架构师AI杜

Appearance

第16天：Prompt Engineering ​

学习目标 ​

  • 理解Prompt Engineering的核心原理
  • 掌握Prompt设计的基本原则
  • 掌握Few-shot Learning
  • 掌握CoT（Chain of Thought）
  • 能够优化Prompt提升任务效果

课程内容 ​

1. Prompt Engineering基础 ​

1.1 什么是Prompt Engineering ​

定义：

  • Prompt Engineering是设计和优化输入提示的技术
  • 目的是引导LLM生成期望的输出
  • 是提升LLM性能的关键技术

核心思想：

好的Prompt = 清晰的指令 + 充足的上下文 + 合适的格式

1.2 Prompt的基本结构 ​

标准结构：

1. 系统提示（System Prompt）
2. 用户指令（User Instruction）
3. 上下文信息（Context）
4. 示例（Examples）
5. 输出格式（Output Format）

示例：

python
prompt = """
你是一个专业的Python编程助手。

请帮我写一个快速排序算法。

要求：
1. 使用Python语言
2. 添加详细注释
3. 包含测试代码

输出格式：
```python
# 你的代码

"""


#### 1.3 Prompt设计原则

**原则1：清晰明确**
```python
# 不好的Prompt
prompt = "写个排序"

# 好的Prompt
prompt = """
请用Python写一个快速排序算法，要求：
1. 使用递归实现
2. 添加详细注释
3. 包含时间复杂度分析
"""

原则2：提供上下文

python
# 不好的Prompt
prompt = "解释这个代码"

# 好的Prompt
prompt = """
请解释以下Python代码的功能和工作原理：

```python
def quick_sort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr) // 2]
    left = [x for x in arr if x < pivot]
    middle = [x for x in arr if x == pivot]
    right = [x for x in arr if x > pivot]
    return quick_sort(left) + middle + quick_sort(right)

请从以下几个方面解释：

  1. 算法名称
  2. 工作原理
  3. 时间复杂度
  4. 空间复杂度 """

**原则3：指定输出格式**
```python
# 不好的Prompt
prompt = "分析这段文本"

# 好的Prompt
prompt = """
请分析以下文本，并以JSON格式输出结果：

文本：人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

输出格式：
{
    "主题": "文本主题",
    "关键词": ["关键词1", "关键词2"],
    "情感": "正面/负面/中性",
    "摘要": "文本摘要"
}
"""

原则4：使用分隔符

python
# 使用分隔符区分不同部分
prompt = """
系统提示：
你是一个专业的文本分析助手。

用户指令：
请分析以下文本。

文本：
---
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。

---

输出格式：
---
JSON格式
---
"""

2. Few-shot Learning ​

2.1 什么是Few-shot Learning ​

定义：

  • Few-shot Learning是提供少量示例来引导模型学习
  • 相比Zero-shot（无示例），Few-shot通常效果更好
  • 示例数量通常在1-10个之间

2.2 Few-shot Prompt设计 ​

示例1：文本分类

python
prompt = """
你是一个文本分类助手。请根据文本内容判断其类别。

示例：
文本：今天天气真好，阳光明媚。
类别：正面

文本：这个产品太差了，完全不值得购买。
类别：负面

文本：这部电影还可以，不算太好也不算太差。
类别：中性

现在请分类以下文本：
文本：这家餐厅的菜品味道不错，服务也很好。
类别：
"""

示例2：情感分析

python
prompt = """
你是一个情感分析助手。请判断文本的情感倾向。

示例：
输入：我非常喜欢这个产品，它超出了我的预期！
输出：正面

输入：这个服务太糟糕了，我等了两个小时都没解决问题。
输出：负面

输入：这个产品还可以，价格合理，质量一般。
输出：中性

现在请分析：
输入：这个手机的外观设计很漂亮，但是电池续航不太理想。
输出：
"""

示例3：命名实体识别

python
prompt = """
你是一个命名实体识别助手。请从文本中提取人名、地名、组织名等实体。

示例：
输入：苹果公司的CEO蒂姆·库克访问了北京。
输出：
人名：蒂姆·库克
组织：苹果公司
地名：北京

输入：马云在杭州创立了阿里巴巴集团。
输出：
人名：马云
组织：阿里巴巴集团
地名：杭州

现在请识别：
输入：马斯克在纽约宣布成立SpaceX公司。
输出：
"""

