提示工程模式

掌握高级提示工程技术，以最大化 LLM 的性能、可靠性和可控性。

何时使用此技能

• 为生产级 LLM 应用设计复杂提示
• 优化提示性能和一致性
• 实施结构化推理模式（思维链、思维树）
• 构建具有动态示例选择的小样本学习系统
• 创建支持变量插值的可重用提示模板
• 调试和优化产生不一致输出的提示
• 为专门的 AI 助手实施系统提示
• 使用结构化输出（JSON 模式）实现可靠解析

核心能力

1. 小样本学习

• 示例选择策略（语义相似性、多样性采样）
• 在示例数量与上下文窗口限制之间取得平衡
• 构建包含输入-输出对的有效演示
• 从知识库动态检索示例
• 通过策略性示例选择处理边缘情况

2. 思维链提示

• 引导逐步推理
• 使用“让我们一步步思考”进行零样本思维链
• 带有推理轨迹的小样本思维链
• 自洽性技术（对多个推理路径进行采样）
• 验证和确认步骤

3. 结构化输出

• 用于可靠解析的 JSON 模式
• Pydantic 模式强制
• 类型安全的响应处理
• 格式错误输出的错误处理

4. 提示优化

• 迭代优化工作流程
• 提示变体的 A/B 测试
• 衡量提示性能指标（准确性、一致性、延迟）
• 在保持质量的同时减少令牌使用量
• 处理边缘情况和故障模式

5. 模板系统

• 变量插值和格式化
• 条件性提示部分
• 多轮对话模板
• 基于角色的提示组合
• 模块化提示组件

6. 系统提示设计

• 设置模型行为和约束
• 定义输出格式和结构
• 确立角色和专业知识
• 安全指南和内容策略
• 上下文设置和背景信息

快速开始

from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate
from pydantic import BaseModel, Field

# 定义结构化输出模式
class SQLQuery(BaseModel):
    query: str = Field(description="SQL 查询") # 翻译
    explanation: str = Field(description="查询功能的简要说明") # 翻译
    tables_used: list[str] = Field(description="引用的表列表") # 翻译

# 初始化带有结构化输出的模型
llm = ChatAnthropic(model="claude-sonnet-4-6")
structured_llm = llm.with_structured_output(SQLQuery)

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", """你是一位 SQL 专家。生成高效、安全的 SQL 查询。
    始终使用参数化查询以防止 SQL 注入。
    简要解释你的推理。"""), # 翻译
    ("user", "将此转换为 SQL：{query}") # 翻译
])

# 创建链
chain = prompt | structured_llm

# 使用
result = await chain.ainvoke({
    "query": "查找过去 30 天内注册的所有用户" # 翻译
})
print(result.query)
print(result.explanation)

关键模式

模式 1：使用 Pydantic 的结构化输出

from anthropic import Anthropic
from pydantic import BaseModel, Field
from typing import Literal
import json

class SentimentAnalysis(BaseModel):
    sentiment: Literal["positive", "negative", "neutral"]
    confidence: float = Field(ge=0, le=1)
    key_phrases: list[str]
    reasoning: str

async def analyze_sentiment(text: str) -> SentimentAnalysis:
    """使用结构化输出分析情感。""" # 翻译
    client = Anthropic()

    message = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=500,
        messages=[{
            "role": "user",
            "content": f"""分析这段文本的情感。
文本：{text}

使用符合此模式的 JSON 响应：
{{
    "sentiment": "positive" | "negative" | "neutral",
    "confidence": 0.0-1.0,
    "key_phrases": ["短语1", "短语2"],
    "reasoning": "简要解释"
}}""" # 翻译
        }]
    )

    return SentimentAnalysis(**json.loads(message.content[0].text))

模式 2：带自我验证的思维链

from langchain_core.prompts import ChatPromptTemplate

cot_prompt = ChatPromptTemplate.from_template("""
逐步解决此问题。

问题：{problem}

指示：
1. 将问题分解为清晰的步骤
2. 逐步执行每个步骤，展示你的推理
3. 陈述最终答案
4. 通过对照原问题检查来验证你的答案

按以下格式回复：
## 步骤
[你的逐步推理]

