（ 教学 ）Agent 构建 Prompt（提示词）4. 提示词模板 (初级到高级的应用提示词)

（ 教学 ）Agent 构建 Prompt（提示词）4. 提示词模板 (初级到高级的应用提示词)

本手册汇集了面向各专业领域的 LangChain 专用提示词，充分利用大语言模型能力，同时兼顾领域专业性与行业规范。

项目核心目标：

• 为不同专业领域提供标准化、高质量的提示词
• 确保语言模型输出的一致性与可靠性
• 促进领域知识的提取与分析
• 支持自动化报告生成与内容创作
• 在各行业维持专业水准

目录

• 概述
• 提示词编写技巧
• 基础提示词
• 进阶提示词
• 专用提示词
• 专业领域提示词

参考资料

• Prompt Engineering 指南：Gemini
• Google：Prompting 入门 101
• Anthropic：使用 XML 标签结构化提示词
• Anthropic：提示工程概览
• Anthropic：交互式提示工程教程
• GitHub：prompt-eng-interactive-tutorial
• The Decoder：ChatGPT 使用指南
• Dorik：如何为 ChatGPT 撰写提示词（含示例）
• Coursera：2025 年 ChatGPT 提示词写作指南
• LangSmith：Prompt Hub

---

from langchain_opentutorial import set_env
import os
set_env(
    {
        "SILICONFLOW_API_KEY": "sk-iicnuzmyqazacwyxiuvrabsntjsdornquscpjahkroumtrejlm",
        "LANGCHAIN_API_KEY": "lsv2_pt_4d17a25d711742e5bbc873sdsdff250fd3b_f270ba14bd",
        "LANGFUSE_SECRET_KEY": "sk-lf-46214e7a-04aa-45c8-b25sds5-12be4d38c961",
        "LANGFUSE_PUBLIC_KEY": "pk-lf-1915c079-8019-4a16-987sds8-d7484594c43b",
        "LANGFUSE_HOST": "https://cloud.langfuse.com",
        "TAVILY_API_KEY": "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",
        "LANGCHAIN_API_KEY": "lsv2_pt_4d17a25d711742e5bbc873dfsfff250fd3b_f270ba14bd",
        "LANGCHAIN_TRACING_V2": "true",
        "LANGCHAIN_ENDPOINT": "https://api.smith.langchain.com",
        "LANGCHAIN_PROJECT": "个人提示",
    }
)

提示词生成技巧

• 清晰、聚焦：提示词应简洁明了，避免复杂的语法或术语。
• 结构化：使用 XML 标签或其他结构化格式，使模型能够更好地理解指令。
• 示例：提供具体的示例，帮助模型理解任务要求。
• 迭代优化：根据模型输出，不断调整提示词，以获得更好的结果。

模型速览对比：

特性	ChatGPT	Claude	Gemini
优势	对话自然、逻辑推理强	擅长结构化格式、逻辑清晰	适合处理详细任务与示例
最佳实践	清晰、聚焦的提示	XML 风格结构化提示	详细指令与示例
示例场景	写邮件、日常对话	分析任务、结构化输出	摘要、详细报告、多模态任务

---

特性	文心一言	通义千问	讯飞星火	智谱GLM	月之暗面Kimi	DeepSeek
优势	中文理解深度好、文化背景丰富	代码能力强、逻辑推理优秀	语音交互出色、多模态融合	学术性强、知识图谱完善	长文本处理优秀、推理能力强	推理能力极强、代码生成精准、数学能力强
最佳实践	融入中国文化元素、使用传统表达方式	结构化编程思维、分步骤推理	结合语音场景、多感官描述	学术化表达、引用权威资料	渐进式推理、长上下文关联	链式思考、提供示例、精确约束
示例场景	古诗词创作、文化解读、传统文案	代码生成、算法设计、技术文档	语音助手、教育辅导、多媒体内容	学术研究、论文写作、知识问答	长文分析、复杂推理、文档总结	复杂算法、数学证明、逻辑推理、代码优化

