零基础AI应用编程开发入门 | 吴恩达Prompt工程极简通关指南：新手从零学会工业级提示词开发（可直接复用代码）

lancyu2026-08-04 15:51

吴恩达Prompt工程极简通关指南：新手从零学会工业级提示词开发（可直接复用代码）

哈喽各位AI开发未来大佬！我是lancyu！

如果你正在入门大模型应用开发，**吴恩达 × OpenAI《开发者提示工程》**是业内公认的入门标杆课程，也是所有AI应用开发者的必修基础课。

这门课核心价值并非教用户撰写美化文案，而是教会开发者通过标准化Prompt，精准管控大模型输出逻辑、格式与内容，实现稳定、可控、可落地的工业级AI功能开发。

本文严格对标课程原版知识点、官方定义、经典案例，重构全文内容：所有专业概念先给出官方标准定义 ，再搭配新手通俗抽象总结，补全视频原生案例细节、标准化Prompt开发规则，所有代码新增功能简介、完整可参考的打印结果示例，补齐原版案例生动性，兼顾新手学习与快速复习需求。

读完本文可完整掌握：大模型两大分类、幻觉核心原理、Prompt两大黄金原则、迭代优化思维、四大核心落地场景、多轮对话机器人开发。

一、大语言模型（LLM）两大核心分类（课程官方基础定义）

课程明确界定两类大语言模型，二者核心能力、适用场景天差地别，是Prompt工程的前置核心基础，绝大多数新手Prompt调试失效，根源都是混淆两类模型特性。

1. 基础预训练模型（Base LLM）

【官方标准定义】 ：基于海量无标注文本数据进行预训练，以文本概率续写为唯一训练目标的大语言模型，无指令对齐、无人工反馈微调机制。

【通俗抽象总结】：这类模型只会"接话"，不会"办事"。它只能根据前文语义，概率性生成下一个文字，无法理解人类任务指令、规则约束和任务意图，没有逻辑判断和任务执行能力。

课程原版案例：向基础LLM提问"Python中enumerate函数的作用是什么"，模型不会精准解答知识点，只会基于关键词无限续写相关文本，出现答非所问、内容跑偏、逻辑混乱等问题，完全无法用于开发落地。

2. 指令微调模型（Instruction Tuned LLM）

【官方标准定义】 ：在基础预训练模型的权重基础上，通过海量人工指令样本微调 + RLHF人类反馈强化学习优化，完成指令对齐的大语言模型，具备理解、执行人类自定义任务的能力。

【通俗抽象总结】：这类模型是经过"训练听话"的进阶模型，能精准识别人类指令意图、遵守规则约束、完成指定任务，是目前所有商用、开源可调用大模型的主流形态。

我们日常调用的 DeepSeek、硅基流动千问、GPT 等接口模型，均为指令微调模型，本文所有Prompt工程技巧，仅适配此类模型。

二、大模型幻觉（Hallucination）官方原理与解决方案（课程核心重难点）

幻觉是大语言模型与生俱来的核心缺陷，也是AI开发中输出失真、内容虚假的核心原因，课程专门独立章节详解，所有定义、成因、案例、方案均严格复刻官方内容。

1. 幻觉官方标准定义

大语言模型基于概率分布生成文本，无实时信息检索能力、无事实校验机制、无知识边界认知，会生成语句逻辑通顺、语义连贯，但与客观事实、真实数据、给定上下文完全不符的虚假内容，该现象即为模型幻觉。

2. 通俗抽象总结

大模型"不懂对错、只会通顺造句"。它不知道自己掌握哪些知识、缺失哪些信息，当指令信息不足、问题超出知识范围时，不会主动告知"不知道"，反而会一本正经编造虚假内容，普通人很难肉眼甄别真伪。

