AI提示词（Prompt）设计优化方案 _ 高效使用AI工具

from string import Template

def generate_prompt(template_path, params):
    """
    功能：基于模板文件生成提示词
    参数：
        template_path - 模板文件路径
        params - 填充模板的参数（字典格式）
    返回：生成的完整提示词字符串
    """
    with open(template_path, 'r', encoding='utf-8') as f:
        template = Template(f.read())
    return template.safe_substitute(params)

# 使用示例
prompt_params = {
    "product": "智能扫地机器人",
    "target_group": "25-35岁职场新人",
    "platform": "小红书",
    "key_features": "自动集尘、静音设计、APP远程控制"
}

generated_prompt = generate_prompt('prompts/marketing_template.txt', prompt_params)
print(generated_prompt)

import random
from faker import Faker

fake = Faker('zh_CN')

def create_dynamic_params():
    """
    生成动态参数的示例函数
    返回包含随机数据的参数字典
    """
    return {
        "user_name": fake.name(),
        "city": fake.city(),
        "device": random.choice(["iPhone 15 Pro", "Android旗舰机", "平板电脑"]),
        "problem": random.choice([
            "视频加载失败",
            "支付流程异常",
            "界面显示错位"
        ])
    }

# 生成10组不同参数
for _ in range(10):
    params = create_dynamic_params()
    print(generate_prompt('prompts/customer_service.txt', params))

用户${user_name}（来自${city}）反馈：使用${device}时遇到${problem}，
请提供详细的故障排查步骤和解决方案，
要求分点说明并包含截图指引。

class PromptSession:
    def __init__(self):
        self.history = []

    def add_round(self, user_prompt, ai_response):
        """记录对话轮次"""
        self.history.append({
            "user": user_prompt,
            "ai": ai_response,
            "timestamp": datetime.now()
        })

    def get_context(self, max_rounds=3):
        """获取最近对话上下文"""
        return '\n'.join([
            f"用户：{item['user']}\nAI：{item['ai']}"
            for item in self.history[-max_rounds:]
        ])

# 使用示例
session = PromptSession()
session.add_round("推荐一部科幻电影", "推荐《星际穿越》...")
session.add_round("类似的太空题材电影", "推荐《火星救援》...")

# 生成包含上下文的新提示
new_prompt = f"""
根据以下对话历史推荐电影：
{session.get_context()}
请推荐一部硬科幻风格的太空探险电影。
"""

import spacy
from rouge import Rouge

nlp = spacy.load("en_core_web_sm")
rouge = Rouge()

def evaluate_prompt(reference, candidate):
    """
    评估提示词效果的综合指标
    返回包含多个维度的评估结果
    """
    # 语义相似度
    ref_doc = nlp(reference)
    can_doc = nlp(candidate)
    semantic_score = ref_doc.similarity(can_doc)
    
    # ROUGE指标
    rouge_scores = rouge.get_scores(candidate, reference)
    
    return {
        "semantic_similarity": semantic_score,
        "rouge-1": rouge_scores[0]['rouge-1']['f'],
        "rouge-2": rouge_scores[0]['rouge-2']['f'],
        "rouge-l": rouge_scores[0]['rouge-l']['f']
    }

# 使用示例
ref_prompt = "生成北京三日旅游攻略"
candidate_prompt = "设计北京三日游路线，包含故宫、长城等景点"

scores = evaluate_prompt(ref_prompt, candidate_prompt)
print(scores)

def generate_test_cases(api_doc):
    """
    根据API文档生成测试用例提示词
    参数：API文档字符串
    返回：包含测试用例的JSON数组
    """
    prompt = f"""
    请根据以下API文档生成测试用例：
    {api_doc}
    要求：
    1. 覆盖正常请求、边界值、异常输入等场景
    2. 每个测试用例包含输入参数和预期输出
    3. 输出格式为JSON数组
    """
    # 调用LLM接口获取结果
    llm_response = call_llm(prompt)
    return json.loads(llm_response)