2.3 Few-shot最佳实践 ​

最佳实践1：示例多样化

python
# 好的Prompt（示例多样化）
prompt = """
你是一个文本分类助手。

示例：
文本：今天天气真好！
类别：正面

文本：这个产品太差了。
类别：负面

文本：这部电影还可以。
类别：中性

文本：我对这个服务非常满意。
类别：正面

文本：完全浪费我的时间。
类别：负面

文本：没什么特别的。
类别：中性

现在请分类：
文本：这个餐厅的菜品味道不错。
类别：
"""

最佳实践2：示例质量

python
# 好的Prompt（高质量示例）
prompt = """
你是一个代码生成助手。请根据需求生成代码。

示例：
需求：写一个函数计算两个数的和
代码：
def add(a, b):
    """
    计算两个数的和
    
    Args:
        a: 第一个数
        b: 第二个数
    
    Returns:
        两个数的和
    """
    return a + b

需求：写一个函数计算列表的平均值
代码：
def average(lst):
    """
    计算列表的平均值
    
    Args:
        lst: 数字列表
    
    Returns:
        平均值
    """
    if not lst:
        return 0
    return sum(lst) / len(lst)

现在请生成：
需求：写一个函数判断一个数是否为质数
代码：
"""

最佳实践3：示例顺序

python
# 好的Prompt（从简单到复杂）
prompt = """
你是一个数学问题解决助手。

示例：
问题：1 + 1 = ?
答案：2

问题：5 × 6 = ?
答案：30

问题：15 ÷ 3 = ?
答案：5

问题：如果一个三角形的底是6，高是4，面积是多少？
答案：三角形的面积公式是 (底 × 高) / 2
所以面积 = (6 × 4) / 2 = 12

现在请解决：
问题：一个长方形的长是8，宽是5，周长是多少？
答案：
"""

3. Chain of Thought（CoT） ​

3.1 什么是CoT ​

定义：

  • CoT（Chain of Thought）是让模型逐步推理的技术
  • 通过展示推理过程，提高复杂任务的准确性
  • 特别适合数学、逻辑推理等任务

3.2 CoT Prompt设计 ​

示例1：数学推理

python
prompt = """
你是一个数学问题解决助手。请逐步推理并给出答案。

示例：
问题：一个商店卖苹果，3个苹果5元，12个苹果多少钱？

推理过程：
1. 首先计算1个苹果的价格：5元 ÷ 3 = 1.67元
2. 然后计算12个苹果的价格：1.67元 × 12 = 20.04元
3. 所以12个苹果大约是20元

答案：20元

现在请解决：
问题：一个工厂生产零件，8小时生产96个零件，12小时能生产多少个零件？

推理过程：
"""

示例2：逻辑推理

python
prompt = """
你是一个逻辑推理助手。请逐步推理并给出结论。

示例：
问题：如果所有的猫都是动物，而且Tom是一只猫，那么Tom是动物吗？

推理过程：
1. 前提1：所有的猫都是动物
2. 前提2：Tom是一只猫
3. 结论：根据前提1和前提2，Tom属于猫的类别，而猫属于动物，因此Tom是动物

答案：是的，Tom是动物

现在请推理：
问题：如果所有的程序员都懂Python，而且Alice是一个程序员，那么Alice懂Python吗？

推理过程：
"""

示例3：代码调试

python
prompt = """
你是一个代码调试助手。请逐步分析代码问题并给出解决方案。

示例：
问题：以下代码为什么不能正确计算平均值？

```python
def average(lst):
    return sum(lst) / len(lst)

测试数据：average([])

推理过程：

  1. 分析代码：代码计算列表的总和除以列表长度
  2. 分析问题：当列表为空时，len(lst) = 0，导致除以零错误
  3. 解决方案：添加空列表检查

修正代码：

python
def average(lst):
    if not lst:
        return 0
    return sum(lst) / len(lst)

现在请调试： 问题：以下代码为什么不能正确反转列表？

python
def reverse_list(lst):
    result = []
    for i in range(len(lst)):
        result.append(lst[i])
    return result

推理过程： """


#### 3.3 CoT最佳实践

**最佳实践1：明确要求推理过程**
```python
# 好的Prompt
prompt = """
你是一个数学问题解决助手。

