Prompt Engineering 高阶技巧总结

1. 思维链（Chain of Thought, CoT）

原理：
CoT 通过显式引导模型分步骤推理，解决复杂问题。模型会生成中间推理过程，最终输出答案。适用于数学计算、逻辑推理等任务。

实现方案：

• 标准 CoT：直接要求模型逐步思考。
• 自洽性 CoT（Self-Consistent CoT）：生成多个推理路径并选择最一致的答案。
• 可编程 CoT：通过代码控制推理步骤。

代码示例（Python + LangChain）：

from langchain import PromptTemplate, LLMChain
from langchain.llms import OpenAI

# 定义CoT提示模板
cot_template = PromptTemplate(
    input_variables=["question"],
    template="""
请逐步思考解决以下问题：
问题：{question}
推理步骤：
1. 第一步：...
2. 第二步：...
...
最终答案：...
"""
)

# 初始化LLM
llm = OpenAI(model_name="gpt-4", temperature=0.3)

# 创建LLMChain
cot_chain = LLMChain(llm=llm, prompt=cot_template)

# 调用
response = cot_chain.run(question="如果3个苹果价格是15元，买7个苹果要多少钱？")
print(response)

应用场景：

• 数学应用题解答（如小学/初中数学）。
• 复杂逻辑推理（如法律案件分析）。

2. 反思机制（Self-Reflection）

原理：
让模型主动评估自身输出的质量，通过多轮迭代优化结果。常见方法包括评分机制、错误检测和重新生成。

实现方案：

• 自我评分：模型对输出进行评分（如1-10分）。
• 迭代优化：基于评分结果重新生成内容。
• 错误检测：模型检查输出中的逻辑漏洞或事实错误。

代码示例（Python + LangChain）：

from langchain import LLMChain, PromptTemplate
from langchain.llms import OpenAI

# 定义反思提示模板
reflection_template = PromptTemplate(
    input_variables=["content", "criteria"],
    template="""
请根据以下标准评估以下内容：
评估标准：{criteria}
内容：{content}
评分（1-10分）：...
改进建议：...
"""
)

# 初始化LLM
llm = OpenAI(model_name="gpt-4", temperature=0.3)

# 创建反思链
reflection_chain = LLMChain(llm=llm, prompt=reflection_template)

# 示例内容与评估标准
content = "全球变暖的主要原因是人类活动。"
criteria = "科学准确性、逻辑严谨性、数据支持"

# 调用
response = reflection_chain.run(content=content, criteria=criteria)
print(response)

应用场景：

• 学术论文初稿评估。
• 商业报告质量检查。

3. 提示模板设计（Prompt Templates）

原理：
通过模板化提示词，提高复用性和灵活性。常用工具包括 Jinja2 和 LangChain Template。

实现方案：

• Jinja2 模板：动态插入变量，支持条件判断和循环。
• LangChain Template：与 LangChain 集成，支持复杂提示结构。

代码示例（Jinja2 + Python）：

from jinja2 import Template

# 定义模板
template = Template("""
假设你是一位{{ profession }}，请{{ task }}。
要求：
1. 使用{{ language }}语言。
2. 输出格式：{{ format }}
""")

# 渲染模板
rendered_prompt = template.render(
    profession="数据科学家",
    task="解释线性回归的优缺点",
    language="中文",
    format="Markdown"
)

print(rendered_prompt)

代码示例（LangChain Template）：

from langchain import PromptTemplate

# 定义模板
template = PromptTemplate(
    input_variables=["role", "task", "format"],
    template="""
你是一位{{ role }}，请完成以下任务：
任务：{{ task }}
输出格式：{{ format }}
"""
)

# 渲染模板
rendered_prompt = template.format(role="产品经理", task="设计用户调研问卷", format="JSON")
print(rendered_prompt)

应用场景：

• 批量生成个性化提示词。
• 多语言支持（如中英文切换）。

4. 外部工具调用提示设计（Tool Calling Prompt）

原理：
通过提示词调用外部工具（如 API、数据库），扩展模型能力。需明确工具的功能、输入输出格式。

实现方案：

• Function Calling：直接调用 API 或 SDK。
• MCP（Model-Controller-Protocol）：通过协议定义工具调用规则。

代码示例（OpenAI Function Calling）：

from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI

# 定义工具
tools = [
    Tool(
        name="WeatherAPI",
        func=lambda location: f"调用天气API获取{location}的实时天气",
        description="获取指定地点的实时天气信息"
    )
]

# 初始化代理
agent = initialize_agent(tools, OpenAI(model_name="gpt-4"), agent="zero-shot-react-description")

# 调用
response = agent.run("上海今天的天气如何？")
print(response)

应用场景：

• 数据查询（如天气、股票价格）。
• 业务系统集成（如订单状态查询）。

5. 动态 Prompt 生成

原理：
根据用户输入动态构造 Prompt，提升交互灵活性。常见方法包括意图识别、上下文处理。

实现方案：

• 意图识别：通过 NLP 模型识别用户意图。
• 上下文处理：根据对话历史动态调整 Prompt。

代码示例（意图识别 + 动态 Prompt）：

from transformers import pipeline

# 意图分类器
classifier = pipeline("text-classification", model="roberta-base-intent")
user_input = "订单还没到，能加急吗？"
intent = classifier(user_input)[0]["label"]  # 输出"物流查询"

# 动态生成 Prompt
prompt_template = {
    "物流查询": "请以表格形式列出订单{order_id}的物流节点，突出显示最新状态与预计到达时间",
    "退换货": "请提供退换货流程说明，并生成操作指南PDF"
}

# 应用场景
order_id = "123456"
dynamic_prompt = prompt_template[intent].format(order_id=order_id)
print(dynamic_prompt)

应用场景：

• 智能客服（根据用户问题类型生成对应响应）。
• 多轮对话管理（根据上下文调整回复策略）。

网络学习资源清单

书籍与教程

1. LangChain 官方文档

   • 网址: https://docs.langchain.com
   • 内容：详细讲解如何使用 LangChain 构建提示模板和工具链。

2. OpenAI Cookbook

   • 网址: https://github.com/openai/openai-cookbook
   • 内容：包含 Prompt Engineering 的实战案例和代码模板。

工具与框架

3. Jinja2 官方文档

   • 网址: https://jinja.palletsprojects.com
   • 内容：Jinja2 模板引擎的使用指南和高级功能。

4. Transformers 库

   • 网址: https://huggingface.co/docs/transformers
   • 内容：用于意图识别和动态 Prompt 生成的 NLP 模型。