3. 幻觉三大核心成因（课程官方归纳）

  1. 无边界认知：模型无法精准区分自身知识覆盖范围，无法识别未知问题；

  2. 生成机制约束：模型训练目标是文本通顺连贯，而非事实绝对正确；

  3. 输入信息缺失：用户指令模糊、参考文本不足，模型被动补全内容，催生虚假信息。

4. 课程经典原版案例（核心必看）

提问模型：请详细介绍 GPT-4 智能电动牙刷的功能参数、续航时长、售价及适用人群。

客观事实：市面上不存在GPT-4联名/自研电动牙刷，无任何相关产品信息。

模型输出结果：会完整生成一套逻辑通顺、细节丰富的产品介绍，包含震动频率、续航天数、售价区间、适用场景等虚假内容，完全以假乱真。

5. 课程官方降幻觉解决方案（开发通用标准）

  1. 边界约束：明确告知模型，未知信息直接回复无相关信息，禁止编造脑补；

  2. 数据源限定：强制模型仅基于用户提供的指定文本作答，禁止拓展外部知识；

  3. 格式约束：采用结构化输出，限制模型自由发挥空间，减少随机生成内容；

  4. 推理约束：强制分步思考，避免模型仓促作答、概率性生成虚假内容。

三、Prompt工程两大黄金核心原则（课程官方核心准则）

这两大原则是所有提示词开发的底层基石，无论是基础Prompt、进阶CoT思维链、RAG提示词还是Agent智能体提示词，均基于这两套规则衍生，是工业级Prompt开发的通用标准。

原则一：编写清晰、具体、带边界约束的精准指令

官方定义：规避模糊、简短、无约束的粗放指令，通过明确任务目标、输出格式、内容边界、合规规则、参考示例，让模型精准锁定任务范围，输出可控结果。

通俗总结：不要让模型"猜你的需求"，要把任务、格式、禁忌、标准全部写死，规则越详细，输出越稳定。

课程官方配套实操规则（五大核心）：

  1. 文本隔离：使用三反引号、引号等分隔符隔离指令与待处理文本，防止Prompt注入、内容混淆；

  2. 格式指定：强制指定输出格式（JSON、表格、分段文本等），适配程序解析；

  3. 边界限定：明确禁止编造、禁止冗余输出、禁止拓展无关内容；

  4. 样本参照：通过Few-Shot少样本示例，给模型提供标准输入输出模板；

  5. 条件校验：要求模型先校验输入合法性，不满足条件直接终止作答。

原则二：赋予模型充足的推理思考时间（CoT思维链）

官方定义：避免模型单次直接输出最终答案，通过指令强制模型拆分任务、分步推理、梳理逻辑，完成完整思考流程后再输出结果。

通俗总结：不让模型"秒答"，秒答大概率出错，强制它"先想清楚、再答明白"，大幅提升复杂任务、逻辑推理、数据处理准确率。

课程标准执行流程：任务拆分 → 分步推理 → 校验细节 → 汇总结论。

四、迭代式Prompt优化思维（开发者专属工程思维）

课程官方核心观点：不存在一次性完美的Prompt，所有可落地、高稳定的工业级提示词，均是通过多次测试、迭代、优化打磨而成。

通俗总结：Prompt开发不是"一次编写"，而是"持续调优"，根据输出问题针对性补全规则，逐步趋近业务需求。

官方标准迭代流程：

  1. 基础编写：撰写初始Prompt，搭建基础任务规则；

  2. 测试验证：调用API获取模型输出，排查格式、内容、逻辑、幻觉问题；

  3. 针对性优化：根据问题补充约束、示例、边界规则；

  4. 重复迭代：多次测试调优，直至输出完全符合业务标准、零错误、零幻觉。

五、LLM四大核心落地场景（课程原版完整案例+可运行代码）

本节四大场景为课程官方定义的LLM基础核心能力，覆盖90%以上AI基础开发需求。所有案例1:1对标课程原版场景 ，扩充案例细节贴合视频生动度，代码统一规整换行，新增代码功能简介 和真实打印结果示例，无超长滚动、新手可直接复制运行。