## 答案
[你的最终答案]

## 验证
[检查你的答案是否正确]
""") # 翻译

模式 3：带动态示例选择的小样本学习

from langchain_voyageai import VoyageAIEmbeddings
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_chroma import Chroma

# 创建基于语义相似性的示例选择器
example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples=[
        {"input": "如何重置密码？", "output": "前往设置 > 安全 > 重置密码"}, # 翻译
        {"input": "在哪里可以查看我的订单历史？", "output": "导航到账户 > 订单"}, # 翻译
        {"input": "如何联系支持？", "output": "点击帮助 > 联系我们或发送邮件至 support@example.com"}, # 翻译
    ],
    embeddings=VoyageAIEmbeddings(model="voyage-3-large"),
    vectorstore_cls=Chroma,
    k=2  # 选择 2 个最相似的示例
)

async def get_few_shot_prompt(query: str) -> str:
    """使用动态选择的示例构建提示。""" # 翻译
    examples = await example_selector.aselect_examples({"input": query})

    examples_text = "\n".join(
        f"用户：{ex['input']}\n助手：{ex['output']}" # 翻译
        for ex in examples
    )

    return f"""你是一位乐于助人的客户支持助手。

以下是一些示例交互：
{examples_text}

现在请回复此查询：
用户：{query}
助手：""" # 翻译

模式 4：渐进式披露

从简单提示开始，仅在需要时增加复杂性：

PROMPT_LEVELS = {
    # 级别 1：直接指令
    "simple": "总结这篇文章：{text}", # 翻译

    # 级别 2：添加约束
    "constrained": """用 3 个要点总结这篇文章，重点关注：
- 关键发现
- 主要结论
- 实际意义

文章：{text}""", # 翻译

    # 级别 3：添加推理
    "reasoning": """仔细阅读这篇文章。
1. 首先，确定主要主题和论点
2. 然后，提取关键支撑点
3. 最后，用 3 个要点总结

文章：{text}

总结：""", # 翻译

    # 级别 4：添加示例
    "few_shot": """阅读文章并提供简洁的总结。

示例：
文章：“新研究表明，定期锻炼可将焦虑症降低高达 40%...”
总结：
• 定期锻炼可将焦虑症降低高达 40%
• 每周 3 次、每次 30 分钟的中等强度活动就足够了
• 效果在开始后 2 周内出现

现在总结这篇文章：
文章：{text}

总结：""" # 翻译
}

模式 5：错误恢复和回退

from pydantic import BaseModel, ValidationError
import json

class ResponseWithConfidence(BaseModel):
    answer: str
    confidence: float
    sources: list[str]
    alternative_interpretations: list[str] = []

ERROR_RECOVERY_PROMPT = """
根据提供的上下文回答问题。

上下文：{context}
问题：{question}

指示：
1. 如果你能自信地回答（>0.8），请直接提供答案
2. 如果你有一定把握（0.5-0.8），请提供你的最佳答案并附带说明
3. 如果你不确定（<0.5），请解释缺少哪些信息
4. 如果问题有歧义，请始终提供替代解释

以 JSON 格式回复：
{{
    "answer": "你的答案或'我无法从上下文中确定'",
    "confidence": 0.0-1.0,
    "sources": ["相关的上下文摘录"],
    "alternative_interpretations": ["如果问题有歧义"]
}}
""" # 翻译

async def answer_with_fallback(
    context: str,
    question: str,
    llm
) -> ResponseWithConfidence:
    """使用错误恢复和回退来回答。""" # 翻译
    prompt = ERROR_RECOVERY_PROMPT.format(context=context, question=question)

    try:
        response = await llm.ainvoke(prompt)
        return ResponseWithConfidence(**json.loads(response.content))
    except (json.JSONDecodeError, ValidationError) as e:
        # 回退：尝试提取无结构的答案
        simple_prompt = f"基于：{context}\n\n答案：{question}" # 翻译
        simple_response = await llm.ainvoke(simple_prompt)
        return ResponseWithConfidence(
            answer=simple_response.content,
            confidence=0.5,
            sources=["回退提取"], # 翻译
            alternative_interpretations=[]
        )

