LangChain框架在高炉炼铁智能化领域的应用~系列文章02：从Prompt开始，让大模型听懂高炉的“黑话“

🎯 第2期：从Prompt开始，让大模型听懂高炉的"黑话"

专栏 ：《LangChain框架在高炉炼铁智能化领域的应用》

前情回顾 ：上期我们搭建了第一个"高炉助手"，但AI刚进场时就是个"钢铁小白"😂

本期重点：Prompt Engineering ------ 如何让大模型变成"炼铁专家"

---

📖 引言：AI的"语言关"

上一期我们留了个尾巴------

你兴冲冲地装好了 LangChain，把 AI 请进了中控室。结果你问它：

👨‍🏭 你："炉顶温度偏高，十字测温径向温差有150°C了，是不是布料有问题？"
🤖 AI（一脸懵）："您好，作为AI助手，我无法实时获取高炉数据。请查阅相关手册或咨询现场工程师。"

😤 血压上来了有没有！

问题出在哪？不是模型不够强，是你没教会它"说人话" ------准确地说，是没教会它说"炼铁人的话"。

这就涉及 LangChain 中最重要的基础技能之一：Prompt Engineering（提示词工程） 🎓

---

📝 什么是 Prompt？别整玄乎的

Prompt ，翻译过来是"提示词"，本质上就是------你给 AI 写的"岗位说明书" 📄

┌─────────────────────────────────────────┐
│          "亲爱的AI员工，                     │
│           你的岗位是高炉炼铁专家，              │
│           你需要......（此处省略500字）"           │
│                                            │
│          ------ 这就是System Prompt             │
└─────────────────────────────────────────┘

在 LangChain 中，Prompt 主要分三类：

类型	英文名	一句话解释	高炉场景类比
🧠 系统提示	System Prompt	AI的"人设"	告诉AI：你是个有30年经验的炼铁总工
💬 用户提示	Human Message	用户的问题	现场操作工的问话
🤖 AI回复	AI Message	AI的回答	总工给出的建议

---

🔧 LangChain 中的 Prompt 三板斧

第一板斧：PromptTemplate --- 变量注入

场景：每天早会都要生成高炉日报，内容格式一样，数据每天不同。

最原始的方式------每次都手写完整的 Prompt：

# ❌ 错误示范：硬编码，每次都要写一遍
prompt = "请分析高炉A在2025年1月1日的生产数据，风温1200°C，风压0.38MPa..."

✅ LangChain 的正确姿势：PromptTemplate

from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

# 📌 定义 Prompt 模板
daily_report_prompt = PromptTemplate(
    input_variables=["furnace_name", "date", "wind_temp", "wind_pressure", "si_content"],
    template="""
你是一位资深高炉炼铁专家，请根据以下数据生成{date}的{ furnace_name }生产日报。

📊 【关键参数】
- 风温：{wind_temp}
- 风压：{wind_pressure}
- 铁水硅含量：{si_content}

请从以下三个方面分析：
1️⃣ 炉况评价：当前炉况是否稳定？
2️⃣ 异常提示：是否存在异常趋势？
3️⃣ 操作建议：给出具体的调整建议。

注意：语气要专业，结论要明确，不能模棱两可。
"""
)

# 📌 注入实际数据
prompt = daily_report_prompt.format(
    furnace_name="5号高炉",
    date="2025年6月5日",
    wind_temp="1210°C",
    wind_pressure="0.39 MPa",
    si_content="0.42%"
)

# 📌 调用模型
llm = ChatOpenAI(model="doubao-seed-2-0-lite-260215", temperature=0.3)
response = llm.invoke(prompt)
print(response.content)

🔍 拆解一下：

• PromptTemplate 就像 Excel 模板------数据填进去，报告自动出
• 使用 {} 占位符，运行时注入实际参数
• 不管换几号高炉、换哪天的数据，模板一套搞定！

---

第二板斧：ChatPromptTemplate --- 多人对话管理

场景：高炉中控室不是一个人在战斗，而是操作工、值班主任、工程师之间的对话轮换。

from langchain.prompts import ChatPromptTemplate
from langchain.prompts.chat import SystemMessagePromptTemplate, HumanMessagePromptTemplate

