LLM 模型 Prompt 工程
目录
1、Prompt 基础概念
2、Prompt 主要构成
3、Prompt 相关技术
3.1、思维链
3.2、自洽性
3.3、思维树
1、Prompt 基础概念
Prompt 工程是通过设计和优化自然语言提示（Prompt），引导LLM生成符合特定任务需求的输出的技术。其核心目标是以最小化标注数据和计算资源，最大化模型在复杂任务（如问答、推理、生成）中的性能。
通过给 LLM 进行角色定义，并步骤会话上下文，可以让大模型的输出更精准。例如，若需模型生成产品摘要，Prompt需包含明确的角色（如“你是一位市场分析师”）、任务描述（“总结产品功能”）、输出格式（“50字以内，幽默风格”）。
核心优势：
（1）高效适应新任务：仅需少量示例即可调整模型，无需重新训练。
（2）降低开发成本：省去传统NLP流程中的数据集构建和微调步骤。
主要特点：
（1）性能提升机制：
降低信息熵：通过明确的上下文和示例减少模型生成的不确定性，提高输出相关性。
涌现能力激发：复杂Prompt（如思维链）可激活模型在预训练中未显式学习的推理能力。
（2）局限性：
依赖预训练知识：若任务涉及领域专有知识（如医学诊断），需结合检索增强生成（RAG）补充外部信息。
无法替代训练：模型的核心能力（如zero-shot学习）仍需通过预训练获得，Prompt工程仅优化表层交互。
2、Prompt 主要构成
主要构成：
- 角色：给 AI 定义一个最匹配任务的角色，比如：「你是一位软件工程师」「你是一位小学老师」
- 指示：对任务进行描述
- 上下文：给出与任务相关的其它背景信息（尤其在多轮交互中）
- 例子：必要时给出举例，学术中称为 one-shot learning, few-shot learning 或 in-context learning；实践证明其对输出正确性有帮助
- 输入：任务的输入信息；在提示词中明确的标识出输入
- 输出：输出的格式描述，以便后继模块自动解析模型的输出结果，比如（JSON、XML）
注意事项：
（0）对角色的定义要求清晰、具体，可通过不断调试进行优化；
（1）大模型对 prompt 开头和结尾的内容更敏感。先定义角色，其实就是在开头把问题域收窄，减少二义性；
（2）对话模型是静态的，不会记录历史对话，所以我们每次对话的时候需要将历史对话一起传递给聊天模型；
（3）「给例子」很常用，效果特别好；
（4）一切问题先尝试用 prompt 解决，往往有四两拨千斤的效果；
（5）可以添加 NO COMMENTS. NO ACKNOWLEDGEMENTS. 避免废话；
（6）添加「请一步一步分析以下对话」、「Let's think step by step」开启思维链；
示例代码如下：
# 加载环境变量
import os
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv
# 读取本地 .env 文件，里面定义了 OPENAI_API_KEY
_ = load_dotenv(find_dotenv())
client = OpenAI(
api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("OPENAI_BASE_URL")
)
# 基于 prompt 生成文本
def get_completion(prompt, model="gpt-3.5-turbo"):
messages = [{"role": "user", "content": prompt}]
response = client.chat.completions.create(
model=model,
messages=messages,
temperature=0, # 模型输出的随机性，0 表示随机性最小
)
return response.choices[0].message.content
# Prompt 构成
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。
根据用户输入，识别用户在上述三种属性上的倾向。
"""
# 输出描述
output_format = """
以JSON格式输出。
1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；
2. price字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型
3. data字段的取值为取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型或string类型，string类型只能是'无上限'
4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：
(1) 结构体中以"ordering"="descend"表示按降序排序，以"value"字段存储待排序的字段
(2) 结构体中以"ordering"="ascend"表示按升序排序，以"value"字段存储待排序的字段
只输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段，不输出值为null的字段。
"""
examples = """
便宜的套餐：{"sort":{"ordering"="ascend","value"="price"}}
有没有不限流量的：{"data":{"operator":"==","value":"无上限"}}
流量大的：{"sort":{"ordering"="descend","value"="data"}}
100G以上流量的套餐最便宜的是哪个：{"sort":{"ordering"="ascend","value"="price"},"data":{"operator":">=","value":100}}
月费不超过200的：{"price":{"operator":"<=","value":200}}
就要月费180那个套餐：{"price":{"operator":"==","value":180}}
经济套餐：{"name":"经济套餐"}
"""
context = f"""
客服：有什么可以帮您
用户：有什么100G以上的套餐推荐
客服：我们有畅游套餐和无限套餐，您有什么价格倾向吗
用户：{input_text}
"""
# 传给 AGI 的 prompt 格式，基本介绍、输出格式、举例、用户输入
prompt = f"""
{instruction}
{output_format}
例如：
{examples}
# 启动思维链
#请一步一步分析以下对话
用户输入：
{context}
"""
response = get_completion(prompt)
print(response)3、Prompt 相关技术
3.1、思维链
思维链（ Chain of Thoughts, CoT ），是大模型涌现出来的一种独特能力。它是偶然被「发现」（对 OpenAI 的人在训练时没想过会这样）的。有人在提问时以「Let's think step by step」开头，结果发现 AI 会自动把问题分解成多个步骤，然后逐步解决，使得输出的结果更加准确。
思维链的原理：
（1） 让 AI 生成更多相关的内容，构成更丰富的「上文」，从而提升「下文」正确的概率；
（2）对涉及计算和逻辑推理等复杂问题，尤为有效；
（3）输入 Tokens 越多，输出越准确；
注意，对于推理性模型，例如 DeepSeek R1 内置了思维链，在提问时会根据任务类型自动选择不同的推理策略（如数学问题使用分布规则分解，逻辑任务进行自我验证）。这类模型的输出不仅包含答案，还会展示中间推理步骤（即思维链），用户无需手动触发即可获得完整的逻辑链条。
3.2、自洽性
自洽性是对思维链的扩展，通过生成多条并行推理链（如5-10条），并基于多数投票或评分机制选择最优解，以提升结果的鲁棒性和一致性。例如，在解决数学题时，模型生成多个不同解题路径，最终选择出现频率最高的答案。
一种对抗「幻觉」的手段。就像我们做数学题，要多次验算一样。
（1）同样 prompt 跑多次
（2）通过投票选出最终结果
3.3、思维树
思维树由 Google DeepMind 与普林斯顿大学提出，将问题解决过程建模为树状结构，允许模型在每一步生成多个候选思路，并通过搜索算法（如广度优先、深度优先）回溯和评估路径，最终选择最优解。其核心思想是模仿人类“试错-回溯”的认知过程。思维树更适合高复杂性任务，系统性探索更多可能性。但需要多次调用 LLM 模型评估路径，需要更多 Tokens。
技术实现：
（1）树形结构分解：根节点为初始问题，每个节点代表一个中间状态（Partial Solution），分支为可能的推理方向。
（2）搜索与评估：通过启发式评分（Heuristic Evaluation）筛选路径，并结合搜索算法扩展树结构。例如，在论文写作任务中，模型可能生成引言、方法、结果等不同章节的多个草稿版本，选择逻辑最连贯的组合。
（3）动态调整：支持对死胡同路径的回溯，重新探索其他分支。