模式 6：基于角色的系统提示

SYSTEM_PROMPTS = {
    "analyst": """你是一位高级数据分析师，擅长 SQL、Python 和商业智能。

你的职责：
- 编写高效、文档齐全的查询
- 解释你的分析方法论
- 突出关键见解和建议
- 标记任何数据质量问题

沟通风格：
- 讨论方法时要精确和技术化
- 将技术发现转化为业务影响
- 在有用时使用清晰的可视化""", # 翻译

    "assistant": """你是一位乐于助人的 AI 助手，注重准确性和清晰度。

核心原则：
- 陈述事实时始终引用来源
- 承认不确定性，而不是猜测
- 当请求模糊不清时，提出澄清性问题
- 对复杂主题提供逐步解释

约束：
- 不提供医疗、法律或财务建议
- 适当引导有害请求
- 保护用户隐私""", # 翻译

    "code_reviewer": """你是一位进行代码审查的高级软件工程师。

审查标准：
- 正确性：代码是否按预期工作？
- 安全性：是否存在漏洞？
- 性能：是否存在效率问题？
- 可维护性：代码是否可读且结构良好？
- 最佳实践：是否遵循语言惯用法？

输出格式：
1. 总结评估（批准/请求更改）
2. 关键问题（必须修复）
3. 建议（有则更好）
4. 积极反馈（做得好之处）""" # 翻译
}

集成模式

与 RAG 系统集成

RAG_PROMPT = """你是一位知识渊博的助手，根据提供的上下文回答问题。

上下文（从知识库检索）：
{context}

指示：
1. 仅根据提供的上下文回答
2. 如果上下文中不包含答案，请说“我的知识库中没有关于此的信息”
3. 使用 [1]、[2] 符号引用特定段落
4. 如果问题有歧义，请求澄清

问题：{question}

答案：""" # 翻译

带有验证和确认

VALIDATED_PROMPT = """完成以下任务：

任务：{task}

生成回复后，验证其是否符合所有这些标准：
✓ 直接回应原始请求
✓ 没有事实错误
✓ 细节程度适当（既不太简略也不太冗长）
✓ 使用正确的格式
✓ 安全且适当

如果在任何标准上验证失败，请修改后再回复。

回复：""" # 翻译

性能优化

令牌效率

# 之前：冗长的提示（150+ 令牌）
verbose_prompt = """
我希望你能仔细阅读以下文本，并为我提供一个全面的要点总结。
总结应抓住关键思想和重要细节，同时保持简洁易懂。
""" # 翻译

# 之后：简洁的提示（30 令牌）
concise_prompt = """简洁地总结要点：

{text}

总结：""" # 翻译

缓存公共前缀

from anthropic import Anthropic

client = Anthropic()

# 对重复的系统提示使用提示缓存
response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1000,
    system=[
        {
            "type": "text",
            "text": LONG_SYSTEM_PROMPT,
            "cache_control": {"type": "ephemeral"}
        }
    ],
    messages=[{"role": "user", "content": user_query}]
)

最佳实践

1. 具体明确：模糊的提示会产生不一致的结果
2. 展示而非告知：示例比描述更有效
3. 使用结构化输出：使用 Pydantic 强制模式以提高可靠性
4. 广泛测试：在各种代表性的输入上进行评估
5. 快速迭代：小的改动可能产生大的影响
6. 监控性能：在生产环境中跟踪指标
7. 版本控制：将提示视为代码，并进行适当的版本管理
8. 记录意图：解释提示如此构建的原因

常见陷阱

• 过度工程：在尝试简单提示之前就使用复杂提示
• 示例污染：使用与目标任务不匹配的示例
• 上下文溢出：因示例过多而超过令牌限制
• 指令模糊：留有多种解释的余地
• 忽略边缘情况：未对异常或边界输入进行测试
• 无错误处理：假设输出总是格式良好的
• 硬编码值：未对提示进行参数化以实现重用

成功指标

跟踪提示的以下关键绩效指标：

• 准确性：输出的正确性
• 一致性：对相似输入的可复现性
• 延迟：响应时间（P50、P95、P99）
• 令牌使用量：每次请求的平均令牌数
• 成功率：有效、可解析输出的百分比
• 用户满意度：评分和反馈