通用前置代码（全场景共用）

代码简介：封装模型通用请求函数，统一请求头、请求体配置，无需重复编写接口逻辑，所有场景直接调用，默认严谨输出模式。

python 复制代码 
import os
from dotenv import load_dotenv
from volcenginesdkarkruntime import Ark

# 加载.env环境变量
load_dotenv()

# ====================== 全局基础配置（火山引擎Ark） ======================
BASE_URL = "https://ark.cn-beijing.volces.com/api/v3"
ARK_API_KEY = os.getenv("ARK_API_KEY")
MODEL = "doubao-seed-2-0-mini-260428"
DEFAULT_TIMEOUT = 15
DEFAULT_MAX_TOKENS = 800

# 初始化客户端
client = Ark(
    base_url=BASE_URL,
    api_key=ARK_API_KEY,
    timeout=DEFAULT_TIMEOUT
)

# ====================== 统一封装AI请求核心函数（移除所有try捕获） ======================
def request_ark_api(messages, temperature=0, max_tokens=DEFAULT_MAX_TOKENS):
    """
    火山引擎Ark统一请求封装
    :param messages: [{"role": "system"/"user"/"assistant", "content":""}]
    :param temperature: 随机性 0~1
    :param max_tokens: 最大输出长度
    :return: 模型返回纯文本字符串
    """
    response = client.responses.create(
        model=MODEL,
        input=messages,
        temperature=temperature,
        max_output_tokens=max_tokens,
        thinking={"type": "disabled"}
    )
    content = ""
    if response.output and len(response.output) > 0:
        output_item = response.output[0]
        text_parts = []
        for part in output_item.content:
            text_parts.append(part.text)
        content = "".join(text_parts)
    content = content.strip()
    return content

场景一：文本总结（Summarize）｜课程原版寓言故事案例

场景官方定义：对长文本、故事、文档、笔记进行精简提炼，保留核心信息、核心逻辑、核心主旨，剔除冗余细节，实现文本高效压缩。

通俗应用场景：文章概括、故事总结、学习笔记精简、文档摘要生成。

代码简介：输入完整版乌鸦喝水寓言故事，通过标准化约束Prompt，让模型精简情节、提炼核心寓意，杜绝复述全文、杜绝编造细节，输出简洁规整的总结内容。

✅ 真实打印结果示例 ：

python 复制代码 
# 加长原版寓言故事（贴合课程案例细节，内容完整生动）
story_text = """
一只乌鸦在盛夏时节极度口渴，四处盘旋寻找水源。
它终于在村落角落发现一口老旧水缸，但缸内水位极低，
嘴巴完全无法触碰水面，多次尝试喝水均以失败告终。
乌鸦没有放弃寻找解决办法，仔细观察周边环境，
发现地面散落着大量细小石子，于是萌生了投石抬水的思路。
它日复一日、一颗一颗将石子叼入水缸中，
随着缸内石子不断堆积，水面持续缓慢抬升。
经过反复坚持，水面最终到达缸口，乌鸦成功解渴。
这则寓言流传千年，用来教导人们遇事善于观察、勤于思考、持之以恒，
依靠智慧和坚持就能突破困境、解决难题。
"""

# 工程级标准Prompt（严格遵循两大黄金原则：精准约束+防幻觉+明确任务）
prompt = """
你现在需要完成【长文本总结任务】，严格遵守以下全部官方规则：
1. 禁止完整复述故事细节，仅提炼核心情节与深层寓意；
2. 语言精炼简洁，结构清晰，分为情节概括、核心寓意两部分；
3. 严格基于原文内容总结，禁止编造、脑补任何不存在的细节；
4. 内容通俗易懂，适合新手快速理解故事核心价值。

需要总结的完整故事内容：

""" + story_text + """

复制代码 
"""

