| name | prompt-engineering-patterns |
| description | 掌握高级提示工程技术，以最大化生产环境中LLM的性能、可靠性和可控性。在优化提示、改进LLM输出或设计生产提示模板时使用。 |
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应用程序设计复杂提示
- 优化提示性能和一致性
- 实现结构化推理模式（思维链、思维树）
- 构建具有动态示例选择的小样本学习系统
- 创建具有变量插值功能可重用的提示模板
- 调试和优化产生不一致输出的提示
- 为专用AI助手实现系统提示
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）
- 在上下文窗口约束下平衡示例数量
- 构建有效的输入输出对示范
- 从知识库动态检索示例
- 通过策略性示例选择处理边界情况
2. 思维链提示
- 逐步推理引导
- 零样本CoT："让我们一步步思考"
- 少样本CoT与推理轨迹
- 自一致性技术（采样多个推理路径）
- 验证和确认步骤
3. 提示优化
- 迭代优化工作流
- 提示变体的A/B测试
- 测量提示性能指标（准确性、一致性、延迟）
- 在保持质量的同时减少token使用
- 处理边界情况和失败模式
4. 模板系统
- 变量插值和格式化
- 条件提示部分
- 多轮对话模板
- 基于角色的提示组合
- 模块化提示组件
5. 系统提示设计
- 设置模型行为和约束
- 定义输出格式和结构
- 建立角色和专业能力
- 安全准则和内容策略
- 上下文设置和背景信息
快速开始
from prompt_optimizer import PromptTemplate, FewShotSelector
template = PromptTemplate(
system="你是一位专家级SQL开发者。生成高效、安全的SQL查询。",
instruction="将以下自然语言查询转换为SQL：\n{query}",
few_shot_examples=True,
output_format="带有解释性注释的SQL代码块"
)
selector = FewShotSelector(
examples_db="sql_examples.jsonl",
selection_strategy="semantic_similarity",
max_examples=3
)
prompt = template.render(
query="查找过去30天内注册的所有用户",
examples=selector.select(query="用户注册日期筛选")
)
关键模式
渐进式披露
从简单提示开始，仅在需要时增加复杂性：
-
级别1：直接指令
-
级别2：添加约束
-
级别3：添加推理
- "阅读这篇文章，识别主要发现，然后用3个要点总结"
-
级别4：添加示例
指令层次结构
[系统上下文] → [任务指令] → [示例] → [输入数据] → [输出格式]
错误恢复
构建能够优雅处理失败的提示：
- 包含备用指令
- 请求置信度分数
- 在不确定时要求替代解释
- 指定如何表示缺失信息
最佳实践
- 具体明确：模糊的提示会产生不一致的结果
- 展示而非描述：示例比描述更有效
- 广泛测试：在多样化、代表性的输入上进行评估
- 快速迭代：小的改动可能产生重大影响
- 监控性能：在生产环境中跟踪指标
- 版本控制：将提示作为代码进行适当的版本管理
- 记录意图：解释为什么提示要这样构建
常见陷阱
- 过度工程化：在尝试简单提示之前就从复杂提示开始
- 示例污染：使用与目标任务不匹配的示例
- 上下文溢出：通过过多示例超出token限制
- 模糊指令：留出多种解释空间
- 忽略边界情况：不在异常或边界输入上测试
集成模式
与RAG系统集成
prompt = f"""基于以下上下文：
{retrieved_context}
{few_shot_examples}
问题：{user_question}
仅根据上述上下文提供详细答案。如果上下文信息不足，请明确说明缺失的内容。"""
与验证集成
prompt = f"""{main_task_prompt}
生成回答后，请验证其是否符合这些标准：
1. 直接回答问题
2. 仅使用所提供上下文中的信息
3. 引用具体来源
4. 承认任何不确定性
如果验证失败，请修改你的回答。"""
性能优化
Token效率
- 移除冗余词语和短语
- 在首次定义后一致使用缩写
- 合并相似指令
- 将稳定内容移至系统提示
延迟降低
- 在不牺牲质量的前提下最小化提示长度
- 对长篇输出使用流式处理
- 缓存常用提示前缀
- 尽可能批量处理相似请求
资源
- references/few-shot-learning.md：深入探讨示例选择和构建
- references/chain-of-thought.md：高级推理引导技术
- references/prompt-optimization.md：系统化优化工作流
- references/prompt-templates.md：可重用模板模式
- references/system-prompts.md：系统级提示设计
- assets/prompt-template-library.md：经过实战检验的提示模板
- assets/few-shot-examples.json：精选示例数据集
- scripts/optimize-prompt.py：自动化提示优化工具
成功指标
为你的提示跟踪这些KPI：
- 准确性：输出的正确性
- 一致性：相似输入的可重现性
- 延迟：响应时间（P50、P95、P99）
- Token使用：每次请求的平均token数
- 成功率：有效输出的百分比
- 用户满意度：评分和反馈
后续步骤
- 查看提示模板库中的常见模式
- 为你的特定用例尝试小样本学习
- 实现提示版本管理和A/B测试
- 设置自动化评估管道
- 记录你的提示工程决策和经验教训