重要：请逐步展示你的推理过程，不要直接给出答案。

示例：
问题：一个农场有鸡和兔子共20只，共有56条腿，鸡和兔子各有多少只？

推理过程：
1. 设鸡有x只，兔子有y只
2. 根据题意：x + y = 20
3. 鸡有2条腿，兔子有4条腿：2x + 4y = 56
4. 从第一个方程：x = 20 - y
5. 代入第二个方程：2(20 - y) + 4y = 56
6. 展开：40 - 2y + 4y = 56
7. 简化：40 + 2y = 56
8. 解方程：2y = 16，y = 8
9. 所以兔子有8只，鸡有12只

答案：鸡12只，兔子8只

现在请解决：
问题：一个班级有30个学生，男生比女生多4人，男生和女生各有多少人？

推理过程：
"""

最佳实践2：使用思维链标记

python
# 好的Prompt
prompt = """
你是一个逻辑推理助手。请使用思维链逐步推理。

思维链格式：
<思考>
步骤1：...
步骤2：...
步骤3：...
</思考>

<答案>
最终答案
</答案>

示例：
问题：如果今天是星期三，那么100天后是星期几？

<思考>
步骤1：一周有7天
步骤2：计算100天包含多少周：100 ÷ 7 = 14周余2天
步骤3：14周后还是星期三
步骤4：再过2天：星期三 + 2天 = 星期五
</思考>

<答案>
星期五
</答案>

现在请推理：
问题：如果现在是上午10点，那么500小时后是几点？

<思考>
"""

最佳实践3：分步骤提示

python
# 好的Prompt
prompt = """
你是一个复杂问题解决助手。请按照以下步骤解决问题：

步骤1：理解问题
- 明确问题的要求
- 识别已知条件
- 确定求解目标

步骤2：分析问题
- 找出关键信息
- 确定解题思路
- 选择合适的方法

步骤3：解决问题
- 逐步计算或推理
- 检查中间结果
- 验证最终答案

示例：
问题：一个水池有两个进水管和一个出水管。单独打开A管，6小时注满；单独打开B管，8小时注满；单独打开C管，12小时放空。如果同时打开三管，多久注满水池？

步骤1：理解问题
- 目标：计算三管同时打开的注满时间
- 已知：A管6小时注满，B管8小时注满，C管12小时放空

步骤2：分析问题
- A管速度：1/6（每小时注满比例）
- B管速度：1/8
- C管速度：-1/12（放空）
- 合并速度：1/6 + 1/8 - 1/12

步骤3：解决问题
- 合并速度 = 4/24 + 3/24 - 2/24 = 5/24
- 注满时间 = 1 ÷ (5/24) = 24/5 = 4.8小时

答案：4.8小时

现在请解决：
问题：甲、乙两人合作完成一项工作，甲单独做需要10天，乙单独做需要15天。如果甲先做2天，然后两人合作，还需要多少天完成？

步骤1：理解问题
"""

4. 高级Prompt技巧 ​

4.1 角色扮演 ​

python
prompt = """
你现在是一位经验丰富的Python编程专家，拥有10年的开发经验。

你的特点：
1. 代码风格优雅、高效
2. 注释详细清晰
3. 考虑边界情况
4. 遵循Python最佳实践

请根据以下需求编写代码：

需求：实现一个LRU缓存

要求：
1. 使用OrderedDict实现
2. 包含get和put方法
3. 缓存容量可配置
4. 自动淘汰最近最少使用的项
"""

