LLM 开发者的内功：Python Dict、JS 变量提升与 Prompt 设计的三重奏
一次笔记整理引发的跨语言思考
最近在学习大模型应用开发时，我整理了一份混杂着Python、JavaScript和Prompt工程技巧的笔记。回头看发现，这些看似零散的知识点之间，其实藏着编程语言设计中一些相通的核心思想。本文尝试把它们串联起来，希望能给你带来一些启发。
一、Prompt 工程的核心原则
1.1 清晰、具体的指令
与LLM交互时，撰写清晰、具体的指令是最基本的原则。模糊的提问容易让模型产生偏离主题或错误的回答。不要把“简洁”和“模糊”混为一谈——很多时候，更长的提示词能为模型提供更完整的说明与背景信息，输出反而更精准。
python
# 示例：明确要求以JSON格式输出
prompt = f"""
请列出四大名著，并编著对应的作者与书籍类型。
使用JSON格式呈现，需包含以下字段：book_id、title、author、desc、genre
"""
1.2 引导模型逐步推理
复杂任务可以拆解成多个步骤，让模型一步一步完成。这既能降低错误率，也便于调试。
python
text = "在一座风光宜人的小村庄里，姐弟俩杰克和吉尔动身前往山顶的水井取水……"
prompt = f"""
执行以下操作：
1. 将文本概括为一句话
2. 把这句摘要翻译成法语
3. 列出法语摘要中出现的所有人名
4. 输出JSON对象，包含字段：french_summary、num_names
文本：```{text}```
"""
1.3 分步骤
#python 特别擅长字符串操作
text = f"""
泡一杯茶其实很简单！首先把水烧开。烧水的同时，拿出茶杯，放入茶包。水烧开后，将热水冲入杯中浸泡茶包。静置片刻让茶香析出。几分钟后，根据从个人口味，还可以加入糖或牛奶。这样一杯美味的茶饮就泡好了。
"""
# 分步骤
prompt = f"""
你将收到由三引号包裹的文本若文本中包含一系列操作指令，
请按照下述格式重新整理这些指令。
步骤 一 ...
步骤 二 ...
...
步骤N ...
如果文本中没有一系列操作指引，直接输出**"没有提供步骤。"**
\"\"\"{text}\"\"\"
"""
prompt
print(get_completion(prompt))
1.4 提供示例（Few-Shot）
LLM有随机性，通过少量示例可以规范它的输出风格。
python
prompt = f"""
你的任务是保持统一的行文风格作答。
提问：请讲讲何为耐心。
回答：能凿出幽深峡谷的江河，源自涓涓细流；恢弘壮阔的交响乐，起于单个音符……
请问：请讲讲何为韧性。
"""
1.5 处理无步骤指令的情况
text_2 = f"""
今日阳光明媚，鸟儿欢唱。这样的好天气很适合去公园散步。
花儿竞相绽放，树木在微风中轻轻摇曳。
人们纷纷出门，享受这宜人的天气。
有人野餐，有人嬉戏，还有人悠闲地躺在草地上休憩。
这是亲近户外、领略自然之美的绝佳时刻。
"""
prompt = f"""
你将收到由三引号包裹的文本。若内容包含一系列操作指令，请按以下格式重新整理：
第 1 步 - …
第 2 步 - …
……
第 N 步 - …
如果文本中没有相关操作指令，直接输出：未提供步骤。
\"\"\"{text_2}\"\"\"
"""
print(get_completion(prompt))
当要求模型整理操作步骤时，应明确指示：若文本中没有步骤，则输出预设的兜底语句（如“未提供步骤”），避免模型瞎编。
二、调用LLM API的最佳实践
python
from openai import OpenAI
client = OpenAI(
api_key="your-api-key",
base_url="https://api.deepseek.com/v1"
)
def get_completion(prompt, model='deepseek-chat'):
response = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": prompt}],
temperature=0.5, # 0~2，0最严谨，2最随机
max_tokens=1024 # 控制输入+输出的总token数
)
return response.choices[0].message.content
- temperature：控制随机性。0表示确定性输出，适合需要严谨答案的场景；较高的值让模型更有“创意”。
- max_tokens：限制回复长度，也间接控制成本。