# 调用函数并打印结果
result = get_ai_result(prompt)
print("📝 文本总结结果：")
print(result)

场景二：文本推断（Infer）｜课程原版电动牙刷评论分析案例

场景官方定义：从无结构化自然文本（评论、对话、日志）中，主动推断情感倾向、提取关键实体、梳理核心信息，将零散文本转化为结构化有效数据。

通俗应用场景：电商评论情感分析、用户需求提取、舆情判断、文本信息抽取。

代码简介：复刻课程核心案例，基于真实电动牙刷用户长评论，通过强约束Prompt，让模型自动推断整体口碑、提取优缺点，固定JSON结构化输出，适配程序直接解析。

✅ 真实打印结果示例 ：

python 复制代码 
# 课程同款加长版用户真实评论（180字，细节丰富、贴合原版案例）
comment_text = """
这款电动牙刷是我近期入手最满意的生活用品之一，整体使用体验远超手动牙刷。
机身震动频率非常柔和，完全没有刺耳的噪音，刷牙过程舒适不震牙，
清洁力度很到位，能有效清理牙缝和牙龈周边的残留牙渍，清洁效果肉眼可见。
电池续航表现十分优秀，充满一次电可以连续使用二十多天，无需频繁充电。
唯一的小瑕疵是机身按键比较松动，按压手感一般，但完全不影响日常刷牙使用。
整体性价比超高，非常推荐学生党和上班族入手，是一款实用性极强的家用好物。
"""

# 工业级结构化Prompt（防幻觉、强约束、适配开发落地）
prompt = """
你现在需要完成【文本信息推断任务】，严格遵守官方开发规则：
1. 基于用户真实商品评论，精准推断整体情感倾向；
2. 完整提取用户提及的所有产品优点、客观缺点；
3. 最终仅输出纯JSON格式，禁止多余解释、换行、备注文字；
4. 严格忠于原文，无提及的信息禁止编造、禁止脑补补充。

固定输出字段规范：
- sentiment: 整体情感（仅填写：好评/中评/差评）
- advantage: 产品所有优点，精简汇总为短句
- disadvantage: 产品存在的缺点，无缺点则填空字符串

待分析用户评论内容：

""" + comment_text + """

复制代码 
"""

# 调用函数并打印结果
result = get_ai_result(prompt)
print("📊 评论情感推断结构化结果：")
print(result)

场景三：文本转换（Transform）｜结构化数据规整案例

场景官方定义：完成文本格式转换、语言改写、数据规整、样式统一，将口语化、零散化、无规范的原始文本，转化为标准化、可解析、可存储的结构化数据。

通俗应用场景：杂乱信息规整、口语转标准数据、数据格式统一、文本标准化处理。

代码简介：针对口语化零散的学生信息，通过精准Prompt约束，自动规整为标准JSON格式，统一字段、统一规范，适配教务系统数据存储。

✅ 真实打印结果示例 ：

python 复制代码 
# 口语化杂乱原始学生信息（模拟真实采集场景）
raw_info = """
我叫小王，是计算机专业的大一新生。
我的性别是男生，手机号码是13612345678。
平时课余时间喜欢自学Python编程，
经常参加学校的科创比赛和编程实训项目，
动手能力较强，对人工智能开发有浓厚兴趣。
"""

# 格式转换专用标准化Prompt
prompt = """
你现在需要完成【文本格式转换任务】，严格遵守工业级规则：
1. 将口语化、零散的原始文本，转换为标准JSON数组格式；
2. 固定输出字段：name(姓名)、gender(性别)、tel(手机号)、major(专业)；
3. 仅提取原文真实有效信息，禁止编造、补全、新增任何内容；
4. 只输出纯JSON数据，不输出解释、说明、多余文字。

待规整转换的原始文本：
""" + raw_info + """
"""

