用 Prompt 做 NLP 任务开发：几分钟构建一个推理系统

今日无bug2026-08-07 10:07

仅用几分钟，我们就可以构建多个用于对文本进行推理的系统，而以前这需要熟练的机器学习人员数天到数周的时间。这就是 Prompt 工程带来的效率革命。

一、为什么要模块化？

NLP 项目天然适合模块化：调用 LLM 的逻辑、客户端配置、业务 prompt 都是独立的部分。模块化带来两个核心好处：

  • 维护性和可读性：每个文件只做一件事，职责单一
  • 好复用 ：通过 import / export 在任意地方引入

本项目的模块化结构如下：

文件 职责 说明
main.mjs 单点入口 业务逻辑、prompt 编写、结果输出
client.mjs 封装 client 对象 LLM 客户端实例（apiKey、baseURL）
completion.mjs 完成任务的函数 封装 getCompletion(prompt) 统一调用
js 复制代码 
// client.mjs ------ 只负责创建客户端
import { OpenAI } from 'openai';
import dotenv from 'dotenv';
dotenv.config();

const client = new OpenAI({
  apiKey: process.env.DEEPSEEK_API_KEY,
  baseURL: process.env.DEEPSEEK_API_BASE_URL,
});
export default client;  // 默认导出，一个模块只能有一个
js 复制代码 
// completion.mjs ------ 只负责调用 LLM
import client from './client.mjs';

export async function getCompletion(prompt) {
    const response = await client.chat.completions.create({
        model: process.env.DEEPSEEK_MODEL,
        messages: [{ role: "user", content: prompt }]
    })
    return response.choices[0].message.content;
}
js 复制代码 
// main.mjs ------ 只负责业务逻辑
import { getCompletion } from './completion.mjs';
async function main() {
    const prompt = `...你的 prompt...`;
    const response = await getCompletion(prompt);
    console.log(response);
}
main();

关键点 ：main.mjs 里看不到任何 API Key、模型名、HTTP 请求细节，全是业务 prompt。这就是模块化的优势。

二、ESM 模块化语法

ES6（2015 年发布）的目标是让 JS 成为企业级大型项目开发语言。模块化（ESM）是其中最重要的特性之一，让 NLP 项目可以拆成 client / completion / main 三个独立文件。

1. 为什么需要它们

JS 默认每个文件是"封闭"的，文件 A 里写的变量、函数，文件 B 看不到。如果想让文件 B 用文件 A 的东西，必须：

  1. 文件 A 主动暴露 出来 → export
  2. 文件 B 主动引入 进来 → import

就像写笔记：写完要发到掘金 （export），别人才能打开掘金看（import）。

2. 两种导出方式

javascript 复制代码 
// ===== 方式一：默认导出（default）------ 一个文件只能有一个 =====
// client.mjs
const client = new OpenAI({ ... });
export default client;

// 引入时：不需要花括号，名字随便起
import client from './client.mjs';       // 叫 client
import whatever from './client.mjs';     // 叫 whatever 也行，拿到的还是同一个东西


// ===== 方式二：命名导出 ------ 可以有多个 =====
// completion.mjs
export async function getCompletion(prompt) { ... }
export async function getImage(prompt) { ... }

// 引入时：必须用花括号，名字必须对得上
import { getCompletion } from './completion.mjs';              // ✅ 只拿一个
import { getCompletion, getImage } from './completion.mjs';    // ✅ 拿多个
import { getCompletion as chat } from './completion.mjs';      // ✅ 重命名为 chat


// ===== 方式三：混合（default + 命名） =====
// client.mjs
export default client;
export const a = 2;
export const b = 3;

// 引入时：default 在外，命名在花括号
import client, { a, b } from './client.mjs';

3. 结合项目理解

项目里三个文件就是通过 import/export 串起来的：

javascript 复制代码 
// client.mjs（生产者）------ 提供一个 client 对象
const client = new OpenAI({ apiKey, baseURL });
export default client;  // 默认导出"主打产品"


// completion.mjs（中间消费者 + 生产者）
import client from './client.mjs';  // 拿 client.mjs 的默认导出，命名为 client
// './client.mjs' 中的 ./ 表示同目录

export async function getCompletion(prompt) {  // 命名导出一个函数
    const response = await client.chat.completions.create({ ... });
    return response.choices[0].message.content;
}


// main.mjs（最终消费者）
import { getCompletion } from './completion.mjs';  // 花括号按名字拿
async function main() {
    const response = await getCompletion(prompt);  // 直接用
}
main();

