言模型應(yīng)用開(kāi)發(fā)中的工程化實(shí)踐與LangChain實(shí)現(xiàn))
1. 項(xiàng)目概述為什么我們需要提示模板如果你已經(jīng)開(kāi)始接觸大語(yǔ)言模型的應(yīng)用開(kāi)發(fā)無(wú)論是用 LangChain 還是直接調(diào)用 OpenAI 的 API大概率都寫(xiě)過(guò)類(lèi)似這樣的代碼prompt f請(qǐng)根據(jù)以下用戶輸入生成一段友好的回復(fù)。 用戶輸入{user_input} 請(qǐng)確?；貜?fù)的語(yǔ)氣熱情且專業(yè)?？雌饋?lái)很簡(jiǎn)單對(duì)吧但隨著項(xiàng)目復(fù)雜度的提升你會(huì)發(fā)現(xiàn)事情開(kāi)始變得棘手。昨天產(chǎn)品經(jīng)理說(shuō)要在回復(fù)前加上當(dāng)前日期今天測(cè)試同學(xué)反饋說(shuō)某些場(chǎng)景下需要引用歷史對(duì)話明天老板又要求支持多語(yǔ)言切換……很快你那原本清晰的代碼就會(huì)變成一堆令人頭疼的字符串拼接和條件判斷。這就是“提示工程基礎(chǔ)”中Prompt Templates要解決的核心問(wèn)題。它不是一個(gè)炫酷的新算法而是一個(gè)樸素卻至關(guān)重要的工程實(shí)踐將提示詞的結(jié)構(gòu)與內(nèi)容分離。簡(jiǎn)單說(shuō)就是把那些固定不變的框架比如指令、格式要求、示例和動(dòng)態(tài)變化的部分用戶輸入、查詢結(jié)果、當(dāng)前日期拆分開(kāi)來(lái)。我見(jiàn)過(guò)太多項(xiàng)目初期因?yàn)楹鲆曔@一點(diǎn)導(dǎo)致后期提示詞維護(hù)成本指數(shù)級(jí)上升最終不得不重構(gòu)。一個(gè)設(shè)計(jì)良好的提示模板就像是給大語(yǔ)言模型準(zhǔn)備的“填空題”試卷。試卷的題目和答題規(guī)范是固定的而每次需要填入的空格內(nèi)容則根據(jù)實(shí)際情況變化。這樣做的好處顯而易見(jiàn)提升一致性、便于維護(hù)、支持復(fù)用并且能系統(tǒng)化地優(yōu)化提示效果。無(wú)論是構(gòu)建一個(gè)簡(jiǎn)單的問(wèn)答機(jī)器人還是設(shè)計(jì)復(fù)雜的多步推理智能體提示模板都是構(gòu)建可靠、可擴(kuò)展應(yīng)用的地基。2. 核心需求解析從字符串拼接走向工程化在深入技術(shù)細(xì)節(jié)前我們先拆解一下在實(shí)際開(kāi)發(fā)中一個(gè)原始的提示字符串會(huì)遇到哪些具體的“痛點(diǎn)”。理解了這些你才能明白模板化不是“可有可無(wú)”而是“勢(shì)在必行”。2.1 維護(hù)噩夢(mèng)一處改動(dòng)處處搜索假設(shè)你的應(yīng)用里有十幾個(gè)地方都用到了類(lèi)似的歡迎語(yǔ)提示?，F(xiàn)在需要把“你好”統(tǒng)一改成“您好”。如果沒(méi)有模板你就得在代碼庫(kù)里全局搜索所有包含“你好”的字符串逐一檢查、修改、測(cè)試。這個(gè)過(guò)程極易出錯(cuò)可能漏掉某個(gè)偏僻的文件或者誤改了其他業(yè)務(wù)邏輯中的“你好”。而使用模板后你只需要在一個(gè)地方模板定義處修改這個(gè)變量所有使用該模板的地方都會(huì)自動(dòng)生效。這本質(zhì)上是軟件開(kāi)發(fā)中“Don‘t Repeat Yourself”原則在提示詞領(lǐng)域的體現(xiàn)。2.2 動(dòng)態(tài)內(nèi)容注入的混亂當(dāng)提示需要嵌入變量時(shí)字符串格式化f-string或.format()是常見(jiàn)做法。但變量一多提示文本就會(huì)變得支離破碎可讀性急劇下降。# 混亂的示例 prompt f系統(tǒng)角色{system_role}。 請(qǐng)參考以下上下文{context}。 回答用戶關(guān)于{query_topic}的問(wèn)題{user_question}。 