遵循这些量身定制的技巧，即可在 LangChain 项目中充分发挥各模型所长，实现最佳效果。

1. GLM（智谱 GLM）

模型特点：* 对话能力强、逻辑推理优秀、学术性强、知识图谱完善

核心提示技巧：

• 学术化表达： 使用专业术语和权威表述，引用相关领域资料
• 结构化提问： 采用分点、分步骤的方式组织问题
• 明确知识范围： 指定需要涵盖的知识领域和深度
• 逻辑链构建： 要求展示推理过程和思维链条

"你是一位专业的邮件撰写人。请写一封礼貌的邮件，告知客户由于供应链问题，项目将延期一个月。语气应表达歉意，同时保持自信。"

2. Claude（Anthropic 模型）

Claude 擅长结构化思维与理解复杂任务，使用 XML 风格格式 编写提示词效果更佳。

提示技巧：

• 使用结构化格式： 使用 XML 标签组织指令，帮助 Claude 更好地理解。
• 提供上下文与示例： 给出清晰的任务描述和示例，引导模型生成理想回复。

模型	XML支持度	最佳实践	注意事项
文心一言	⭐⭐⭐	支持基础XML结构，偏好自然语言描述	避免过深嵌套，保持标签语义清晰
通义千问	⭐⭐⭐⭐	代码能力强，XML解析准确	可结合代码块使用，结构化效果好
讯飞星火	⭐⭐⭐	支持XML但偏好简洁格式	语音场景下建议使用更直观的分隔符
智谱GLM	⭐⭐⭐⭐⭐	学术背景强，XML理解精准	最适合复杂XML结构，支持多层嵌套
Kimi	⭐⭐⭐⭐	长文本处理优秀，XML上下文保持好	适合长篇结构化文档，标签层次清晰
DeepSeek	⭐⭐⭐⭐	推理能力强，XML逻辑解析准确	复杂推理任务中XML组织效果佳

"""
<context>
  <project>
    <name>网站重设计</name>
    <deadline>2025年3月15日</deadline>
  </project>
</context>
<instructions>
  写一封邮件给客户，说明由于供应链问题，项目将延期一个月。表示歉意并提出新的截止日期。
</instructions>
<example>
  尊敬的[客户姓名]，

  由于供应链方面的挑战，我们遗憾地通知您项目将延期。新的预计完成日期为2025年4月15日。对于由此带来的不便，我们深表歉意，并感谢您的理解。

  此致
  敬礼
  [您的姓名]
</example>
"""

3. Gemini（谷歌 AI 模型）

Gemini 是一款前沿的多模态人工智能，可处理文本、图像等多种数据类型，并能高效完成细致且结构化的任务。

提示技巧：

• 详细具体： 清晰阐述任务内容，并提供必要的背景信息。
• 拆分复杂任务： 若任务复杂，将其拆解为更小、有序的步骤。
• 添加示例： 提供示例有助于 Gemini 更好地对齐您的预期输出。

国内的开源模型中，都存在不同性能多模态模型

国内多模态模型性能对比表

模型	文本	图像	音频	视频	代码	整体评分	开源情况
通义千问-VL	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐	⭐⭐	⭐⭐⭐⭐	A+	✅开源
文心一言-ERNIE-ViLG	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	⭐⭐⭐	A	❌闭源
智谱GLM-4V	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐	⭐⭐	⭐⭐⭐⭐	A	✅开源
讯飞星火-多模态	⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	B+	❌闭源
DeepSeek-VL	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐	⭐⭐	⭐⭐⭐⭐⭐	A-	✅开源
Kimi-多模态	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	⭐⭐	⭐⭐⭐	B+	❌闭源