# 📌 构建"多人对话"模板
chat_prompt = ChatPromptTemplate.from_messages([
    # 🧠 System Prompt ------ "人设"
    SystemMessagePromptTemplate.from_template(
        "你是{company_name}的炼铁首席专家，拥有30年高炉操作经验。"
        "你的风格是：专业、果断、数据驱动。"
        "每次回答必须引用数据，给出明确结论，不能含糊其辞。"
    ),
    # 💬 第一轮对话
    HumanMessagePromptTemplate.from_template(
        "当前{ furnace_name }的压量关系出现异常：风压{wind_pressure}，风量{wind_volume}，"
        "透气性指数下降到{permeability}。请分析原因并给出操作建议。"
    ),
])

# 📌 使用
messages = chat_prompt.format_messages(
    company_name="XX钢铁集团",
    furnace_name="3号高炉",
    wind_pressure="0.42 MPa",
    wind_volume="4800 m³/min",
    permeability="32.5"
)

llm = ChatOpenAI(model="doubao-seed-2-0-lite-260215", temperature=0.3)
response = llm.invoke(messages)
print(response.content)

生成的消息结构

System: 你是XX钢铁集团的炼铁首席专家......
Human:  当前3号高炉的压量关系出现异常......

这种结构比单纯的字符串拼接更清晰，模型理解效果也更好 ✅

---

第三板斧：FewShotPromptTemplate --- 给AI看"参考答案"

场景：想让 AI 按特定格式输出炉况诊断结果，但光用文字描述它不一定懂。

最好的办法------给它看几个例子 📚

from langchain.prompts.few_shot import FewShotPromptTemplate
from langchain.prompts import PromptTemplate

# 📌 给AI看几个"标准答案"
examples = [
    {
        "question": "铁水温度1480°C，硅含量0.35%，炉渣碱度1.15",
        "answer": """
【炉况判断】炉温正常偏下行
【置信度】80%
【依据】铁温1480°C处于正常区间下限，硅含量0.35%偏低
【建议】适当增加焦比3-5kg/t，关注后续铁温变化
"""
    },
    {
        "question": "铁水温度1520°C，硅含量0.65%，炉渣碱度1.25",
        "answer": """
【炉况判断】炉温偏高
【置信度】85%
【依据】铁温1520°C超过正常上限，硅含量0.65%偏高
【建议】适当减焦或增加矿石量，降低炉热水平
"""
    }
]

# 📌 定义示例模板
example_prompt = PromptTemplate(
    input_variables=["question", "answer"],
    template="输入：{question}\n输出：{answer}"
)

# 📌 构建 FewShot Prompt
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="你是一位炉况诊断专家。请按照以下示例格式分析高炉炉况：",
    suffix="输入：{input}\n输出：",
    input_variables=["input"]
)

# 📌 测试
prompt = few_shot_prompt.format(
    input="铁水温度1505°C，硅含量0.52%，炉渣碱度1.20"
)
llm = ChatOpenAI(model="doubao-seed-2-0-lite-260215", temperature=0.3)
response = llm.invoke(prompt)
print(response.content)

✨ 效果：AI 会严格按照示例的格式输出，不会"自由发挥"。

---

🏭 实战案例：高炉炉况诊断 Prompt 链

把我们学的三板斧组合起来，做一个完整的炉况诊断系统 😎

from langchain.prompts import (
    PromptTemplate,
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate
)
from langchain_openai import ChatOpenAI
from langchain.prompts.few_shot import FewShotPromptTemplate

# 初始化模型
llm = ChatOpenAI(
    model="doubao-seed-2-0-lite-260215",
    temperature=0.2,  # 诊断场景要低温度，更稳定
    timeout=600
)

# ───────────── 第一步：炉况评估 Prompt ─────────────
furnace_eval_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(
        "你是一位精通高炉炼铁工艺的资深专家。"
        "你擅长通过分析关键参数判断炉况。"
        "请严格按照给定的输出格式回答，不要随意增删内容。"
    ),
    HumanMessagePromptTemplate.from_template(
        """
请评估以下高炉的炉况：