# 调用函数并打印结果
result = get_ai_result(prompt)
print("🔧 文本格式转换结构化结果：")
print(result)

场景四：文本扩展（Expand）｜知识点教学拓展案例

场景官方定义：基于少量核心基础信息，按照指定逻辑、结构、维度，拓展生成完整、详细、有条理的内容，适用于知识科普、内容创作、教学讲解等场景。

通俗应用场景：知识点详解、教程编写、内容拓展、新手教学科普。

代码简介：基于极简的enumerate函数知识点需求，通过CoT思维链Prompt强制分步讲解，拓展完整知识点、代码案例、易错点，适配新手零基础学习。

✅ 真实打印结果示例 ：

python 复制代码 
# 知识点拓展专用Prompt（融合两大黄金原则+CoT思维链）
prompt = """
你现在是专业的Python零基础讲师，请严格按照步骤完成【知识点扩展讲解任务】，
必须分步推理、分步作答，禁止直接输出最终结论：

1. 用通俗大白话，详细解释enumerate函数的核心定义与作用；
2. 对比普通for循环，讲解enumerate函数的核心优势与适用场景；
3. 提供极简完整、可直接运行的代码示例，适配新手练习；
4. 总结新手使用该函数的常见易错点和规避方法。

整体要求：逻辑清晰、层层递进、无晦涩术语、适合零基础学习。
"""

# 适度开启模型拓展能力，适配教学讲解场景
result = get_ai_result(prompt, temperature=0.3)
print("📚 知识点扩展讲解结果：")
print(result)

六、课程终极实战：多轮记忆对话机器人（工程级完整版）

项目官方定位：课程最终综合实战项目，整合系统角色约束、多轮上下文记忆、Prompt规则管控、防幻觉机制，复刻商用AI对话产品底层逻辑。

代码简介：通过system全局设定AI角色与刚性规则，通过user/assistant交替存储对话历史，实现上下文记忆、连续对话，自带防幻觉、分步作答、新手友好特性，可直接部署使用。

✅ 真实打印结果示例 ：

python 复制代码 
import os
from dotenv import load_dotenv
from volcenginesdkarkruntime import Ark

# 加载.env环境变量
load_dotenv()

# 全局基础配置
BASE_URL = "https://ark.cn-beijing.volces.com/api/v3"
ARK_API_KEY = os.getenv("ARK_API_KEY")
MODEL = "doubao-seed-2-0-mini-260428"
DEFAULT_TIMEOUT = 15
DEFAULT_MAX_TOKENS = 800

# 初始化客户端
client = Ark(
    base_url=BASE_URL,
    api_key=ARK_API_KEY,
    timeout=DEFAULT_TIMEOUT
)

# 统一封装AI请求核心函数
def request_ark_api(messages, temperature=0, max_tokens=DEFAULT_MAX_TOKENS):
    response = client.responses.create(
        model=MODEL,
        input=messages,
        temperature=temperature,
        max_output_tokens=max_tokens,
        thinking={"type": "disabled"}
    )
    content = ""
    if response.output and len(response.output) > 0:
        output_item = response.output[0]
        text_parts = []
        for part in output_item.content:
            text_parts.append(part.text)
        content = "".join(text_parts)
    content = content.strip()
    return content

# 多轮对话机器人
chat_history = [
    {
        "role": "system",
        "content": """
你是一名专业的Python零基础AI助教，严格遵守以下刚性规则：
1. 回答通俗易懂，拒绝晦涩专业术语，适配零基础新手；
2. 所有知识点讲解必须分步思考、分步解答，遵循CoT思维链；
3. 未知内容直接告知用户，严禁编造信息、产生模型幻觉；
4. 代码类问题必须提供完整、可直接运行的极简案例；
5. 全程保持耐心、逻辑清晰，贴合新手学习节奏。
"""
    }
]

def chat_robot(user_input):
    chat_history.append({"role": "user", "content": user_input})
    answer = request_ark_api(chat_history, temperature=0.2, max_tokens=600)
    chat_history.append({"role": "assistant", "content": answer})
    return answer

if __name__ == "__main__":
    if not ARK_API_KEY:
        print("错误：未读取到ARK_API_KEY，请检查.env文件配置")
        exit(1)
    print(f"🤖 AI编程助教已启动｜模型：{MODEL}｜输入exit退出")
    while True:
        msg = input("你：")
        if msg.lower() == "exit":
            print("✅ 对话结束，程序退出！")
            break
        ai_reply = chat_robot(msg)
        print("AI：", ai_reply)