歷史記錄{history}。 請(qǐng)用{language}回答并引用{source_name}中的觀點(diǎn)。這段代碼不僅難以閱讀而且當(dāng)context或history變量為空時(shí)提示中可能會(huì)留下尷尬的空白或殘缺的句子結(jié)構(gòu)影響模型理解。模板系統(tǒng)可以更優(yōu)雅地處理可選變量和默認(rèn)值。3. 動(dòng)態(tài)內(nèi)容注入的混亂當(dāng)提示需要嵌入變量時(shí)字符串格式化f-string或.format()是常見(jiàn)做法。但變量一多提示文本就會(huì)變得支離破碎可讀性急劇下降。# 混亂的示例 prompt f系統(tǒng)角色{system_role}。 請(qǐng)參考以下上下文{context}。 回答用戶關(guān)于{query_topic}的問(wèn)題{user_question}。 歷史記錄{history}。 請(qǐng)用{language}回答并引用{source_name}中的觀點(diǎn)。這段代碼不僅難以閱讀而且當(dāng)context或history變量為空時(shí)提示中可能會(huì)留下尷尬的空白或殘缺的句子結(jié)構(gòu)影響模型理解。模板系統(tǒng)可以更優(yōu)雅地處理可選變量和默認(rèn)值。3.1 缺乏結(jié)構(gòu)和類(lèi)型校驗(yàn)純字符串無(wú)法對(duì)注入的內(nèi)容做任何約束。如果你期望max_words變量是一個(gè)數(shù)字但傳入了一個(gè)字符串錯(cuò)誤可能要到模型返回了奇怪的結(jié)果時(shí)才會(huì)被發(fā)現(xiàn)。模板系統(tǒng)可以在填充階段就進(jìn)行初步的類(lèi)型檢查或格式化提前規(guī)避一類(lèi)問(wèn)題。3.2 難以實(shí)現(xiàn)高級(jí)模式一些高級(jí)提示技巧如少樣本提示需要在提示中包含多個(gè)結(jié)構(gòu)化的輸入-輸出對(duì)。用純手工拼接來(lái)管理這些示例非常繁瑣。而模板可以輕松地將示例列表作為一個(gè)整體變量進(jìn)行管理和渲染甚至可以從外部文件加載示例?；谶@些痛點(diǎn)我們可以總結(jié)出對(duì)提示模板系統(tǒng)的核心需求變量管理支持定義變量并能從外部傳入值進(jìn)行填充。結(jié)構(gòu)封裝將固定的提示結(jié)構(gòu)和指令封裝起來(lái)保持代碼整潔。可復(fù)用性一次定義多處使用?？删S護(hù)性修改模板定義所有使用點(diǎn)同步更新?？蛇x變量與默認(rèn)值優(yōu)雅處理某些場(chǎng)景下可能缺失的變量。類(lèi)型與格式控制對(duì)輸入變量進(jìn)行簡(jiǎn)單的預(yù)處理或校驗(yàn)。支持復(fù)雜結(jié)構(gòu)能夠方便地嵌入列表、字典等結(jié)構(gòu)以支持少樣本示例等模式。4. LangChain PromptTemplate 深度拆解LangChain 的PromptTemplate類(lèi)是實(shí)踐上述理念的一個(gè)優(yōu)秀工具。它遠(yuǎn)不止是一個(gè)“字符串格式化工具”而是一個(gè)功能豐富的提示詞構(gòu)建器。我們來(lái)深入看看它的核心用法和設(shè)計(jì)哲學(xué)。4.1 基礎(chǔ)構(gòu)建從字符串到模板對(duì)象最基本的用法是定義一個(gè)包含占位符的字符串模板。from langchain.prompts import PromptTemplate # 定義一個(gè)簡(jiǎn)單的模板 template “””你是一個(gè)專業(yè)的{domain}專家。 請(qǐng)用{style}的風(fēng)格回答以下問(wèn)題 問(wèn)題{question} “”” prompt_template PromptTemplate.from_template(template)這里{domain},{style},{question}就是變量占位符。from_template這個(gè)類(lèi)方法會(huì)自動(dòng)解析字符串提取出所有的變量名。