index = names.index("李四")  # O(n) 线性查找
score = scores[index]

HashTable 工作原理

scss 复制代码

key → hash(key) → 唯一整数 → 取模 → 数组索引 → 值的内存地址 → 拿到 value

key 必须唯一且可哈希（hashable） ，即必须是不可变对象
若 key 可变（如 list），每次 hash 的结果可能不同，dict 内部就会混乱
key = [1,2,3] 会报错 unhashable type: 'list'

Dict vs List

	Dict	List
查找/插入速度	极快，不随数据量增长而变慢	随元素增加而变慢
内存占用	大	小
适用场景	高速查找	节省内存

Set

Set 和 Dict 原理一致，区别是 Set 只存 key，不存 value。由于 key 不能重复，Set 天然去重。

不可变对象再谈

python 复制代码

a = 'abc'
a.replace('a', 'A')
print(a)  # 仍然是 'abc'

# str 是变量，'abc' 才是字符串对象
# replace 作用在对象上，返回新字符串 'Abc'，原对象不变

四、JavaScript 变量提升（Hoisting）

函数声明优先于 var 声明

javascript 复制代码

// 结果输出 1
showName();
function showName() {
    console.log(1);
}
var showName = function() {
    console.log(2);
}

JS 引擎执行时等价于：

javascript 复制代码

function showName() { console.log(1); }  // 函数声明提到最前
// var showName; （被忽略，因为已有同名函数）
showName();
showName = function() { console.log(2); };

同名函数，后者覆盖前者

javascript 复制代码

var showName = function() { console.log('极客帮'); }
showName();  // 极客帮
var showName = function() { console.log('极客时间'); }
showName();  // 极客时间

如果是函数声明方式，同样最后一个生效：

javascript 复制代码

function showName() { console.log('极客帮'); }
showName();  // 极客时间
function showName() { console.log('极客时间'); }
showName();  // 极客时间

五、LLM 幻觉

LLM 有时会生成看似合理但实际不正确的信息。比如问"niko 的 major 冠军"------实际上 Niko 从未获得过 Major 冠军，但模型可能会生成看似详细的"夺冠经历"。这是使用大模型时需要始终警惕的问题。

总结

模块	要点
Prompt 原则	清晰具体 + 引导逐步推理 + Few-Shot 样本
API 参数	temperature（随机性）、max_tokens（长度控制）
Dict/Hash	O(1) 查找、key 必须可哈希（不可变）
Set	只有 key 没有 value，天然去重
JS 变量提升	函数声明 > var 声明，同名函数后者覆盖
LLM 幻觉	模型会编造看似合理的内容，需保持警惕