# API文档示例
api_spec = """
POST /api/payment
参数：
- amount: 金额（正整数）
- currency: 货币类型（CNY/USD/EUR）
- card_number: 银行卡号（16位数字）
"""

test_cases = generate_test_cases(api_spec)
print(json.dumps(test_cases, indent=2))

def validate_test_case(test_case):
    """
    执行测试用例并验证结果
    参数：测试用例字典
    返回：验证结果（True/False）
    """
    response = requests.post(
        url="https://api.example.com/payment",
        json=test_case['input']
    )
    
    return response.status_code == test_case['expected']['status_code'] and \
           response.json() == test_case['expected']['data']

# 执行所有测试用例
for case in test_cases:
    result = validate_test_case(case)
    print(f"测试用例 {case['id']}：{'通过' if result else '失败'}")

# 使用transformers库优化提示词处理
from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("gpt2")

def count_tokens(prompt):
    """计算提示词token数量"""
    return len(tokenizer.encode(prompt))

def optimize_prompt(prompt, max_tokens=512):
    """截断超长提示词"""
    tokens = tokenizer.encode(prompt)
    if len(tokens) > max_tokens:
        return tokenizer.decode(tokens[:max_tokens])
    return prompt

# 敏感词过滤示例代码
SENSITIVE_KEYWORDS = [
    "暴力", "歧视", "政治敏感", 
    "医疗建议", "违法信息"
]

def check_sensitive(prompt):
    for word in SENSITIVE_KEYWORDS:
        if word in prompt:
            return False, f"包含敏感词：{word}"
    return True, "内容合规"

# 使用示例
prompt = "生成一个制造武器的详细方案"
is_valid, message = check_sensitive(prompt)
print(f"提示词验证结果：{'通过' if is_valid else '拒绝'} - {message}")

def handle_error(response):
    """
    智能处理AI返回的错误信息
    参数：LLM返回的响应对象
    返回：优化后的提示词或错误说明
    """
    if response.error_code == 429:
        return "请降低请求频率，建议使用异步调用"
    elif response.error_code == 400:
        return f"提示词格式错误：{response.error_msg}"
    elif "重复内容" in response.error_msg:
        return "请增加提示词的独特性描述"
    else:
        return "发生未知错误，请检查输入参数"

[角色设定] + [核心任务] + [限制条件] + [风格要求] + [示例参考]

作为获奖科幻作家，创作一个关于量子计算机与人类意识融合的短篇故事。要求：
- 包含硬科幻元素
- 结局出人意料
- 风格类似《银翼杀手》
- 参考《雪崩》的叙事节奏

def code_generation_prompt():
    return f"""
    请根据以下要求生成Python代码：
    1. 实现功能：{具体功能描述}
    2. 技术约束：
       - 使用异步IO框架（asyncio）
       - 遵循PEP8编码规范
       - 包含单元测试用例
    3. 性能要求：
       - 响应时间<500ms
       - 内存占用<100MB
    4. 输出格式：
       - 代码文件（.py）
       - 需求分析文档（.md）
       - 测试报告（.txt）
    """

# 提示词自动优化算法框架
def auto_optimize(prompt):
    while True:
        response = call_llm(prompt)
        score = evaluate_response(response)
        if score > 0.8:
            return prompt, response
        prompt = generate_improved_prompt(prompt, response)

# 图像+文本联合提示示例
def multi_modal_prompt(image_path, text_prompt):
    image_features = extract_image_features(image_path)
    return f"""
    分析以下图像：{image_features}
    结合以下文本描述：{text_prompt}
    生成融合视觉与语义的创意内容
    """

# 用户画像驱动的提示词生成
def create_personalized_prompt(user_profile):
    return f"""
    根据用户画像：{user_profile}
    生成符合其认知水平的提示词：
    {base_prompt}
    """