填充模板# 準(zhǔn)備輸入變量 input_variables { “domain”: “機(jī)器學(xué)習(xí)”, “style”: “簡(jiǎn)潔明了”, “question”: “過(guò)擬合有哪些常見(jiàn)的解決方法” } # 生成最終提示詞 final_prompt prompt_template.format(**input_variables) print(final_prompt)輸出你是一個(gè)專業(yè)的機(jī)器學(xué)習(xí)專家。 請(qǐng)用簡(jiǎn)潔明了的風(fēng)格回答以下問(wèn)題 問(wèn)題過(guò)擬合有哪些常見(jiàn)的解決方法注意PromptTemplate會(huì)驗(yàn)證你傳入的input_variables字典是否包含了模板中定義的所有變量除非變量有默認(rèn)值如果缺少會(huì)拋出KeyError。這是一個(gè)很好的安全特性避免了生成殘缺的提示。4.2 模板語(yǔ)法進(jìn)階不止是{variable}LangChain 的模板語(yǔ)法支持更多功能使其更加強(qiáng)大。1. 默認(rèn)值這是處理可選變量的利器。比如我們想提供一個(gè)“語(yǔ)言”變量但大部分情況下用戶可能不指定我們希望默認(rèn)為中文。template “””請(qǐng)將以下文本翻譯成{language}。 文本{text} “”” # 在初始化時(shí)指定默認(rèn)值 prompt_template PromptTemplate.from_template( template, partial_variables{“l(fā)anguage”: “中文”} # 為 language 設(shè)置默認(rèn)值 ) # 調(diào)用時(shí)可以不傳 language prompt1 prompt_template.format(text“Hello, world!”) print(prompt1) # 語(yǔ)言默認(rèn)為“中文” # 調(diào)用時(shí)也可以覆蓋默認(rèn)值 prompt2 prompt_template.format(text“Hello, world!”, language“法語(yǔ)”) print(prompt2) # 語(yǔ)言被覆蓋為“法語(yǔ)”2. 少樣本提示模板FewShotPromptTemplate是PromptTemplate的擴(kuò)展專門(mén)用于構(gòu)建包含示例的提示。這是提示工程中提升模型表現(xiàn)的關(guān)鍵技術(shù)之一。from langchain.prompts import FewShotPromptTemplate, PromptTemplate # 1. 首先定義單個(gè)示例的模板 example_template “”” 輸入{input} 輸出{output} “”” example_prompt PromptTemplate.from_template(example_template) # 2. 準(zhǔn)備示例列表 examples [ {“input”: “今天天氣真好” “output”: “是的陽(yáng)光明媚適合外出?！眪, {“input”: “我有點(diǎn)難過(guò)” “output”: “聽(tīng)到你這么說(shuō)我很難過(guò)想聊聊發(fā)生了什么嗎”}, ] # 3. 定義整體的少樣本提示模板 few_shot_template FewShotPromptTemplate( examplesexamples, # 示例列表 example_promptexample_prompt, # 每個(gè)示例的格式模板 prefix“你是一個(gè)情感支持助手。請(qǐng)根據(jù)以下示例回應(yīng)用戶的話。”, # 前綴指令 suffix“輸入{user_input}\n輸出”, # 后綴包含最終用戶輸入的變量 input_variables[“user_input”], # 最終模板需要的變量除了examples example_separator“\n\n” # 示例之間的分隔符 ) # 4. 