4.2 思维树（Tree of Thoughts） ​

python
prompt = """
你是一个复杂问题解决助手。请使用思维树方法解决问题。

思维树方法：
1. 生成多个可能的解决方案
2. 评估每个方案的优缺点
3. 选择最佳方案
4. 详细说明理由

示例：
问题：如何提高网站的性能？

方案1：优化数据库查询
- 优点：直接有效，成本低
- 缺点：提升空间有限
- 适用：数据库是瓶颈的情况

方案2：使用CDN加速
- 优点：显著提升静态资源加载速度
- 缺点：需要额外成本
- 适用：静态资源多的情况

方案3：增加服务器数量
- 优点：提升并发能力
- 缺点：成本高，维护复杂
- 适用：高并发的情况

最佳方案：方案2（CDN）
理由：大多数网站的性能瓶颈在于静态资源加载，CDN成本低且效果显著。

现在请解决：
问题：如何提高代码质量？

方案1：
"""

4.3 自我反思 ​

python
prompt = """
你是一个自我反思的AI助手。请按照以下步骤回答问题：

步骤1：初步回答
- 给出你的初步答案

步骤2：自我反思
- 检查答案是否完整
- 检查答案是否准确
- 识别可能的错误

步骤3：改进答案
- 根据反思结果改进答案
- 补充遗漏的信息
- 修正错误

示例：
问题：Python中列表和元组的区别是什么？

步骤1：初步回答
列表是可变的，元组是不可变的。

步骤2：自我反思
答案不完整，只提到了可变性，还有其他区别：
- 语法不同：列表用[]，元组用()
- 性能不同：元组更快
- 用途不同：元组可以作为字典的键

步骤3：改进答案
列表和元组的主要区别：
1. 可变性：列表可变，元组不可变
2. 语法：列表用[]，元组用()
3. 性能：元组比列表快
4. 用途：元组可以作为字典的键，列表不能

现在请回答：
问题：什么是装饰器？

步骤1：初步回答
"""

4.4 分步指导 ​

python
prompt = """
你是一个编程教学助手。请按照以下步骤指导用户：

步骤1：解释概念
- 用简单的语言解释概念
- 提供实际例子

步骤2：展示代码
- 提供完整的代码示例
- 添加详细注释

步骤3：解释代码
- 逐行解释代码
- 说明关键部分

步骤4：提供练习
- 给出练习题
- 提供参考答案

示例：
请教我如何使用Python的列表推导式

步骤1：解释概念
列表推导式是Python中创建列表的简洁方式，它允许你用一行代码生成列表。

步骤2：展示代码
```python
# 传统方式
squares = []
for i in range(10):
    squares.append(i ** 2)

# 列表推导式
squares = [i ** 2 for i in range(10)]

步骤3：解释代码

  • for i in range(10): 遍历0到9
  • i ** 2: 计算平方
  • [...]: 将结果收集到列表中

步骤4：提供练习 练习：用列表推导式生成1到20之间的偶数列表

参考答案：

python
evens = [i for i in range(1, 21) if i % 2 == 0]

现在请教学： 请教我如何使用Python的装饰器

步骤1：解释概念 """


### 5. Prompt优化实战

#### 5.1 优化前后的对比

**案例1：代码生成**

**优化前**：
```python
prompt = "写一个快速排序"

优化后：

python
prompt = """
你是一个专业的Python编程助手。

请编写一个快速排序算法，要求：

1. 使用递归实现
2. 添加详细的中文注释
3. 包含时间复杂度和空间复杂度分析
4. 提供测试代码

输出格式：
```python
# 快速排序实现
def quick_sort(arr):
    # 你的代码
    pass

# 测试代码
if __name__ == "__main__":
    # 测试
    pass

时间复杂度：O(n log n) 空间复杂度：O(log n)

"""

案例2：文本分析

优化前：

python
prompt = "分析这段文本"

优化后：

python
prompt = """
你是一个专业的文本分析助手。

请分析以下文本，并提供以下信息：

文本：
人工智能（AI）是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

分析要求：
1. 主题识别：文本的主要主题是什么？
2. 关键词提取：提取5个最重要的关键词
3. 情感分析：文本的情感倾向（正面/负面/中性）
4. 摘要生成：用一句话总结文本内容
5. 难度评估：文本的阅读难度（简单/中等/困难）

输出格式：
{
    "主题": "...",
    "关键词": ["...", "...", "...", "...", "..."],
    "情感": "...",
    "摘要": "...",
    "难度": "..."
}
"""

5.2 Prompt模板 ​

python
class PromptTemplate:
    """Prompt模板类"""
    
    def __init__(self, template: str, variables: list):
        self.template = template
        self.variables = variables
    
    def format(self, **kwargs) -> str:
        """格式化Prompt"""
        return self.template.format(**kwargs)


# 代码生成模板
code_template = PromptTemplate(
    template="""
你是一个专业的{language}编程助手。

请编写一个{function_name}，要求：

{requirements}

输出格式：
```{language}
# {function_name}实现
def {function_name}({parameters}):
    # 你的代码
    pass