📊 关键参数：
- 风温：{wind_temp}
- 风量：{wind_volume}
- 风压：{wind_pressure}  
- 透气性指数：{permeability_index}
- 铁水温度：{iron_temp}
- 硅含量：[Si] = {si_content}
- 炉渣碱度：R = {basicity}
- 料速：{charging_speed} 批/h

请输出以下格式的评估结果：
【炉温水平】偏热/正常/偏凉
【炉况稳定性】稳定/波动/异常
【重点关注】列出1-2个需关注的指标
【操作建议】1-2条具体建议
"""
    ),
])

# ───────────── 第二步：执行评估 ─────────────
messages = furnace_eval_prompt.format_messages(
    wind_temp="1180°C",
    wind_volume="4850 m³/min",
    wind_pressure="0.385 MPa",
    permeability_index="34.2",
    iron_temp="1475°C",
    si_content="0.38%",
    basicity="1.18",
    charging_speed="6.5"
)

response = llm.invoke(messages)
print("🔍 炉况评估结果：")
print(response.content)

🎬 执行效果预览

🔍 炉况评估结果：

【炉温水平】偏凉
【炉况稳定性】波动
【重点关注】铁水温度偏低（1475°C），硅含量已接近下限
【操作建议】
1. 建议加焦3-5批，提高炉热水平
2. 适当降低风量50-100m³/min，稳定压量关系

💡 经验之谈 ：在工业场景中，Temperature（温度参数） 要调低（0.1~0.3），否则 AI 每次回答不一样，现场没法用！

---

⚡ Prompt 进阶技巧：让AI更"听话"

🚫 负面指令（Negative Instructions）

# ✅ 明确告诉AI不要做什么
prompt = """
你是高炉炼铁专家。请遵循以下约束：
- ❌ 不要使用模糊词汇（如"可能"、"大概"、"也许"）
- ❌ 不要输出与高炉无关的内容
- ✅ 必须引用数据支撑结论
- ✅ 结论必须明确（正常/异常/紧急）
"""

📋 结构化输出约束

# 让AI输出JSON格式，方便下游解析
prompt = """
分析以下数据并输出JSON格式的结果：
{json_data}

请严格按照以下Schema输出：
{{
    "furnace_status": "stable|unstable|crisis",
    "confidence": 0.0~1.0,
    "abnormal_params": ["param1", "param2"],
    "suggestions": ["suggestion1", "suggestion2"]
}
"""

🔄 思维链（Chain-of-Thought）

prompt = """
请逐步思考以下高炉炉况诊断问题：

1️⃣ 首先，列出所有异常参数
2️⃣ 其次，分析参数之间的关联性
3️⃣ 然后，找出最可能的根本原因
4️⃣ 最后，给出操作建议

数据：{data}

请按上述步骤逐一输出你的思考过程。
"""

这种"先思考再回答"的方式，能显著提升复杂诊断的准确率 📈

---

📊 本期小结

内容	核心要点
Prompt分类	System / Human / AI Message
PromptTemplate	变量注入，一套模板打天下
ChatPromptTemplate	多轮对话管理
FewShotPromptTemplate	给AI看样例，输出更规范
工业场景要点	低温、结构化、负面指令

---

💡 小贴士 ：写好 Prompt 的核心秘诀就一句话------"把AI当成一个刚入职的实习生，你要事无巨细地告诉他该怎么做"。

---

📌 下期预告

第3期：《模型调用篇：选对模型，高炉炼铁事半功倍》 🚀

Prompt 写好了，模型怎么选？是选豆包还是 GPT？是选 DeepSeek 还是 Kimi？

不同的模型有不同的"性格"------有的擅长推理，有的擅长代码，有的便宜好用......

下一期，我们手把手教你如何在 LangChain 中配置和切换模型，找到最适合"高炉场景"的 AI 大脑！💪

🌟 别忘了收藏+关注，16期连载不迷路！

作者：高炉炼铁智能化技术研究者，专注钢铁冶金与人工智能 交叉领域。

👍 如果觉得有帮助，请点赞、收藏、转发！

版权归作者所有，未经许可请勿抄袭，套用，商用(或其它具有利益性行为) 。

🔔 关注专栏，不错过后续精彩内容！