性能分析总结

维度	领先模型	特色优势
文本能力	通义千问-VL、GLM-4V、Kimi	中文理解深度好，学术表达精准
图像理解	通义千问-VL	文档OCR准确率99.2%，图表分析能力强
语音交互	讯飞星火	实时语音延迟<200ms，支持23种方言
视频处理	讯飞星火	多模态融合度高，教育场景优化
代码生成	DeepSeek-VL	算法图解能力突出，数学推理精准

"你是一名营销战略家。撰写一个200字的摘要，总结项目中取得的关键里程碑，强调团队的表现和成果。使用专业的语气。"

---

基础提示词

基础提示词章节涵盖所有领域最常用的摘要任务。这些提示词可以单独使用，也可以组合成流水线：

1. 顺序处理

   文档 → 摘要提示词 → 映射提示词 → 归约提示词 → 最终输出
   

2. 并行处理

   文档 → 多个摘要提示词（并行）
        → 映射提示词（并行）
        → 单个归约提示词
        → 最终输出
   

3. 混合处理

   文档 → 摘要提示词
        → 映射提示词（用于主题）
        → 归约提示词（用于最终综合）
        → 额外摘要提示词（用于最终润色）
   

1. 摘要提示词

摘要提示词旨在生成简洁、信息丰富的文档摘要，同时保留关键信息和上下文。

from langsmith import Client

from langchain_core.prompts import PromptTemplate

# 将提示上传到 LangChain Hub。
# 别忘了在环境变量中设置 LangSmith API。
prompt_title = "summarize_document"

summarize_prompt = """
请根据以下要求对句子进行总结。
要求：
1. 以项目符号的形式概括要点。
2. 每条总结句开头需使用贴合句意的表情符号。
3. 使用多样的表情符号让摘要更有趣。
4. 不要包含任何不必要的信息。

上下文：
{context}

摘要：
"""
prompt = PromptTemplate.from_template(summarize_prompt)
prompt

这个是新版本的写法

# 上传提示到 Hub：
#
# 私有仓库：
# - 只需将提示标题作为第一个参数传入
# hub.push(prompt_title, prompt, new_repo_is_public=False)
#
# 公有仓库：
# - 首先在 LangSmith（smith.langchain.com）创建 Hub Handle
# - 在提示标题路径中包含你的 handle
# hub.push(f"{PROMPT_OWNER}/{prompt_title}", prompt, new_repo_is_public=True)
print(os.getenv("LANGCHAIN_API_KEY")) 

client = Client(
    api_key=os.getenv("LANGCHAIN_API_KEY"),           # 确保 key 正确
    api_url="https://api.smith.langchain.com"  # 确认 endpoint
)
url = client.push_prompt(prompt_identifier=f"{prompt_title}", object=prompt)  # 返回 LangSmith UI 链接
print(url)

可以在 LangSmith 中找到已上传的提示词，请前往该站点地址查看输出。

prompt = client.pull_prompt("summarize_document:5f0dc203")
prompt

2. Map Prompt

映射提示用于从文档中提取并整理主要主题，创建内容的有序结构化表示。

from langsmith import Client

from langchain_core.prompts import PromptTemplate

prompt_title = "map-prompt"

map_prompt = """
你是一位乐于助人的资深记者，擅长从下方提供的【给定文档】中提取主要主题。
请用编号列表的形式，对【给定文档】进行全面总结。
总结应涵盖原文所有关键要点和主要思想，同时把信息浓缩成简洁易懂的格式。
请确保总结包含支持主要思想的相关细节与示例，避免任何不必要的信息或重复。
总结长度应与原文长度和复杂度相匹配，提供清晰准确的概览，且不遗漏任何重要信息。

【给定文档】：
{docs}

格式：
1. 主要主题 1
2. 主要主题 2
3. 主要主题 3
...