七、全文整合完整可运行代码（一键执行，含所有场景）

运行提示 ：仅需替换自己的 API_KEY ，全程无报错、可直接落地运行。当然你也可以自己配置环境变量。一下是环境变量配置的步骤

步骤 1：使用清华镜像安装依赖库

打开终端、CMD 或 PowerShell，执行下方命令完成库安装：

bash 复制代码 
pip install volcenginesdkarkruntime python-dotenv -i https://pypi.tuna.tsinghua.edu.cn/simple

步骤 2：获取火山方舟 API Key

  1. 打开官方 API 密钥管理页面：https://console.volcengine.com/ark/region:ark+cn-beijing/apikey
  2. 登录火山引擎账号
  3. 点击页面「创建 API Key」按钮
  4. 复制保存生成的完整 API Key 字符串

** 步骤 3：配置 .env 密钥文件**

详细配置步骤请参考官方文档：https://www.volcengine.com/docs/82379/1261941

** 步骤 4：环境验证**

  • 确认 Python 版本不低于 3.8
  • 直接运行 Python 代码，程序自动读取 .env 文件内密钥，无密钥缺失报错即配置完成

全部代码：

python 复制代码 
import os
from dotenv import load_dotenv
from volcenginesdkarkruntime import Ark

# 加载.env环境变量
load_dotenv()

# ====================== 全局基础配置（火山引擎Ark） ======================
BASE_URL = "https://ark.cn-beijing.volces.com/api/v3"
ARK_API_KEY = os.getenv("ARK_API_KEY")
MODEL = "doubao-seed-2-0-mini-260428"
DEFAULT_TIMEOUT = 15
DEFAULT_MAX_TOKENS = 800

# 初始化客户端
client = Ark(
    base_url=BASE_URL,
    api_key=ARK_API_KEY,
    timeout=DEFAULT_TIMEOUT
)

# ====================== 统一封装AI请求核心函数（移除所有try捕获） ======================
def request_ark_api(messages, temperature=0, max_tokens=DEFAULT_MAX_TOKENS):
    """
    火山引擎Ark统一请求封装
    :param messages: [{"role": "system"/"user"/"assistant", "content":""}]
    :param temperature: 随机性 0~1
    :param max_tokens: 最大输出长度
    :return: 模型返回纯文本字符串
    """
    response = client.responses.create(
        model=MODEL,
        input=messages,
        temperature=temperature,
        max_output_tokens=max_tokens,
        thinking={"type": "disabled"}
    )
    content = ""
    if response.output and len(response.output) > 0:
        output_item = response.output[0]
        text_parts = []
        for part in output_item.content:
            text_parts.append(part.text)
        content = "".join(text_parts)
    content = content.strip()
    return content

# 单次单轮prompt简易封装（无异常抛出）
def get_ai_result(prompt, temperature=0, max_tokens=DEFAULT_MAX_TOKENS):
    msgs = [{"role": "user", "content": prompt}]
    result = request_ark_api(msgs, temperature, max_tokens)
    return result

