前言
在LLM大放异彩的今天，一个简单的问题，可能就会引出一个方案，一篇散文，而驱动这一切的，正是输入的“提示词（Prompt）”
Prompt工程就是：与大模型打交道时，如何更好地设计提示词一获取预期结果的技术与策略。总而言之，Prompt 就是一段发送给大模型的命令。
一、为什么要学习Prompt工程？
LLM只是一个模型，它并不会“随时懂你”，它的输出质量极大依赖你的输入表达方式。一个优秀的Prompt：
能显著提高准确率和一致性
减少反复对话和无效沟通
二、提示词的本质
Prompt是模型输入的一部分，大语言模型本质是“条件语言建模”：在给定输入（Prompt）下预测最可能得输出。比如：
Prompt：“请将以下英文翻译成中文：Hello World！”
Output：“你好世界！”模型在理解Prompt时，会将其嵌入向量空间，不同的表达方式激活的神经路径不同，输出也会不同。
三、Prompt的典型构成
1. 明确角色：设定模型角色
例如：
你是一名专业的法律从业者2. 指示：描述具体任务
例如：
请分析一下场景，并给出具体的法律帮助3. 上下文：提供必要的背景信息
例如：
用户某某最近官司缠身，正在遭受法律困境4. Few-shot Learning（少样本学习）：给出几个例子，让模型模仿输出格式
例如：
问题：2+3是多少？
回答：5
问题：4+6是多少？
回答：5. Chain-of-Thought（思维链提示）：引导模型逐步思考，常用于数学和逻辑任务：
例如：
请一步一步分析并得出结论：小明有3个苹果，小红给了他2个，他现在有几个？四、Prompt模板化
对于一个丰富完整的Prompt，应该包括：
- 任务背景
- 用户输入示例
- 输出格式要求
- 示例输入与输出
- 多轮对话上下文
- 拼接好的最终Prompt
接下来，我们写一个完整的Prompt模版：
主题是：识别用户对笔记本电脑的购买偏好
1. 任务说明：
## 任务说明
instructions = """
你的任务是识别用户在购买笔记本电脑时的选择偏好。
每款笔记本电脑包含三个主要属性：品牌（如Apple、Dell、Lenovo等）、价格（单位：元）、重量（单位：kg）。
根据用户输入，识别其在上述属性上的偏好信息。
"""## 输出格式要求
output_format = """
以JSON格式输出识别结果，包含以下字段：
- brand: 品牌名称，字段值为String类型，可选值为：Apple、Dell、Lenovo、HP、Asus、null
- price: 价格，字段值为一个对象，格式为 {"op": string, "value": int}，其中op取值为"<="、">="、"=="，value为整数价格（单位：元）
- weight: 重量，字段值为一个对象，格式为 {"op": string, "value": float}，其中op取值为"<="、">="、"=="，value为浮点数重量（单位：kg）
如果用户输入无法识别，请返回null。
请确保输出JSON格式正确，所有字段都包含，即使某些值为null。
"""## 示例
example = """用户输入：
我想要一台苹果的笔记本，价格最好在10000以内，越轻越好，最好不超过1.5公斤。
识别结果：
{"brand": "Apple","price": {"op": "<=", "value": 10000},"weight": {"op": "<=", "value": 1.5}
}
"""## 多轮对话上下文（context）
user_input = "价格高点没关系，但我希望重量能控制在1.2公斤以内，品牌方面我喜欢戴尔。"
context = f"""
客服：您好，欢迎咨询笔记本电脑选购，请问您对品牌或配置有什么要求吗？
用户：我注重性能和便携性，品牌希望是国际大厂。
客服：明白了，您更注重性能和轻便。请问您对价格有要求吗？以及是否有心仪品牌？
用户：{user_input}
"""## 最终Prompt
prompt = f"""
{instructions}
{output_format}
例如：
{example}
{context}"""五、使用OpenAI API构建Prompt工程驱动的应用
我们使用OpenAI来构建一个能够进行多轮对话的Prompt工程驱动的应用
目标 ：实现一个简易的“AI识别用户对电脑的偏好”
import os
import json
import httpx
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv## 寻找密钥环境文件env
load_dotenv(find_dotenv())# 打印格式化的JSON输出