注意：
- 请勿列出超过 5 个主要主题。

有用答案：
"""
prompt = PromptTemplate.from_template(map_prompt)

client = Client(
    api_key=os.getenv("LANGCHAIN_API_KEY"),           # 确保 key 正确
    api_url="https://api.smith.langchain.com"  # 确认 endpoint
)
url = client.push_prompt(prompt_identifier=f"{prompt_title}", object=prompt)  # 返回 LangSmith UI 链接
print(url)

---

高级提示

高级提示章节探讨了提升语言模型输出质量与针对性的精妙技巧。

这些提示专为处理需要更深入分析与更细腻回应的复杂任务而设计。

1. 链式密度摘要

链式密度摘要通过迭代方式精炼摘要，在保持可读性和关键洞察的同时，实现更高的信息密度。

from langsmith import Client

from langchain_core.prompts import PromptTemplate

prompt_title = "chain-of-density"

chain_density_prompt = """
根据输入文本，通过以下步骤生成信息密度递增的摘要：

输入参数：
- 文本：{text}
- 迭代次数：{iterations}
- 目标长度：{length}

处理流程：
1. 初始摘要
2. 实体识别
3. 密度增强
4. 质量检查

输出要求：
1. 保持长度一致
2. 提高信息密度
3. 保留关键实体
4. 确保可读性

请按以下结构提供摘要：

格式：
{
    "initial_summary": str,
    "entity_map": list,
    "refined_summaries": list,
    "final_summary": str
}
"""

prompt = PromptTemplate.from_template(chain_density_prompt)
client = Client(
    api_key=os.getenv("LANGCHAIN_API_KEY"),           # 确保 key 正确
    api_url="https://api.smith.langchain.com"  # 确认 endpoint
)
url = client.push_prompt(prompt_identifier=f"{prompt_title}", object=prompt)  # 返回 LangSmith UI 链接
print(url)

1.1. 密度链（多语言）

通过迭代精炼，在保持语义准确性的前提下，以任意指定语言生成日益密集的摘要。

from langsmith import Client

from langchain_core.prompts import ChatPromptTemplate
prompt_title = "chain-of-density-multilingual"

chain_density_multilingual = """
文章：{ARTICLE}
语言：{LANGUAGE}

你将以指定语言生成对上述文章越来越简洁、实体密集的摘要。

重复以下2个步骤共5次。

步骤1：从文章中识别出1-3个信息实体（用“；”分隔），这些实体在上一步生成的摘要中缺失。
步骤2：撰写一条长度相同但密度更高的新摘要，涵盖上一条摘要中的所有实体与细节，并加入缺失实体。

缺失实体应满足：
- 与主线故事相关；
- 具体且简洁（不超过100字）；
- 新颖（未出现在前一条摘要中）；
- 忠实于原文（必须在文章中出现）；
- 可位于文章任意位置。

指导原则：
- 第一条摘要应较长（8-10句，约200字）但高度非具体；
- 字字珠玑：重写前一条摘要以提升流畅度；
- 通过融合、压缩、删除无信息短语来腾出空间；
- 摘要应变得高度密集、简洁且自洽；
- 缺失实体可出现在新摘要的任何位置；
- 绝不可丢弃前一条摘要中的任何实体。

输出格式：
[
    {{
        "Missing_Entities": str,
        "Denser_Summary": str
    }}
]

请以指定语言输出：{LANGUAGE}
"""

prompt = ChatPromptTemplate.from_template(chain_density_multilingual)

# 使用示例：
response = prompt.format(
    ARTICLE="在此输入您的文章内容", LANGUAGE="中文"
)

1.2. 密度链映射（多语言）

创建任意指定语言的、密度逐步递增的映射式摘要，聚焦关键实体抽取与关系映射。

from langsmith import Client

from langchain_core.prompts import ChatPromptTemplate

prompt_title = "chain-of-density-map-multilingual"

chain_density_map_multilingual = """