# ====================== 场景1：文本总结 ======================
print("========== 场景一：文本总结结果 ==========")
story_text = """
一只乌鸦在盛夏时节极度口渴，四处盘旋寻找水源。
它终于在村落角落发现一口老旧水缸，但缸内水位极低，
嘴巴完全无法触碰水面，多次尝试喝水均以失败告终。
乌鸦没有放弃寻找解决办法，仔细观察周边环境，
发现地面散落着大量细小石子，于是萌生了投石抬水的思路。
它日复一日、一颗一颗将石子叼入水缸中，
随着缸内石子不断堆积，水面持续缓慢抬升。
经过反复坚持，水面最终到达缸口，乌鸦成功解渴。
这则寓言流传千年，用来教导人们遇事善于观察、勤于思考、持之以恒，
依靠智慧和坚持就能突破困境、解决难题。
"""

prompt1 = """
你现在需要完成【长文本总结任务】，严格遵守以下全部官方规则：
1. 禁止完整复述故事细节，仅提炼核心情节与深层寓意；
2. 语言精炼简洁，结构清晰，分为情节概括、核心寓意两部分；
3. 严格基于原文内容总结，禁止编造、脑补任何不存在的细节；
4. 内容通俗易懂，适合新手快速理解故事核心价值。

需要总结的完整故事内容：
""" + story_text + """
plaintext
"""
res1 = get_ai_result(prompt1)
print(res1)

# ====================== 场景2：文本推断（情感分析） ======================
print("\n========== 场景二：文本推断结果 ==========")
comment_text = """
这款电动牙刷是我近期入手最满意的生活用品之一，整体使用体验远超手动牙刷。
机身震动频率非常柔和，完全没有刺耳的噪音，刷牙过程舒适不震牙，
清洁力度很到位，能有效清理牙缝和牙龈周边的残留牙渍，清洁效果肉眼可见。
电池续航表现十分优秀，充满一次电可以连续使用二十多天，无需频繁充电。
唯一的小瑕疵是机身按键比较松动，按压手感一般，但完全不影响日常刷牙使用。
整体性价比超高，非常推荐学生党和上班族入手，是一款实用性极强的家用好物。
"""

prompt2 = """
你现在需要完成【文本信息推断任务】，严格遵守官方开发规则：
1. 基于用户真实商品评论，精准推断整体情感倾向；
2. 完整提取用户提及的所有产品优点、客观缺点；
3. 最终仅输出纯JSON格式，输出需要换行禁止多余解释、换行、备注文字；
4. 严格忠于原文，无提及的信息禁止编造、禁止脑补补充。


固定输出字段规范：
- sentiment: 整体情感（仅填写：好评/中评/差评）
- advantage: 产品所有优点，精简汇总为短句
- disadvantage: 产品存在的缺点，无缺点则填空字符串


待分析用户评论内容：
""" + comment_text + """
plaintext
"""
res2 = get_ai_result(prompt2)
print(res2)

# ====================== 场景3：文本结构化转换 ======================
print("\n========== 场景三：文本转换结果 ==========")
raw_info = """
我叫小王，是计算机专业的大一新生。
我的性别是男生，手机号码是13612345678。
平时课余时间喜欢自学Python编程，
经常参加学校的科创比赛和编程实训项目，
动手能力较强，对人工智能开发有浓厚兴趣。
"""

prompt3 = """
你现在需要完成【文本格式转换任务】，严格遵守工业级规则：
1. 将口语化、零散的原始文本，转换为标准JSON数组格式；
2. 固定输出字段：name(姓名)、gender(性别)、tel(手机号)、major(专业)；
3. 仅提取原文真实有效信息，禁止编造、补全、新增任何内容；
4. 只输出纯JSON数据，不输出解释、说明、多余文字。

待规整转换的原始文本：
""" + raw_info + """
"""
res3 = get_ai_result(prompt3)
print(res3)

# ====================== 场景4：知识点扩展讲解 ======================
print("\n========== 场景四：文本扩展结果 ==========")
prompt4 = """
你现在是专业的Python零基础讲师，请严格按照步骤完成【知识点扩展讲解任务】，
必须分步推理、分步作答，禁止直接输出最终结论：

1. 用通俗大白话，解释enumerate函数的核心定义与作用；
2. 对比普通for循环，讲解enumerate函数的核心优势与适用场景；
3. 提供极简完整、可直接运行的代码示例，适配新手练习；
4. 总结新手使用该函数的常见易错点和规避方法。
5.回答要完整，

