提示词工程 & AI大模型开发核心笔记

# 通用提示词模板封装
def build_prompt(task, requirements, examples=None, format="text"):
    """
    构建标准化提示词
    :param task: 任务描述（如"文本摘要"、"代码生成"）
    :param requirements: 具体要求（如"摘要不超过200字"）
    :param examples: 示例（可选）
    :param format: 输出格式（text/json/markdown）
    :return: 完整提示词
    """
    prompt = f"""
    你是一名专业的AI助手，请完成以下任务：
    任务：{task}
    要求：{requirements}
    输出格式：{format}
    """
    if examples:
        prompt += f"\n示例：\n{examples}"
    return prompt.strip()

# 调用示例
prompt = build_prompt(
    task="电商评论情感分析",
    requirements="仅输出'正面'/'负面'/'中性'，无需解释",
    examples="输入：'这款商品质量很好！' → 输出：正面"
)
print(prompt)
                

# 安装依赖：pip install openai
import openai
import os

# 配置API密钥
openai.api_key = os.getenv("OPENAI_API_KEY")  # 从环境变量获取密钥
# 或直接设置：openai.api_key = "your-api-key"

# 基础对话调用
def call_gpt(prompt, model="gpt-3.5-turbo", temperature=0.7):
    try:
        response = openai.ChatCompletion.create(
            model=model,
            messages=[
                {"role": "system", "content": "你是一名专业的提示词工程师"},
                {"role": "user", "content": prompt}
            ],
            temperature=temperature,  # 随机性：0（严谨）-1（创意）
            max_tokens=1000
        )
        return response.choices[0].message.content.strip()
    except Exception as e:
        return f"调用失败：{str(e)}"

# 调用示例
result = call_gpt(prompt="写一个Python函数，实现列表去重")
print(result)
                

# 安装依赖：pip install dashscope
from dashscope import Generation

# 配置API密钥
os.environ["DASHSCOPE_API_KEY"] = "your-dashscope-key"

def call_qwen(prompt, model="qwen-turbo"):
    response = Generation.call(
        model=model,
        messages=[
            {"role": "user", "content": prompt}
        ],
        result_format='text',
        temperature=0.5,
        top_p=0.8
    )
    if response.status_code == 200:
        return response.output.choices[0].message.content
    else:
        return f"调用失败：{response.code} - {response.message}"

# 提示词优化示例
optimize_prompt = """
优化以下提示词，使其更清晰、更易被大模型理解：
原始提示：写一篇关于提示词工程的文章
优化要求：结构清晰（分3部分）、字数800字、适合新手阅读
"""
result = call_qwen(optimize_prompt)
print(result)
                

# 多轮对话上下文管理
class ChatManager:
    def __init__(self):
        self.context = [{"role": "system", "content": "你是一名电商客服助手"}]

    def add_message(self, role, content):
        # 控制上下文长度，避免token超限
        if len(self.context) > 10:
            self.context = self.context[:2] + self.context[-8:]
        self.context.append({"role": role, "content": content})

    def get_response(self, user_input):
        self.add_message("user", user_input)
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=self.context,
            temperature=0.3
        )
        assistant_reply = response.choices[0].message.content
        self.add_message("assistant", assistant_reply)
        return assistant_reply

# 使用示例
chat = ChatManager()
print(chat.get_response("请问退货流程是什么？"))
print(chat.get_response("需要提供哪些材料？"))  # 模型可关联上一轮问题