文章：{ARTICLE}

语言：{LANGUAGE}

请用指定语言对上文文章生成越来越简洁、实体密集的摘要。

重复以下2个步骤3次。

步骤1. 从文章中找出1-3个信息实体（用“；”分隔），这些实体在上一步摘要中缺失。
步骤2. 撰写一段长度相同但信息更密集的新摘要，涵盖所有已有实体及新实体。

缺失实体需满足：
- 与主线故事相关；
- 具体且简洁（≤100词）；
- 新颖（未出现在前一步摘要中）；
- 忠实（必须在原文出现）；
- 可位于文章任意位置。

指南：
- 首次摘要：8–10句（约200词），使用填充语，不具体；
- 优化用词，提升流畅度；
- 删除无信息短语；
- 保持密度与自洽；
- 保留全部已有实体。

输出格式：

“缺失实体”与“更密集摘要”均使用文本格式。

请以指定语言输出：{LANGUAGE}
"""

prompt = ChatPromptTemplate.from_template(chain_density_map_multilingual)

# 使用示例：
response_map = chain_density_map_multilingual.format(
    ARTICLE="在此输入您的文章文本", 
    LANGUAGE="中文"  # 或其他任意语言
)

2. 关键信息提取

以高精度和一致性从各类文档中提取并结构化关键信息。

from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate

prompt_title = "key-information-extraction"

extraction_prompt = """
从提供的文档中提取关键信息，需遵循以下规范：

输入：
- 文档：{document}
- 目标字段：{fields}
- 上下文要求：{context}

提取要求：
1. 识别指定的数据点
2. 保持上下文关联
3. 验证提取的信息
4. 按照模式格式化

输出格式：
{{
    "extracted_data": dict,
    "confidence_scores": dict,
    "validation_results": dict,
    "metadata": dict
}}
"""
prompt = PromptTemplate.from_template(extraction_prompt)

client = Client(
    api_key=os.getenv("LANGCHAIN_API_KEY"),           # 确保 key 正确
    api_url="https://api.smith.langchain.com"  # 确认 endpoint
)
url = client.push_prompt(prompt_identifier=f"{prompt_title}", object=prompt)  # 返回 LangSmith UI 链接
print(url)

3. 元数据标签

自动生成相关标签和元数据，以增强内容的组织和可搜索性。

from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate
prompt_title = "metadata-tagger"

metadata_prompt = """
为给定内容生成全面的元数据标签：

内容参数：
- 类型：{content_type}
- 领域：{domain}
- 上下文：{context}

标签要求：
1. 生成相关标签
2. 创建层级分类
3. 识别关键主题
4. 映射关系
5. 优化搜索

输出格式：
{
    "primary_tags": list,
    "categories": dict,
    "relationships": dict,
    "search_terms": list
}
"""

prompt = PromptTemplate.from_template(metadata_prompt)
client = Client(
    api_key=os.getenv("LANGCHAIN_API_KEY"),           # 确保 key 正确
    api_url="https://api.smith.langchain.com"  # 确认 endpoint
)
url = client.push_prompt(prompt_identifier=f"{prompt_title}", object=prompt)  # 返回 LangSmith UI 链接
print(url)

---

专用提示词

1. RAG 提示词

1.1. RAG 文档分析

基于检索到的文档上下文，以高准确性和相关性处理和回答问题。

from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate

prompt_title = "rag-document-analysis"
system = """你是一个精准且乐于助人的AI助手，专门负责基于所提供上下文进行问答任务。
你的主要任务包括：
1. 彻底分析所提供的上下文
2. 仅使用上下文中的信息回答问题
3. 精确保留技术术语和专有名词
4. 若上下文中无法找到答案，请回复：“所提供的上下文不包含回答该问题的信息。”
5. 以清晰易读的段落格式作答，并在有可用示例时提供相关示例
6. 注重回答的准确性与清晰度
"""

human = """#问题：
{question}

#上下文：
{context}

#答案：
请仅基于所提供的上下文，给出聚焦且准确的回答，直接回应问题。"""
prompt = ChatPromptTemplate.from_messages([("system", system), ("human", human)])

client = Client(
    api_key=os.getenv("LANGCHAIN_API_KEY"),           # 确保 key 正确
    api_url="https://api.smith.langchain.com"  # 确认 endpoint
)
url = client.push_prompt(prompt_identifier=f"{prompt_title}", object=prompt)  # 返回 LangSmith UI 链接
print(url)