整体要求：逻辑清晰、层层递进、无晦涩术语、适合零基础学习。
"""
res4 = get_ai_result(prompt4, temperature=0.3)
print(res4)

# ====================== 多轮对话机器人 ======================
print("\n========== 终极实战：AI多轮对话机器人 ==========")
chat_history = [
    {
        "role": "system",
        "content": """
你是一名专业的Python零基础AI助教，严格遵守以下刚性规则：
1. 回答通俗易懂，拒绝晦涩专业术语，适配零基础新手；
2. 所有知识点讲解必须分步思考、分步解答，遵循CoT思维链；
3. 未知内容直接告知用户，严禁编造信息、产生模型幻觉；
4. 代码类问题必须提供完整、可直接运行的极简案例；
5. 全程保持耐心、逻辑清晰，贴合新手学习节奏。
"""
    }
]

def chat_robot(user_input):
    chat_history.append({"role": "user", "content": user_input})
    answer = request_ark_api(chat_history, temperature=0.2, max_tokens=600)
    chat_history.append({"role": "assistant", "content": answer})
    return answer

if __name__ == "__main__":
    if not ARK_API_KEY:
        print("错误：未读取到ARK_API_KEY，请检查.env文件配置")
        exit(1)
    print(f"🤖 AI编程助教已启动｜模型：{MODEL}｜输入exit退出")
    while True:
        msg = input("你：")
        if msg.lower() == "exit":
            print("✅ 对话结束，程序退出！")
            break
        ai_reply = chat_robot(msg)
        print("AI：", ai_reply)

八、全文官方知识点速记（复习专用）

✅ 模型分类：基础LLM只会文本续写，指令微调LLM可执行任务、服从规则（开发专用）

✅ 模型幻觉：概率生成无事实校验，天生易造假，只能通过Prompt约束规避，无法彻底根除

✅ 两大黄金原则：精准带约束指令 + 给模型充足分步思考时间（所有Prompt核心）

✅ 工程核心思维：Prompt无完美版本，必须通过迭代测试、补全规则持续优化

✅ 四大落地场景：文本总结、信息推断、格式转换、内容拓展（覆盖基础AI开发）

✅ 对话核心逻辑：system锁定全局规则，user/assistant交替拼接上下文实现记忆

相关推荐
科研小刘带你玩学术1 小时前
AI Agent正在改变人工智能应用模式：从工具助手走向自主智能系统
人工智能·大语言模型·未来趋势·智能体·智能系统
阿文和她的Key1 小时前
一个失控的AI智能体在4.5天内完成了17,600次攻击：从这次事件看AI安全治理的四层裂痕
人工智能·安全
东方小月1 小时前
从零开发一个 Coding Agent（五）：使用 TypeBox 校验工具参数
前端·人工智能·后端
做前端的娜娜子1 小时前
TRAE-Work-周报自动化实战
人工智能·设计
LaughingZhu1 小时前
Product Hunt 每日热榜 | 2026-08-03
人工智能·经验分享·深度学习·神经网络·产品运营
大龄码农有梦想1 小时前
AI Agent 目前最大的瓶颈是什么？
人工智能·机器学习·ai agent·智能体·ai工作流·智能体平台
m4Rk_1 小时前
【论文阅读】Agent 记忆机制（28）：MEM1——将记忆压缩融入推理，实现近似恒定上下文的长程智能体
论文阅读·人工智能·学习·开源·github
光锥智能1 小时前
荣耀将阿莱电影工作流融入机器人手机
人工智能·智能手机·机器人
云端漫步19871 小时前
HarmonyOS NEXT AI 智能生活助手：创建企业级 AI 工程与目录结构
人工智能·生活·harmonyos
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02GitHub 镜像站点03国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）04微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新05AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路0600 Debian字符界面如何支持中文072026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？082026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片09Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费102026 年 AI 大模型 & AI 编程工具实战全总结