使用 result few_shot_template.format(user_input“這個(gè)任務(wù)太難了。”) print(result)輸出會(huì)清晰地展示兩個(gè)示例然后是當(dāng)前用戶的輸入模型通過(guò)學(xué)習(xí)示例中的模式和風(fēng)格來(lái)生成回復(fù)。這種方式比在純文本中描述“請(qǐng)用支持性的語(yǔ)氣回答”要有效得多。3. 模板組合與鏈?zhǔn)秸{(diào)用這才是 LangChain 發(fā)揮威力的地方。PromptTemplate可以很容易地與其他組件如LLMChain,OutputParser連接起來(lái)形成可執(zhí)行的“鏈”。from langchain.chains import LLMChain from langchain_openai import ChatOpenAI # 假設(shè)使用 OpenAI 模型 from langchain.prompts import ChatPromptTemplate, HumanMessagePromptTemplate from langchain.schema import SystemMessage # 構(gòu)建一個(gè)更復(fù)雜的聊天提示模板使用消息列表 system_template “你是一個(gè){speaker}你的性格特點(diǎn)是{character}。” system_message_prompt SystemMessagePromptTemplate.from_template(system_template) human_template “{text}” human_message_prompt HumanMessagePromptTemplate.from_template(human_template) # 組合成一個(gè)聊天提示模板 chat_prompt ChatPromptTemplate.from_messages( [system_message_prompt, human_message_prompt] ) # 創(chuàng)建鏈 llm ChatOpenAI(temperature0.7) chain LLMChain(llmllm, promptchat_prompt) # 運(yùn)行鏈 response chain.run({ “speaker”: “莎士比亞風(fēng)格的詩(shī)人”, “character”: “用詞華麗充滿比喻和十四行詩(shī)的韻律感”, “text”: “寫(xiě)一首關(guān)于咖啡的短詩(shī)” }) print(response)這種組合方式讓你能構(gòu)建極其復(fù)雜和靈活的對(duì)話流程例如包含系統(tǒng)指令、上下文歷史、工具調(diào)用結(jié)果和當(dāng)前用戶查詢的 RAG 應(yīng)用提示。5. 實(shí)戰(zhàn)構(gòu)建一個(gè)可復(fù)用的提示模板系統(tǒng)了解了基礎(chǔ)組件后我們從一個(gè)更高的視角看如何在一個(gè)真實(shí)項(xiàng)目中設(shè)計(jì)和組織你的提示模板。這里分享一套我經(jīng)過(guò)多個(gè)項(xiàng)目總結(jié)出的實(shí)踐方法。5.1 按功能模塊化組織模板不要把所有提示模板都堆在一個(gè)文件里。建議按業(yè)務(wù)功能或提示類(lèi)型進(jìn)行劃分prompts/chat/存放通用聊天、角色扮演相關(guān)模板。prompts/summarization/存放各種摘要任務(wù)模板文章摘要、會(huì)議紀(jì)要、長(zhǎng)文本總結(jié)。prompts/rag/存放檢索增強(qiáng)生成相關(guān)的模板上下文壓縮、重寫(xiě)、答案生成。prompts/code/存放代碼生成、解釋、調(diào)試相關(guān)模板。prompts/generic/存放基礎(chǔ)、通用的模板。每個(gè)模板文件如prompts/rag/answer_generation.py里可以用字典或類(lèi)來(lái)管理一組相關(guān)模板。