Prompt Engineering 最佳实践

# 好的 Prompt 结构示例
def build_prompt(user_question: str, context: str) -> str:
    """构建结构化 Prompt"""
    return f"""你是一个资深的数据分析师，擅长用 Python 进行数据清洗和可视化。

【任务】
请分析以下数据集的特征，并给出数据清洗方案。

【上下文】
数据集包含用户行为日志，字段包括：user_id, timestamp, action, page_url。
当前数据存在以下问题：
- timestamp 格式不统一（部分为 Unix 时间戳，部分为 ISO 格式）
- action 字段存在拼写错误（如 "clik" 应为 "click"）
- 约 5% 的 user_id 为空值

【待分析问题】
{user_question}

【已有数据样例】
{context}

【约束】
1. 使用 Python 代码，基于 pandas 库
2. 代码需要包含详细注释
3. 输出结果以 Markdown 表格形式呈现
4. 总回答不超过 800 字"""

# 使用示例
question = "如何处理时间戳格式不一致的问题？"
sample_data = """user_id,timestamp,action,page_url
123,1712567890,click,/home
,2024-04-08T10:30:00,clik,/products
456,1712570000,view,/about"""

print(build_prompt(question, sample_data))

# Few-Shot Prompt 示例：情感分类
def few_shot_sentiment_prompt(text: str) -> str:
    """Few-shot 情感分析 Prompt"""
    return f"""请判断以下评论的情感倾向，输出"正面"、"负面"或"中性"，并给出简短理由。

示例 1：
输入："这部电影的特效太震撼了，剧情也很紧凑，强烈推荐！"
输出：{{"sentiment": "正面", "reason": "表达了对电影的强烈推荐"}}

示例 2：
输入："等了两个小时才上菜，菜还是凉的，服务态度也很差。"
输出：{{"sentiment": "负面", "reason": "描述了等待时间长、食物质量差、服务差"}}

示例 3：
输入："这款手机用了一个月了，电池续航一般，拍照还行。"
输出：{{"sentiment": "中性", "reason": "客观描述，没有明显的褒贬"}}

请分析：
输入："{text}"
输出："""

# 测试
test_cases = [
    "物流很快，包装精美，产品质量超出预期",
    "客服态度极其恶劣，再也不买了",
    "产品功能中规中矩，价格偏高"
]

for case in test_cases:
    prompt = few_shot_sentiment_prompt(case)
    # response = llm.generate(prompt)
    print(f"输入: {case}")

# Few-Shot 示例选择策略
def select_best_examples(query: str, example_pool: list,
                         k: int = 3) -> list:
    """基于语义相似度选择最相关的 Few-Shot 示例"""
    from sklearn.feature_extraction.text import TfidfVectorizer
    from sklearn.metrics.pairwise import cosine_similarity
    
    # 将查询和示例向量化
    vectorizer = TfidfVectorizer()
    all_texts = [query] + [ex["input"] for ex in example_pool]
    vectors = vectorizer.fit_transform(all_texts)
    
    # 计算查询与每个示例的相似度
    query_vec = vectors[0:1]
    example_vecs = vectors[1:]
    similarities = cosine_similarity(query_vec, example_vecs)[0]
    
    # 选择最相似的 k 个示例
    top_indices = similarities.argsort()[-k:][::-1]
    return [example_pool[i] for i in top_indices]

# 使用示例
examples = [
    {"input": "如何重置密码？", "output": "前往设置 > 安全 > 重置密码"},
    {"input": "订单什么时候到？", "output": "请在订单页面查看物流信息"},
    {"input": "怎么开发票？", "output": "订单完成后在订单详情中申请"},
]

query = "我忘记登录密码了怎么办？"
selected = select_best_examples(query, examples, k=2)
for ex in selected:
    print(f"Q: {ex['input']} → A: {ex['output']}")

# Chain of Thought Prompt 示例
def cot_math_prompt(problem: str) -> str:
    """CoT 数学推理 Prompt"""
    return f"""你是一个数学老师。请逐步解答以下问题，展示完整的推理过程。