1.2. 带来源归因的 RAG

增强型 RAG 实现，具备详细的来源追踪与引用功能，以提升责任可追溯性与可验证性。

from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate
prompt_title = "rag-with-sources"

system = """你是一个精确且全面的 AI 助手，能够提供有据可查的回答并标注来源。
你的职责包括：
1. 彻底分析所提供的上下文
2. 仅基于给定上下文生成准确答案
3. 为每个关键点提供具体来源引用
4. 准确保留技术术语
5. 保持清晰的引用格式 [来源: 页码/文档]
6. 如果上下文中未找到相关信息，请说明：“所提供的上下文不包含回答该问题的信息。”

回答格式如下：
1. 主要答案
2. 使用的来源（含具体位置）
3. 置信度（高/中/低）"""

human = """#问题：
{question}

#上下文：
{context}

#答案：
请仅使用所提供上下文中的信息，提供详细回答并标注来源引用。"""
prompt = ChatPromptTemplate.from_messages([("system", system), ("human", human)])

client = Client(
    api_key=os.getenv("LANGCHAIN_API_KEY"),           # 确保 key 正确
    api_url="https://api.smith.langchain.com"  # 确认 endpoint
)
url = client.push_prompt(prompt_identifier=f"{prompt_title}", object=prompt)  # 返回 LangSmith UI 链接
print(url)

2. 大模型回复评估

基于多项质量指标对大模型回复进行全面评估，并附详细评分方法。

from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate
prompt_title = "llm-response-evaluation"

evaluation_prompt = """

根据以下标准评估 LLM 的响应：

输入：
问题：{question}
上下文：{context}
LLM 响应：{answer}

评估标准：
1. 准确性（0-10）
- 完美（10）：完全准确，与上下文完全一致
- 良好（7-9）：存在轻微不准确
- 一般（4-6）：存在一些明显不准确
- 差（0-3）：重大不准确或偏离上下文

2. 完整性（0-10）
- 完美（10）：全面覆盖所有相关要点
- 良好（7-9）：涵盖大部分重要要点
- 一般（4-6）：遗漏若干关键要点
- 差（0-3）：严重不完整

3. 上下文相关性（0-10）
- 完美（10）：最佳利用上下文
- 良好（7-9）：良好利用，略有遗漏
- 一般（4-6）：部分利用相关上下文
- 差（0-3）：上下文利用不佳

4. 清晰度（0-10）
- 完美（10）：异常清晰且结构良好
- 良好（7-9）：清晰，略有瑕疵
- 一般（4-6）：略显不清晰
- 差（0-3）：混乱或结构差

评分方法：
1. 计算单项得分
2. 计算加权平均：
   - 准确性：40%
   - 完整性：25%
   - 上下文相关性：25%
   - 清晰度：10%
3. 归一化至 0-1 区间

输出格式：
{
    "individual_scores": {
        "accuracy": float,
        "completeness": float,
        "context_relevance": float,
        "clarity": float
    },
    "weighted_score": float,
    "normalized_score": float,
    "evaluation_notes": string
}

仅返回归一化得分，为 0 到 1 之间的小数。"""

prompt = PromptTemplate.from_template(evaluation_prompt)

client = Client(
    api_key=os.getenv("LANGCHAIN_API_KEY"),           # 确保 key 正确
    api_url="https://api.smith.langchain.com"  # 确认 endpoint
)
url = client.push_prompt(prompt_identifier=f"{prompt_title}", object=prompt)  # 返回 LangSmith UI 链接
print(url)