# 测试代码
if __name__ == "__main__":
    # 测试
    pass

""", variables=["language", "function_name", "requirements", "parameters"] )

使用示例 ​

prompt = code_template.format( language="Python", function_name="快速排序", requirements="""

  1. 使用递归实现
  2. 添加详细注释
  3. 包含时间复杂度分析 """, parameters="arr" ) print(prompt)

## 实践任务

### 任务：优化Prompt提升效果

**目标**：优化Prompt，提升任务效果

**要求**：
1. 选择一个任务（代码生成、文本分析、问答等）
2. 设计初始Prompt
3. 测试效果
4. 优化Prompt
5. 对比效果

**代码框架**：
```python
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# 初始Prompt
initial_prompt = """
TODO: 设计初始Prompt
"""

# 优化后的Prompt
optimized_prompt = """
TODO: 设计优化后的Prompt
"""

# 测试函数
def test_prompt(prompt, test_cases):
    results = []
    for test_case in test_cases:
        response = client.chat.completions.create(
            model="gpt-4",
            messages=[
                {"role": "user", "content": prompt.format(**test_case)}
            ]
        )
        results.append(response.choices[0].message.content)
    return results

# 测试用例
test_cases = [
    # TODO: 设计测试用例
]

# 对比效果
print("初始Prompt效果:")
initial_results = test_prompt(initial_prompt, test_cases)
for result in initial_results:
    print(result)

print("\n优化后Prompt效果:")
optimized_results = test_prompt(optimized_prompt, test_cases)
for result in optimized_results:
    print(result)

课后作业 ​

作业1：Prompt优化实践 ​

题目：优化特定任务的Prompt

要求：

  1. 选择一个实际任务
  2. 设计初始Prompt
  3. 逐步优化Prompt
  4. 记录优化过程
  5. 分析优化效果

作业2：Few-shot vs Zero-shot对比 ​

题目：对比Few-shot和Zero-shot的效果

要求：

  1. 选择多个任务
  2. 设计Zero-shot Prompt
  3. 设计Few-shot Prompt
  4. 对比效果
  5. 分析差异

作业3：CoT效果分析 ​

题目：分析CoT对复杂任务的影响

要求：

  1. 选择复杂推理任务
  2. 设计无CoT的Prompt
  3. 设计有CoT的Prompt
  4. 对比效果
  5. 分析CoT的作用

参考资料 ​

必读文献 ​

  1. Wei, J., et al. (2022). "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models". NeurIPS.

    • CoT原始论文

  2. Brown, T., et al. (2020). "Language Models are Few-Shot Learners". NeurIPS.

    • Few-shot Learning论文

推荐阅读 ​

  1. OpenAI Prompt Engineering Guide: https://platform.openai.com/docs/guides/prompt-engineering

    • OpenAI Prompt工程指南

  2. Anthropic Prompt Library: https://docs.anthropic.com/claude/prompt-library

    • Anthropic提示库

在线资源 ​

  1. Learn Prompting: https://learnprompting.org/

    • Prompt学习网站

  2. Prompt Engineering Guide: https://www.promptingguide.ai/

    • Prompt工程指南

扩展阅读 ​

高级技术 ​

  • Self-Consistency: 自我一致性
  • Tree of Thoughts: 思维树
  • ReAct: 推理+行动

应用领域 ​

  • 代码生成: 生成高质量代码
  • 文本摘要: 生成准确摘要
  • 问答系统: 提高问答准确率

下节预告 ​

下一节我们将学习LLM评估与选择，学习如何评估LLM性能、基准测试、成本分析等。

架构师AI杜公众号二维码

扫描二维码关注"架构师AI杜"公众号，获取更多技术内容和最新动态