# prompts/rag/answer_generation.py from langchain.prompts import PromptTemplate ANSWER_PROMPT { “basic”: PromptTemplate.from_template( “””基于以下上下文信息回答問(wèn)題。如果你不知道答案就說(shuō)不知道不要編造。 上下文 {context} 問(wèn)題{question} 答案“”” ), “with_citation”: PromptTemplate.from_template( “””基于以下上下文信息回答問(wèn)題并在答案中引用相關(guān)原文用【】標(biāo)注。 上下文 {context} 問(wèn)題{question} 答案“”” ), } # 在業(yè)務(wù)代碼中引用 from prompts.rag import answer_generation prompt answer_generation.ANSWER_PROMPT[“with_citation”]5.2 設(shè)計(jì)模板時(shí)的核心考量點(diǎn)指令清晰度給模型的指令必須明確、無(wú)歧義。避免使用“處理好一點(diǎn)”、“用專業(yè)的方式”這種模糊詞匯。取而代之的是“用不超過(guò)三句話總結(jié)”、“以項(xiàng)目符號(hào)列表形式列出關(guān)鍵點(diǎn)”、“輸出格式為 JSON包含 title 和 summary 兩個(gè)字段”。上下文管理對(duì)于 RAG 應(yīng)用如何將檢索到的上下文 (context) 嵌入提示是關(guān)鍵。上下文太長(zhǎng)會(huì)浪費(fèi) Token 并可能分散模型注意力太短可能信息不足。常見(jiàn)的策略有簡(jiǎn)單拼接直接附在提示后。適用于上下文較短的情況。指令強(qiáng)調(diào)用“### 上下文 ###”等明顯標(biāo)記分隔并加上“請(qǐng)嚴(yán)格基于以上上下文回答”的指令。Map-Reduce對(duì)于超長(zhǎng)上下文先對(duì)多個(gè)片段分別生成答案或摘要再合并。這需要更復(fù)雜的模板鏈。輸出格式控制強(qiáng)烈建議在模板中明確指定輸出格式。這對(duì)于后續(xù)的程序化處理至關(guān)重要。template “””... 請(qǐng)將分析結(jié)果以如下 JSON 格式輸出 {{ “risk_level”: “高/中/低”, “reasons”: [“原因1”, “原因2”], “suggestion”: “你的建議” }} 確保只輸出 JSON不要有其他任何文字?！啊薄迸浜?LangChain 的OutputParser如PydanticOutputParser可以自動(dòng)將模型輸出解析成結(jié)構(gòu)化數(shù)據(jù)。角色與人格設(shè)定通過(guò)system_message或提示前綴設(shè)定模型的角色能顯著改變其輸出風(fēng)格和傾向。例如“你是一個(gè)嚴(yán)謹(jǐn)?shù)目茖W(xué)家”和“你是一個(gè)風(fēng)趣的脫口秀演員”對(duì)同一問(wèn)題的回答會(huì)截然不同。5.3 模板版本化與 A/B 測(cè)試提示模板本身也是重要的“代碼”需要版本管理。當(dāng)你想優(yōu)化一個(gè)提示時(shí)不要直接覆蓋原模板而是創(chuàng)建一個(gè)新版本。# prompts/v1/summarizer.py PROMPT_V1 “總結(jié)以下文本{text}” # prompts/v2/summarizer.py PROMPT_V2 “””請(qǐng)扮演編輯的角色為以下文章撰寫(xiě)一個(gè)吸引人的摘要要求突出核心觀點(diǎn)并在80字以內(nèi)。 文章{text} 摘要“””然后你可以在系統(tǒng)中通過(guò)配置或功能開(kāi)關(guān)讓一部分流量使用V1另一部分使用V2對(duì)比兩者的效果如摘要質(zhì)量評(píng)分、用戶滿意度用數(shù)據(jù)驅(qū)動(dòng)決策。