三、Python Dict 与 Set：哈希表的应用
3.1 Dict（字典）
字典是一种键值对数据结构，底层基于哈希表（Hash Table） 实现。
- 查找和插入速度极快，O(1)时间复杂度，不会因数据量增大而显著变慢。
- 代价是内存占用高（以空间换时间）。
- 作为对比，List查找需要遍历，O(n)；但List内存更紧凑。
哈希表原理：
- 对key进行哈希函数计算，得到一个整数索引。
- 索引指向存储位置，该位置存放value。
- 再次查询相同key时，直接通过哈希找到位置取出value。
key必须是可哈希（hashable）的，即不可变类型：字符串、数字、元组等。列表（list）不能作为key，因为它是可变的——若key可变，每次哈希的结果可能不同，字典就无法正确定位数据。
python
d = {"name": "张三", "age": 18} # ✅
# d = {[1,2]: "list"} # ❌ TypeError: unhashable type
3.2 Set（集合）
Set与Dict原理一致，只是只存key，不存value。因此Set中的元素也是唯一的，且必须是可哈希类型。
python
s = {1, 2, 3} # 集合
# s = {[1,2]} # ❌ 同样不可哈希
四、再谈不可变对象（Immutable）
Python中，str、int、tuple是不可变对象；list、dict、set是可变对象。
不可变对象的特点是：调用它自身的方法不会改变原对象，而是返回一个新对象。
python
a = 'abc'
b = a.replace('a', 'A') # replace返回新字符串
print(a) # 'abc'，原对象不变
print(b) # 'Abc'
可变对象（如list）的方法会直接修改原对象。这种区别直接影响我们如何设计数据结构和调试程序。
五、JavaScript中的变量提升与函数优先
5.1 变量提升（Hoisting）
在JS中，变量和函数的声明会被提升到当前作用域的顶部。但函数的提升优先级高于普通变量。
javascript
// 示例1.js
showName(); // 输出 1
function showName(){
console.log(1);
}
var showName = function(){
console.log(2);
}
解释：function showName的函数声明被整体提升到顶部，而var showName只有声明提升（赋值留在原地）。执行showName()时，函数声明生效，输出1；后续执行赋值语句将变量覆盖为另一个函数，但此时代码已执行完毕。
5.2 重复定义的函数，后者覆盖前者
javascript
// 示例2.js
function showName(){
console.log('极客时间');
}
showName() // 输出 '极客邦'
function showName(){
console.log('极客邦');
}
showName() // 输出 '极客邦'
由于函数声明提升，第二个函数定义会覆盖第一个，因此两次调用都输出“极客邦”。
六、知识点之间的内在联系
- 哈希表的“唯一性”要求 → Python dict/set 的 key 不可变 → JS中对象属性名实际上是字符串（不可变）→ 底层都依赖稳定的哈希。
- Prompt的清晰指令 → 降低LLM随机性 → 对应temperature=0 → 确定性编程。
- 引导模型逐步推理 → 类似代码中的函数拆分，每个步骤职责单一，可组合。
- 变量提升与函数优先 → 提醒我们即使在高阶语言中，声明的顺序和执行时机仍然重要。同样，给LLM的示例顺序也会影响few-shot效果。
七、对LLM幻觉的一点思考
如果问了一个不存在的品牌例如“博依喜多多饮料”，模型则会给出一本正经的多可能性分析。这提醒我们：LLM会生成看似合理但实际不存在的信息。应对方法包括：
- 要求模型引用可信来源
- 在prompt中明确“如果不确定请直接说不知道”
- 使用检索增强生成（RAG）
结语
编程语言的底层原理（哈希表、不可变性、变量提升）与LLM的Prompt工程，表面上看风马牛不相及，但都围绕着同一个核心：如何用确定的规则应对不确定性。dict用哈希将任意键映射到固定位置；Prompt则用清晰的指令和示例，将人类的模糊意图映射到模型的稳定输出。
希望这篇杂糅的笔记能帮助你打通不同技术领域的“任督二脉”。如果你也有类似的跨界思考，欢迎在评论区交流。