串联关系：

  • client.mjs 说："我提供一个 client 对象（默认）"
  • completion.mjs 说："我要 client，我提供 getCompletion 函数（命名）"
  • main.mjs 说："我要 getCompletion"

每个文件只管自己的事，互不干扰，这就是模块化。

4. 记忆口诀

关键词 作用 谁用
export 暴露给别人 写东西的人（生产者）
import 拿别人的东西 用东西的人（消费者）
export default 暴露"主打产品"（唯一） 生产者
import xxx from 拿主打产品（不用花括号） 消费者
import { xxx } from 拿指定名字的东西（要花括号） 消费者

一句话理解 ：export 是**"我提供什么"，import 是 "我要用什么"**。default 是默认提供的那个，花括号 {} 是"按名字挑"。

补充：命名导入 import { getCompletion } 本质就是解构赋值 ，和 const { a, b } = obj 是同一套语法思想。

ES6 的其他语法特性（let/const、rest/spread、解构赋值、模板字符串等）见单独的《ES6 语法特性》笔记。

三、NLP 四大任务

NLP（自然语言处理）在 LLM 出现前是机器学习的"高端局"，现在用 Prompt 几行代码就能搞定。

1. 情感分类（Sentiment Analysis / Classification）

场景：电商评论、客服工单、舆情预警、产品质检

任务：判断文本是 正面 / 负面 / 中性

js 复制代码 
const prompt = `
以下用三个反引号分隔的产品评论是什么？
用一个单词回答：正面 或 负面
评论文本：\`\`\` ${lamp_review_zh} \`\`\`
`

进阶：识别多种情绪、限制数量、格式化输出

js 复制代码 
const prompt = `
识别以下用三个反引号分隔的产品评论的作者表达的情感。
包含不超过5个项目。
将答案格式化为以逗号分隔的单词列表。
评论文本：\`\`\` ${lamp_review_zh} \`\`\`
`

愤怒检测（一个特殊的二分类）：

js 复制代码 
const prompt = `
识别以下用三个反引号分隔的产品评论是否表达了愤怒？
给出是或否的答案。
评论文本：\`\`\` ${lamp_review_zh} \`\`\`
`

2. 信息提取（Information Extraction）

场景：从非结构化文本中提取结构化字段（商品、品牌、价格等）

js 复制代码 
const prompt = `
从评论文本中识别以下项目：
- 情绪（正面或负面）
- 是否表达了愤怒？（是或否）
- 评论者购买的商品
- 制造该物品的公司

评论用三个反引号分隔，
将您的响应格式化为JSON对象，以"sentiment"、"anger"、"product"、"brand"为键。
如果信息不存在，请使用"未知"作为值。
让你的回应尽可能简短。
将 anger 值格式化为布尔值
评论文本：\`\`\` ${lamp_review_zh} \`\`\`
`

关键技巧：要求输出 JSON 格式，方便后续程序解析处理。

3. 主题推断（Topic Inference）

场景：长文章自动打标签、新闻分类

任务一：推断文本讨论了哪些主题

js 复制代码 
const prompt = `
确定以下给定文本中讨论的五个主题。
每个主题用1-2个单词概括。
输出时用逗号分隔。
给定文本：${story_zh}
`

任务二：判断给定主题列表中哪些在文本中出现（零样本分类）

js 复制代码 
const prompt = `
判断主题列表中的每一项是否是给定文本中的一个话题，
以列表的形式给出答案，每个主题用0 或 1。
主题列表：${topicList.join(",")}
给定文本：${story_zh}
`

${topicList.join(",")} 中的 , 是 join 的分隔符，把数组 ['NASA','政府'] 转成字符串 "NASA,政府"，方便嵌入 prompt。

4. 文本总结（Summarization）

场景：老板看长报告、行政整理会议纪要、小编做内容摘要

基础版：

js 复制代码 
const prompt = `
您的任务是从电商网站上生成一个商品评论的简要摘要。
请对三个反引号之间的评论文本进行概括，最多30个词汇。
评论文本：\`\`\`${prod_review_zh}\`\`\`
`

聚焦版（用 prompt 引导关注点）：

js 复制代码 
// 聚焦运输
const prompt = `
...并且聚焦在产品运输上。
评论文本：\`\`\`${prod_review_zh}\`\`\`
`

// 聚焦价格和质量
const prompt = `
...并且聚焦在产品价格和质量上。
评论文本：\`\`\`${prod_review_zh}\`\`\`
`