示例：
问题：一个水池有进水管和出水管。进水管单独工作 6 小时可以注满水池，出水管单独工作 8 小时可以排空水池。如果两管同时打开，需要多长时间才能注满水池？

解答步骤：
1. 进水管每小时注水量 = 1/6 池
2. 出水管每小时排水量 = 1/8 池
3. 两管同时工作，每小时净注水量 = 1/6 - 1/8 = 4/24 - 3/24 = 1/24 池
4. 注满水池需要的时间 = 1 ÷ (1/24) = 24 小时
答案：24 小时

问题：{problem}

解答步骤："""

# 测试
problem = "某商品先涨价 20%，再降价 20%，最终价格相比原价变化了多少？"
print(cot_math_prompt(problem))

# ReAct 模式简易实现
class ReActAgent:
    """简易 ReAct Agent 实现"""
    
    def __init__(self, llm, tools: dict):
        self.llm = llm
        self.tools = tools
        self.max_iterations = 5
    
    def run(self, question: str) -> str:
        # ReAct Prompt 模板
        prompt = f"""请用以下格式回答问题：

Thought: 分析当前情况，决定下一步
Action: 使用工具（格式：tool_name[query]）
Observation: 工具返回的结果
...（重复 Thought/Action/Observation）
Thought: 我已获得足够信息
Answer: 最终答案

可用工具：
- search: 搜索引擎查询
- calculate: 数学计算
- weather: 查询天气

问题：{question}
"""
        
        history = prompt
        for i in range(self.max_iterations):
            response = self.llm.generate(history)
            history += "
" + response
            
            # 解析 Action
            if "Action:" in response:
                action_line = response.split("Action:")[1].strip().split("
")[0]
                tool_name = action_line.split("[")[0]
                query = action_line.split("[")[1].rstrip("]")
                
                # 执行工具
                if tool_name in self.tools:
                    result = self.tools[tool_name](query)
                    history += f"
Observation: {result}"
                else:
                    history += f"
Observation: 未知工具: {tool_name}"
            else:
                break  # 没有 Action，说明已有答案
        
        # 提取 Answer
        if "Answer:" in history:
            return history.split("Answer:")[-1].strip()
        return history

# 使用示例
tools = {
    "search": lambda q: f"搜索结果: {q} → 找到相关信息",
    "calculate": lambda q: f"计算结果: {q} = {eval(q)}",
}
agent = ReActAgent(llm=None, tools=tools)  # 此处 llm 为示意
print("ReAct Agent 初始化完成")

# System Prompt 模板库
class SystemPromptTemplates:
    """不同场景的 System Prompt 模板"""
    
    CODE_REVIEWER = """你是一位资深代码审查工程师，拥有 15 年以上软件开发经验。
你的职责：
1. 识别代码中的 bug、安全漏洞和性能问题
2. 提出具体的改进建议，并说明原因
3. 对代码风格和规范给出评价
4. 始终保持建设性和尊重性

输出格式：
- 🟢 优点
- 🔴 问题（按严重程度排序）
- 💡 改进建议
- 📝 重构示例代码"""

    DATA_ANALYST = """你是一位数据科学家，擅长探索性数据分析和统计推断。
你的风格：
- 用数据说话，避免主观臆断
- 解释统计指标的实际含义
- 指出数据中的异常值和潜在偏差
- 建议下一步的分析方向"""

    TECHNICAL_WRITER = """你是一位技术文档撰写专家。
原则：
- 简洁明了，避免冗长
- 使用主动语态
- 每个段落只表达一个核心观点
- 代码示例必须有注释和说明"""

# 使用示例
def create_chat_completion(system_prompt: str, user_message: str):
    messages = [
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": user_message}
    ]
    return messages  # 实际调用 LLM API

# 代码审查场景
messages = create_chat_completion(
    SystemPromptTemplates.CODE_REVIEWER,
    "请审查这段代码：\ndef get_data(url):\n    import urllib.request\n    response = urllib.request.urlopen(url)\n    return response.read()"
)
print(f"System: {messages[0]['content'][:80]}...")
print(f"User: {messages[1]['content']}")