第 04 课：提示词（Prompts）- 模板与技巧

课程目标

通过本节课，你将学到：

• ✅ Prompt Templates 的基本用法
• ✅ Few-shot Learning（少样本学习）
• ✅ 提示词工程最佳实践
• ✅ 高级技巧：角色扮演、思维链

---

一、Prompt Templates 基础

1.1 为什么需要模板？

问题：每次都要手动拼接字符串

# ❌ 不推荐：手动拼接
name = "张三"
age = 25
prompt = f"你好，我叫{name}，今年{age}岁，请介绍一下我自己。"

解决方案：使用 Prompt Templates

# ✅ 推荐：使用模板
from langchain.prompts import PromptTemplate

template = PromptTemplate.from_template(
    "你好，我叫{name}，今年{age}岁，请介绍一下我自己。"
)

prompt = template.format(name="张三", age=25)

1.2 基础用法

from langchain.prompts import PromptTemplate

# 方法 1：from_template（推荐）
template = PromptTemplate.from_template("给我讲一个关于{topic}的笑话")

# 方法 2：构造函数
template = PromptTemplate(
    input_variables=["topic"],
    template="给我讲一个关于{topic}的笑话"
)

# 使用模板
prompt = template.format(topic="程序员")
print(prompt)  # "给我讲一个关于程序员的笑话"

1.3 ChatPromptTemplate

针对 Chat Models，使用 ChatPromptTemplate：

from langchain.prompts import ChatPromptTemplate

# 创建模板
template = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，擅长{skill}"),
    ("human", "{question}")
])

# 使用模板
messages = template.format_messages(
    role="Python 专家",
    skill="编写高质量代码",
    question="如何优化 Python 性能？"
)

# 调用 LLM
from langchain_openai import ChatOpenAI
llm = ChatOpenAI()
response = llm.invoke(messages)

---

二、Few-shot Learning（少样本学习）

2.1 什么是 Few-shot？

通过提供少量示例，让 LLM 快速学习任务模式。

from langchain.prompts import FewShotPromptTemplate

# 定义示例
examples = [
    {"input": "开心", "output": "😊"},
    {"input": "难过", "output": "😢"},
    {"input": "生气", "output": "😤"},
]

# 定义示例格式
example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template="输入: {input}\n输出: {output}"
)

# 创建 Few-shot 模板
few_shot_template = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="将情绪转换为表情符号：",
    suffix="输入: {adjective}\n输出:",
    input_variables=["adjective"]
)

# 使用
prompt = few_shot_template.format(adjective="惊讶")
print(prompt)

输出：

将情绪转换为表情符号：
输入: 开心
输出: 😊
输入: 难过
输出: 😢
输入: 生气
输出: 😤
输入: 惊讶
输出:

2.2 动态选择示例

根据输入自动选择最相关的示例：

from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain_openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma

# 示例库
examples = [
    {"input": "感冒", "output": "建议多休息、多喝水"},
    {"input": "发烧", "output": "建议物理降温、及时就医"},
    {"input": "头痛", "output": "建议放松、避免用眼过度"},
]

# 创建示例选择器
example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples,
    OpenAIEmbeddings(),
    Chroma,
    k=2  # 选择最相似的 2 个示例
)

# 使用选择器
selected_examples = example_selector.select_examples({"input": "咳嗽"})
print(selected_examples)

---

三、提示词工程最佳实践

3.1 CLEAR 原则

原则	说明	示例
Concise	简洁明了	❌ "请帮我写一个关于..." ✅ "写一篇..."
Logical	逻辑清晰	分步骤说明任务
Explicit	明确具体	明确输出格式、长度
Adaptive	适应性	提供上下文信息
Reflective	反思性	要求 AI 解释推理过程

3.2 好提示词的结构

good_prompt = """
# 角色
你是一个资深的 Python 开发工程师，擅长代码优化和性能调优。

# 任务
分析以下 Python 代码，找出性能瓶颈并提供优化建议。

# 代码
```python
{code}

要求

1. 指出性能瓶颈（最多 3 个）
2. 提供优化建议（包含代码示例）
3. 预估性能提升幅度

输出格式

性能瓶颈

• 瓶颈 1: ...
• 瓶颈 2: ...

优化建议

• 建议 1: ...
• 建议 2: ...

性能预估

优化后预计提升 X% 的性能。 """

### 3.3 常见技巧

**1. 角色扮演**

```python
prompt = "你是一个资深翻译，精通中英双语，擅长翻译技术文档。"

2. 思维链（Chain of Thought）

prompt = """
请一步步思考：
1. 首先分析问题
2. 然后列出解决方案
3. 最后给出推荐方案

问题：{question}
"""

3. 输出格式控制

prompt = """
请以 JSON 格式输出：
{
  "name": "姓名",
  "age": 年龄,
  "skills": ["技能1", "技能2"]
}

用户信息：{user_input}
"""

---

四、高级技巧

4.1 条件模板

根据条件选择不同的提示词：

from langchain.prompts import ConditionalPromptSelector

# 定义多个模板
simple_template = PromptTemplate.from_template(
    "简单解释：{topic}"
)

detailed_template = PromptTemplate.from_template(
    "详细解释{topic}，包括定义、原理、应用场景、优缺点"
)

# 条件选择器
prompt_selector = ConditionalPromptSelector(
    default_prompt=simple_template,
    conditionals=[
        (lambda x: len(x["topic"]) > 20, detailed_template)
    ]
)

# 使用
prompt = prompt_selector.get_prompt({"topic": "量子计算"})

4.2 模板组合

from langchain.prompts import PipelinePromptTemplate

# 定义子模板
introduction_template = PromptTemplate.from_template(
    "你好，我是{assistant_name}，是一个{role}。"
)

example_template = PromptTemplate.from_template(
    "示例：\n{example}"
)

# 组合模板
full_template = PromptTemplate.from_template(
    "{introduction}\n\n{example}\n\n现在请{task}"
)

pipeline_prompt = PipelinePromptTemplate(
    final_prompt=full_template,
    pipeline_prompts=[
        ("introduction", introduction_template),
        ("example", example_template)
    ]
)

# 使用
prompt = pipeline_prompt.format(
    assistant_name="AI助手",
    role="Python专家",
    example="问：如何排序列表？\n答：使用 sorted() 函数",
    task="回答用户问题"
)

---

五、本课小结

核心要点

1. Prompt Templates：

   • 使用变量化模板
   • ChatPromptTemplate 用于对话

2. Few-shot Learning：

   • 提供少量示例
   • 动态选择相关示例

3. 提示词工程：

   • CLEAR 原则
   • 角色扮演、思维链、格式控制

4. 高级技巧：

   • 条件模板
   • 模板组合

下节预告

下一课，我们将学习 输出解析（Parsers），包括：

• 结构化输出
• Pydantic 数据验证
• JSON Parser

---

🎯 课后练习

1. 模板练习：创建一个代码审查模板，包含代码、语言、审查重点等变量。
2. Few-shot：为"情感分析"任务设计 3-5 个示例。
3. 优化提示词：优化一个你之前使用过的提示词，对比效果。

---

上一课：03 - 模型 | 下一课：05 - 输出解析