批量处理 （结合 for...of）：

js 复制代码 
const reviews = [review_1, review_2, review_3, review_4];
for (let review of reviews) {
    const prompt = `
    你的任务是从电子商务网站上的产品评论中提取相关信息。
    请对三个反引号之间的评论文本进行概括，最多20个字符。
    评论文本：\`\`\`${review}\`\`\`
    `
    const response = await getCompletion(prompt);
    console.log(response, '\n');
}

for(let a of b)： 这是 ES6 的 for...of 循环 ，用来遍历 可迭代对象 （数组、字符串等），直接拿到值。

四、Prompt 工程的 5 个关键技巧

从上面的案例可以总结出写好 prompt 的通用模式：

1. 用分隔符清晰区分指令和文本

js 复制代码 
评论文本：\`\`\` ${review} \`\`\`

常用分隔符：```````````、###、---、<tag></tag>。避免模型把文本内容误解为指令。

2. 明确约束输出格式

  • "用一个单词回答"
  • "最多30个词汇"
  • "以逗号分隔的单词列表"
  • "格式化为 JSON 对象，以 xxx 为键"

约束越明确，输出越稳定可预测。

3. 限定数量和长度

复制代码 
包含不超过5个项目。
最多20个字符。

防止模型啰嗦。

4. 处理未知情况

arduino 复制代码 
如果信息不存在，请使用"未知"作为值。

避免模型瞎编（幻觉）。

5. 角色化与聚焦

复制代码 
你的任务是从电商网站上生成一个商品评论的简要摘要...并且聚焦在产品运输上。

通过"任务定义 + 聚焦方向"控制输出方向，同一份文本可以多次复用产出不同视角的摘要。

五、完整调用链路

scss 复制代码 
.env (DEEPSEEK_API_KEY / BASE_URL / MODEL)
    ↓
client.mjs  →  创建 OpenAI client 实例（默认导出）
    ↓
completion.mjs  →  getCompletion(prompt) 封装调用逻辑（命名导出）
    ↓
main.mjs  →  编写 prompt，调用 getCompletion，console.log 结果

一次完整调用的核心代码：

js 复制代码 
const response = await client.chat.completions.create({
    model: process.env.DEEPSEEK_MODEL,
    messages: [{ role: "user", content: prompt }]
})
return response.choices[0].message.content;
  • messages：消息数组，每条有 role（system/user/assistant）和 content
  • choices[0].message.content：模型返回的文本内容
  • model：从环境变量读取，便于切换模型

六、总结

维度 传统机器学习 Prompt 工程
开发周期 数天 ~ 数周 几分钟
人员要求 熟练 ML 工程师 会写 prompt 的开发者
数据需求 大量标注数据 零样本 / 少样本即可
部署成本 训练 + 部署模型 调用 API

核心思想：LLM 把 NLP 从"训练模型"变成了"写 prompt"。开发者不需要懂神经网络，只需要会清晰表达任务目标、约束输出格式，就能构建出强大的文本推理系统。

模块化的价值 ：业务逻辑（prompt）和工程实现（client、API 调用）分离，换模型只改 .env，换任务只改 main.mjs 里的 prompt，互不影响。这就是 AI 全栈开发的基本范式。

相关推荐
AINative软件工程2 小时前
LLM Streaming 背压工程实践：慢客户端、断流重连与服务端缓冲区的生产设计
node.js·llm
hboot11 小时前
AI工程师第六课 - RAG检索增强生成
后端·langchain·llm
用户4693684832016 小时前
kimi-code 深度掌握系列文章-对话循环TurnFlow（五）
llm·agent
lucas_AI17 小时前
Skill-α：教 Agent 学会自己'改说明书'
llm·agent
DigitalOcean18 小时前
多款模型最高直降 50%：DigitalOcean 无服务器推理大降价
llm·agent
罗高18 小时前
Hermes Agent Token 机制深度解析
llm·agent
众人皆醒我独醉18 小时前
Ray Serve：把 LLM 推理当"分布式 Actor"调度——不是 Kubernetes，是 Python 原生
面试·llm·ai编程
玉鸯18 小时前
界面用完即消失：Agent 生成式 UI 的短暂性哲学与前端工程的未来
前端·llm·agent
组合缺一18 小时前
SolonCode v2026.8.4 发布：界面字体可调、22 种语言、记忆搜索增强
llm·agent·ai编程·solon·claudecode·opencode
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）04AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路052026 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？06Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费07微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新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0900 Debian字符界面如何支持中文10历年考研数学一、数学二、数学三真题试卷及答案PDF