---

专业领域提示词

每个专业领域提示词都经过精心设计，以满足特定行业的需求与要求。

本部分需根据领域数据与格式对提示词进行优化，因此建议在 OpenAI 或 Anthropic 等网站的 Playground 上测试多种提示词，并选用最合适的一种。以下为各领域提示词示例。

1. 学术研究分析提示词

PROMPT_TEMPLATE = """
作为学术研究专家，请对学术内容进行分析：

输入：
- 内容类型：{content_type}
- 研究领域：{field}
- 分析深度：{depth}

分析：
1. 研究方法与实验设计
2. 关键发现及其意义
3. 理论框架
4. 统计有效性
5. 研究局限性
6. 未来研究方向

输出格式：
{
    "executive_summary": str,
    "methodology_analysis": dict,
    "findings_analysis": dict,
    "quality_assessment": dict
}
"""

2. 临床病例分析提示词

PROMPT_TEMPLATE = """
作为医疗专业人员，请分析临床病例：

输入：
- 患者信息：{patient_data}
- 临床记录：{clinical_notes}

请提供：
1. 临床评估
2. 诊断过程
3. 治疗方案
4. 风险评估

输出格式：
{
    "clinical_summary": str,
    "differential_diagnosis": list,
    "treatment_plan": dict,
    "risk_assessment": dict
}
"""

3. 市场调研分析提示词

PROMPT_TEMPLATE = """
作为市场研究专家，请分析市场调研数据：

输入：
- 行业：{industry}
- 市场细分：{segment}
- 区域：{region}
- 时间周期：{time_period}

分析组件：
1. 市场总览
2. 竞争分析
3. 客户分析
4. SWOT 分析
5. 财务分析
6. 建议

输出格式：
{{
    "market_overview": dict,
    "competitive_landscape": dict,
    "customer_insights": dict,
    "strategic_recommendations": list
}}
"""

4. 教育内容开发提示词

PROMPT_TEMPLATE = """
作为教育内容开发者，请创建：

输入：
- 科目：{subject}
- 年级等级：{grade_level}
- 学习目标：{objectives}
- 持续时间：{duration}

输出：
1. 课程结构
2. 学习材料
3. 评估组件
4. 差异化策略
5. 支持资源

输出格式：
{{
    "course_outline": dict,
    "lesson_plans": list,
    "assessments": dict,
    "support_resources": dict
}}
"""

5. 法律文件分析提示

PROMPT_TEMPLATE = """
作为法律专业人员，请分析：

参数：
- 文档类型：{doc_type}
- 管辖区域：{jurisdiction}
- 法律领域：{domain}

分析：
1. 文档概览
2. 关键条款
3. 风险评估
4. 合规检查
5. 建议

输出格式：
{
    "document_summary": str,
    "key_provisions": dict,
    "risk_analysis": dict,
    "recommendations": list
}
"""

6. 用户体验研究分析提示词

PROMPT_TEMPLATE = """
作为用户体验研究员，请分析：

参数：
- 研究类型：{research_type}
- 产品/服务：{product}
- 用户细分：{segment}
- 研究目标：{goals}

请提供：
1. 用户行为分析
2. 可用性评估
3. 用户体验映射
4. 无障碍评估
5. 建议

输出格式：
{
    "behavioral_insights": dict,
    "usability_metrics": dict,
    "experience_mapping": dict,
    "design_recommendations": list
}
"""

7. 环境影响评估提示词

PROMPT_TEMPLATE = """
作为环境专家，请进行评估：

参数：
- 项目类型：{project_type}
- 地点：{location}
- 规模：{scale}
- 持续时间：{duration}

分析：
1. 环境基线
2. 影响分析
3. 资源评估
4. 缓解策略
5. 监测计划

输出格式：
{
    "assessment_summary": str,
    "impact_analysis": dict,
    "mitigation_plan": dict,
    "monitoring_framework": dict
}
"""