1
# ===== 第1步：Prompt模板的正确写法 =====
2

3
# ❌ 错误示范：单条字符串拼接（难以维护、无法复用）
4
prompt = f"你是{role}，请回答如下问题：{question}"
5

6
# ✅ 正确示范：使用LangChain的PromptTemplate（结构化、可组合）
7
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
8

9
# 基础模板：定义系统角色+用户输入
10
system_prompt = """你是一个{role}，擅长{expertise}。
11
请根据以下要求回答问题：
12
1. 回答风格：{style}
13
2. 回答长度：{length}
14
3. 如果不知道，明确说不知道，不要编造。"""
15

16
prompt_template = ChatPromptTemplate.from_messages([
17
    ("system", system_prompt),
18
    MessagesPlaceholder(variable_name="chat_history"),  # 多轮对话占位
19
    ("human", "{input}")
20
])
21

22
# 使用模板（填充变量）
23
prompt = prompt_template.invoke({
24
    "role": "AI导师",
25
    "expertise": "用通俗方式解释复杂概念",
26
    "style": "苏格拉底式提问引导",
27
    "length": "200字以内",
28
    "chat_history": [],
29
    "input": "什么是AI Agent？"
30
})
31

32
# ===== 第2步：Few-Shot示例（让模型学会模式） =====
33
from langchain_core.prompts import FewShotChatMessagePromptTemplate
34

35
examples = [
36
    {"input": "太阳为什么是热的？",
37
     "output": "太阳内部有氢原子在不断发生核聚变，就像无数个氢弹同时在爆炸，释放出巨大的光和热。"},
38
    {"input": "人为什么会做梦？",
39
     "output": "大脑会在睡觉时把白天的记忆碎片像整理书架一样重新归档，这个过程就会产生梦境。"},
40
]
41

42
# 构建Few-Shot模板
43
example_prompt = ChatPromptTemplate.from_messages([
44
    ("human", "{input}"),
45
    ("ai", "{output}")
46
])
47
few_shot_prompt = FewShotChatMessagePromptTemplate(
48
    example_prompt=example_prompt,
49
    examples=examples,
50
)
51

52
# 最终prompt = 系统指令 + few-shot示例 + 用户问题
53
final_prompt = ChatPromptTemplate.from_messages([
54
    ("system", "你是一个擅长用生活比喻解释抽象概念的科普作家。"),
55
    few_shot_prompt,
56
    ("human", "{input}")
57
])
58

59
# ===== 第3步：结构化输出（让模型按格式返回） =====
60
from pydantic import BaseModel, Field
61
from langchain_core.output_parsers import PydanticOutputParser
62

63
# 定义输出结构
64
class AgentAnalysis(BaseModel):
65
    summary: str = Field(description="一句话总结Agent的定义")
66
    core_features: list[str] = Field(description="核心特征列表，最多5个")
67
    example_application: str = Field(description="一个实际应用场景的例子")
68
    difficulty_level: int = Field(description="理解难度 1-5")
69

70
# 创建输出解析器
71
parser = PydanticOutputParser(pydantic_object=AgentAnalysis)
72

73
# 组装带格式约束的Prompt
74
structured_prompt = ChatPromptTemplate.from_messages([
75
    ("system", "你是一个AI专家。请严格按照要求的JSON格式输出。\n{format_instructions}"),
76
    ("human", "解释什么是AI Agent")
77
])
78

79
# chain: prompt → LLM → parser
80
chain = structured_prompt | llm | parser
81
result = chain.invoke({
82
    "format_instructions": parser.get_format_instructions()
83
})
84
# 输出直接是AgentAnalysis对象，不用自己解析JSON
85

86
# ===== 第4步：动态Prompt（根据用户上下文自适应） =====
87
def build_dynamic_prompt(user_profile: dict, question: str) -> str:
88
    """根据用户画像动态构建Prompt"""
89
    base = "你是一个智能助手。"
90

91
    if user_profile.get("level") == "beginner":
92
        base += "用户是初学者，请用简单语言和类比解释。避免术语，或用通俗方式解释每个术语。"
93
    elif user_profile.get("level") == "expert":
94
        base += "用户是领域专家，可以直接使用专业术语，注重深度和技术细节。"
95

96
    if user_profile.get("preferred_style") == "step_by_step":
97
        base += "请用分步骤的方式解释，每一步都要解释原因。"
98
    elif user_profile.get("preferred_style") == "summary":
99
        base += "请给出简洁的要点总结，每条不超过两句话。"
100

101
    return f"{base}\n\n用户问题：{question}"
102
# 解释：动态Prompt不是在代码里拼字符串，而是根据条件组装不同的指令块

1
 好的Prompt工程是系统化的，不是玄学：
2

3
1. 角色设定（Role）—— "你是一个XX专家"
4
   ↳ 模型会调整回答风格和知识重心
5

6
2. 目标明确（Goal）—— "目标是让大一学生听懂"
7
   ↳ 控制语言复杂度、举例方式
8

9
3. 约束条件（Constraints）—— "200字以内，不要用术语"
10
   ↳ 控制输出格式
11

12
4. 示例引导（Examples）—— "像这样回答：……"
13
   ↳ 让模型模仿你的输出风格
14

15
5. 思维链（CoT）—— "让我们一步一步思考"
16
   ↳ 激活模型的推理能力，尤其是复杂问题
17

18
6. 格式约束（Output Format）—— "返回JSON格式：{...}"
19
   ↳ 让输出可解析、可程序化使用
20

21
7. 兜底机制（Fallback）—— "如果不确定就说不知道"
22
   ↳ 减少幻觉