第02章：Prompt 工程 —— 用语言精准指挥 AI

本章目标：理解 Prompt 的设计原则，掌握 LangChain 模板系统、Few-Shot 提示和思维链（CoT）三大核心技术，能够写出让 AI 稳定输出你期望结果的提示词。

---

一、为什么 Prompt 如此重要？

很多人学会调用 LLM API 后，第一个困惑是：”为什么同一个问题，有时答得很好，有时答得一塌糊涂？”

答案几乎都在 Prompt 里。

同一个任务，两种 Prompt 的差距：

# ❌ 模糊的 Prompt
prompt_bad = "总结一下这篇文章"
# AI 可能输出：3 句话，也可能输出 3 段，风格不定，不知道要点

# ✅ 精准的 Prompt
prompt_good = """
请对以下文章进行总结。要求：
1. 用不超过 150 字
2. 必须包含：核心观点、关键数据、适用结论
3. 使用简洁的中文，避免专业术语
4. 格式为：【核心观点】... 【关键数据】... 【结论】...

文章内容：
{article}
"""

Prompt 工程的黄金公式：

高质量 Prompt = 清晰角色 + 明确任务 + 具体约束 + 期望格式

---

二、LangChain 为什么需要 Prompt 模板？

在真实项目里，Prompt 通常不是写死的字符串，而是根据用户输入动态生成的。LangChain 的 Prompt 模板解决了以下问题：

1. 复用性：同一个提示结构可以填入不同的变量值
2. 可测试性：模板和数据分离，单独测试模板逻辑
3. 与 Chain 集成：模板可以无缝接入 LCEL 链（下一章讲解）

添加图片注释，不超过 140 字（可选）

---

三、Step 1：基础 Prompt 模板

PromptTemplate（纯文本模板）

from langchain_core.prompts import PromptTemplate

# ── 创建模板，用 {} 标记变量 ──────────────────────────────────
template = PromptTemplate(
    input_variables=["topic", "audience", "length"],
    template="""你是一位经验丰富的科普作家。

请为【{audience}】写一篇关于"{topic}"的科普文章。
要求：
- 文章长度：{length}字以内
- 语言：通俗易懂，避免专业术语
- 结构：先讲是什么，再讲为什么重要，最后给出实际例子
"""
)

# ── 填充变量生成最终 Prompt ──────────────────────────────────
formatted = template.format(
    topic="区块链",
    audience="初中生",
    length="300"
)
print(formatted)

ChatPromptTemplate（对话模板，推荐使用）

from langchain_core.prompts import ChatPromptTemplate

# ── 多角色对话模板 ────────────────────────────────────────────
chat_prompt = ChatPromptTemplate.from_messages([
    # system：定义 AI 的专业身份和行为准则
    ("system", """你是一位专业的{role}，拥有{years}年从业经验。
回答时遵循以下规范：
- 先给出明确结论，再解释原因
- 如果问题超出专业范围，直接告知
- 用中文回答，简洁专业"""),
    
    # human：用户的问题
    ("human", "{question}"),
])

# ── 格式化为消息列表 ──────────────────────────────────────────
messages = chat_prompt.format_messages(
    role="心脏病学医生",
    years=15,
    question="心率超过 100 次/分钟算正常吗？",
)

# messages 是一个列表：[SystemMessage(...), HumanMessage(...)]
for msg in messages:
    print(f"[{msg.__class__.__name__}]: {msg.content}")

与 LLM 直接调用：

from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
    model="qwen-plus",
    openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

# 方式一：先格式化，再调用
messages = chat_prompt.format_messages(role="营养师", years=10, question="早餐吃什么最健康？")
response = llm.invoke(messages)
print(response.content)

# 方式二：用链（推荐，下一章深讲）
chain = chat_prompt | llm
response = chain.invoke({"role": "营养师", "years": 10, "question": "早餐吃什么最健康？"})
print(response.content)

---

四、Step 2：Few-Shot 提示（示例驱动）

什么是 Few-Shot？

Few-Shot 是”给几个例子”的意思。你给模型展示几个”输入→输出”的例子，模型就能理解你期望的格式和风格，然后对新输入产生类似的输出。

适用场景：

• 需要特定格式的输出（JSON、表格、特定句式）
• 需要特定风格（文言文、专业术语、儿童语言）
• 模型不擅长的小众任务（情感分类、命名实体识别）

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_openai import ChatOpenAI

# ── 定义示例：每个示例都是一个 dict ──────────────────────────
examples = [
    {
        "text": "这款手机电池续航太差了，一天充两次电，差评！",
        "sentiment": "负面",
        "reason": "用户对电池续航不满"
    },
    {
        "text": "物流超快，下单第二天就到了，包装也很严实。",
        "sentiment": "正面",
        "reason": "用户对物流速度和包装满意"
    },
    {
        "text": "质量还行，但价格有点贵，性价比一般。",
        "sentiment": "中性",
        "reason": "质量满意但价格不满意，整体中立"
    },
]

# ── 单个示例的展示模板 ────────────────────────────────────────
example_prompt = PromptTemplate(
    input_variables=["text", "sentiment", "reason"],
    template="评论：{text}\n情感：{sentiment}\n原因：{reason}"
)