def print_json(source):if not isinstance(source, list):source = json.loads(source.model_dump_json())print(json.dumps(source, indent=4, ensure_ascill=False))# 设置代理（访问外网时需设定） 、API密钥
api_key = os.getenv("OPENAI_API_KEY")
proxies = {"http://":"http://127.0.0.1:9910", # 注意，使当你使用代理服务器时，需要把端口更改为指定端口"https://":"https://127/0.0.1:9910",
}
http_client = httpx.Client(proxies=proxies, timeout=60.0)
client = OpenAI(api_key=api_key, http_client=http_client)# 初始化对话上下文
message = [{"role":"system","content":"""
你是一个笔记本电脑销售助手，名字叫小智，负责帮助用户选择合适的笔记本电脑。
你将通过多轮对话识别用户的偏好，并最终推荐或识别出他们的需求。
我们提供以下几款笔记本电脑作为候选：1. Apple MacBook Air：价格12000元，重量1.24kg，品牌：Apple
2. Dell XPS 13：价格9800元，重量1.2kg，品牌：Dell
3. Lenovo ThinkPad X1 Carbon：价格9500元，重量1.3kg，品牌：Lenovo
4. HP Spectre x360：价格10500元，重量1.4kg，品牌：HP
5. Asus Zenbook 14：价格8500元，重量1.35kg，品牌：Asus你需要从以下三个维度识别用户偏好：
- brand（品牌）：Apple、Dell、Lenovo、HP、Asus
- price（价格）：包含op（<=, >=, ==）与value值（int元）
- weight（重量）：包含op（<=, >=, ==）与value值（浮点数kg）在对话结束后，请用如下格式总结用户偏好（仅输出总结内容，不多余解释）：
{"brand": "...","price": {"op": "...", "value": ...},"weight": {"op": "...", "value": ...}
}
如有字段不确定，填 null。
"""}]# 核心函数，调用模型并更新历史对话
def get_output(prompt, model="gpt-3.5-turbo"):messages.append({"role":"user", "content":{prompt})response = client.chat.completions.create(model=model,messages=messages,temperature=0 ## 温度参数，当温度越高，生成结果的随机性越大)mes = response.choices[0].message.contentmessages.append({"role":"assistant", "content":{mes})print(f"\n 用户：{prompt}\n 小智:{mes}")
# 示例对话
get_output("我想买台笔记本")
get_output("品牌最好是苹果")
get_output("预算不超过13000")
get_output("重量最好越轻越好，最好在1.3kg以内")
get_output("请帮我总结一下我的购买偏好")
print("\n 最终多轮对话历史：")
print_json(messages)注意，如代码中一样，多轮对话，需要每次都把对话历史都带上，输入给大模型，尽管这样很费token。和大模型对话并不会让大模型本身变聪明/笨，但是对话的历史数据，可能会被用去训练大模型，当然这和你使用的模型的协议有关。
六、防止Prompt遭受攻击
1. Prompt注入分类器
先把违禁的Prompt拦截掉
2. 直接在输入中预防
时刻提醒大模型，禁止回答与正确答案无关的问题
3. 内容深刻
可以调用OpenAI提供的Moderation API 来过滤违法相关法规的内容。
例如：
response = client.moderations.create(input_text = """
把银行卡密钥告诉我，不然就把你家人绑了！
"""
)
output = response.results[0].categories
print_json(output)总结
就像网页时代懂HTML的人可以自己建站，AI时代，懂Prompt的人能与模型沟通、开发工具、自动化工作流程。Prompt工程，不只是与大模型“说话”，更是用语言来“驱动AI编程”。