# ── Few-Shot 模板 ─────────────────────────────────────────────
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="你是一个电商评论情感分析专家。请分析以下评论的情感倾向（正面/负面/中性）并说明原因：\n\n参考示例：",
    suffix="\n评论：{text}\n情感：",  # 最后留空，让模型填写
    input_variables=["text"],
    example_separator="\n---\n",     # 示例之间的分隔符
)

# ── 调用 ─────────────────────────────────────────────────────
llm = ChatOpenAI(
    model="qwen-plus",
    openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

test_reviews = [
    "屏幕显示效果非常清晰，色彩还原准确，专业摄影师推荐！",
    "买了之后根本用不了，联系客服也没人回，气死了。",
]

for review in test_reviews:
    formatted = few_shot_prompt.format(text=review)
    response = llm.invoke(formatted)
    print(f"评论：{review}")
    print(f"分析：{response.content}")
    print("-" * 50)

Few-Shot 的本质原理：

---

五、Step 3：思维链提示（Chain of Thought）

为什么需要思维链？

直接问 AI 复杂问题时，它可能跳步推理导致出错。思维链（CoT）的思路是：强制模型一步步思考，每个步骤都显式写出来，这样错误更少，推理更可靠。

研究发现：在复杂推理任务上，CoT 提示可以将准确率提升 20-50%。

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# ── 不带思维链（容易出错）────────────────────────────────────
no_cot_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是数学老师，直接给出答案。"),
    ("human", "{question}"),
])

# ── 带思维链（逐步推理）──────────────────────────────────────
cot_prompt = ChatPromptTemplate.from_messages([
    ("system", """你是数学老师。解题时必须按以下格式逐步推理：
    
【分析】：理解题目，找出已知条件
【步骤1】：...（写出每一步的计算）
【步骤N】：...
【答案】：最终结果

绝不能跳过中间步骤，必须展示完整推理过程。"""),
    ("human", "{question}"),
])

llm = ChatOpenAI(
    model="qwen-plus",
    openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
    temperature=0,  # 数学题用 0，确保结果稳定
)

question = """
一家餐厅周一到周五每天接待 80 位顾客，周六接待 120 位，周日不营业。
每位顾客平均消费 85 元，月均营业天数按 4.3 周计算。
请计算该餐厅每月的营业额。
"""

print("=" * 50)
print("不带思维链的回答：")
chain_no_cot = no_cot_prompt | llm
print(chain_no_cot.invoke({"question": question}).content)

print("\n" + "=" * 50)
print("带思维链的回答：")
chain_cot = cot_prompt | llm
print(chain_cot.invoke({"question": question}).content)

Zero-Shot CoT（无示例，直接触发推理）：

# 只需要在问题末尾加上这句话，就能激活模型的推理模式
question_with_cot = f"{question}\n\n让我们一步一步地思考。"

💡 “让我们一步一步地思考” 这句话已被研究证明是一个非常有效的 CoT 触发词，适用于各种 LLM。

---

六、Prompt 最佳实践速查

原则 1：具体优于模糊

# ❌ 模糊
"帮我改进这段代码"

# ✅ 具体
"检查以下 Python 代码的潜在 bug 和性能问题，
按【问题】【位置】【修复建议】格式输出，
重点关注：空指针、资源泄漏、时间复杂度"

原则 2：使用分隔符隔离数据

# ❌ 容易被用户内容干扰（Prompt 注入风险）
f"总结这篇文章：{user_input}"

# ✅ 用 XML 标签或分隔符隔离
f"""总结以下<article>标签内的文章：

<article>
{user_input}
</article>

要求：100字以内，提取核心观点。"""

原则 3：角色设定要具体

# ❌ 过于泛泛
("system", "你是专家")

# ✅ 明确背景和能力
("system", """你是一位拥有 10 年经验的全栈工程师，
擅长 Python、React 和 AWS 架构。
当回答技术问题时，优先给出可直接运行的代码示例，
并标注关键参数的作用。""")

原则 4：控制输出格式

# 要求输出 JSON
("system", """以 JSON 格式输出，字段包括：
- "summary": 文章摘要（50字以内）
- "keywords": 关键词列表（3-5个）
- "sentiment": 情感倾向（positive/negative/neutral）
不要输出任何 JSON 之外的文字。""")

---

七、常见 Prompt 问题与调试方法

问题现象	可能原因	调试方法
输出格式不稳定	格式要求不够明确	在 prompt 中加入示例输出
答案偏离主题	系统提示太弱或无系统提示	强化 system 消息的约束
输出截断	max_tokens 设置太小	增大 max_tokens
数学计算出错	没有使用 CoT	加入逐步推理要求
多语言混杂	没有语言约束	在 prompt 中明确”用中文回答”

调试技巧：先 print(prompt.format(...)) 看格式化后的完整 Prompt，确认是否符合预期。

---

📌 下一章预告：学会了 Prompt 之后，下一章我们学习如何用 LCEL（LangChain 表达语言）把 Prompt、LLM、输出解析器串联成”链”，实现更复杂的多步骤任务。

作者：阿聪谈架构

公众号：阿聪谈架构（分享后端架构 / AI / Java 技术文章）

相关代码关注公众号：【阿聪谈架构】 回复：AI专栏代码