這個(gè)過(guò)程就是提示詞的 A/B 測(cè)試。6. 常見(jiàn)陷阱與效能優(yōu)化指南即使使用了模板也可能會(huì)踩坑。下面是一些我親身經(jīng)歷或觀察到的常見(jiàn)問(wèn)題及其解決方案。6.1 陷阱一變量注入導(dǎo)致提示變形問(wèn)題當(dāng)動(dòng)態(tài)變量?jī)?nèi)容包含引號(hào)、換行符或與模板語(yǔ)法沖突的字符時(shí)可能會(huì)破壞提示的整體結(jié)構(gòu)。user_input ‘我說(shuō)“你好嗎”’ # 包含雙引號(hào) template “用戶說(shuō){input}” # 格式化后可能引起混淆解決方案對(duì)于簡(jiǎn)單情況確保變量?jī)?nèi)容已做適當(dāng)?shù)霓D(zhuǎn)義或清理。更穩(wěn)健的做法是使用 LangChain 的ChatPromptTemplate和消息對(duì)象SystemMessage,HumanMessage,AIMessage它們以結(jié)構(gòu)化的方式管理內(nèi)容天然避免了字符串拼接問(wèn)題。在模板設(shè)計(jì)時(shí)考慮使用更明確的分隔符例如### 用戶輸入 ###\n{input}\n### 結(jié)束 ###。6.2 陷阱二Token 超限與成本失控問(wèn)題模板本身可能很簡(jiǎn)潔但注入的變量尤其是context可能非常長(zhǎng)導(dǎo)致每次調(diào)用都消耗大量 Token成本高昂且可能觸發(fā)模型上下文長(zhǎng)度限制。解決方案上下文壓縮/摘要在將長(zhǎng)文本作為context注入前先使用另一個(gè) LLM 調(diào)用對(duì)其進(jìn)行摘要僅保留關(guān)鍵信息。LangChain 的ContextualCompressionRetriever就是干這個(gè)的。分而治之采用 Map-Reduce 方法。將長(zhǎng)文檔拆分成塊對(duì)每個(gè)塊用模板生成部分答案再用一個(gè)總結(jié)模板合并所有部分答案。設(shè)定預(yù)算在代碼層面計(jì)算提示詞的近似 Token 數(shù)例如使用tiktoken庫(kù) for OpenAI如果超過(guò)閾值則觸發(fā)壓縮流程或直接拒絕。6.3 陷阱三模板過(guò)于僵化缺乏靈活性問(wèn)題為每個(gè)細(xì)微變化都創(chuàng)建新模板導(dǎo)致模板數(shù)量爆炸難以管理。解決方案參數(shù)化配置將可配置項(xiàng)作為模板變量。例如一個(gè)摘要模板可以包含summary_length“用一句話總結(jié)”/“用三段話總結(jié)”和target_audience“面向?qū)＜摇?“面向小學(xué)生”等變量。模板組合將提示拆解成更小的、可復(fù)用的部分如system_prompt_part,instruction_part,format_part然后在運(yùn)行時(shí)按需組合。這比維護(hù)無(wú)數(shù)個(gè)完整模板要靈活得多。6.4 陷阱四忽視少樣本示例的質(zhì)量和代表性問(wèn)題在少樣本提示中隨意挑選幾個(gè)示例導(dǎo)致模型學(xué)到了錯(cuò)誤的模式或偏見(jiàn)。解決方案精心設(shè)計(jì)示例示例應(yīng)清晰、正確并覆蓋預(yù)期任務(wù)的各種邊界情況。示例數(shù)量通常 2-5 個(gè)高質(zhì)量示例比 10 個(gè)普通示例更有效。太多示例會(huì)不必要地增加 Token 消耗和成本。動(dòng)態(tài)示例選擇根據(jù)當(dāng)前用戶輸入從示例庫(kù)中動(dòng)態(tài)選擇最相關(guān)的幾個(gè)示例而不是固定使用同一組。這被稱為動(dòng)態(tài)少樣本提示能顯著提升效果。6.5 效能優(yōu)化技巧模板預(yù)熱對(duì)于高頻使用的模板可以在服務(wù)啟動(dòng)時(shí)提前實(shí)例化好PromptTemplate對(duì)象避免每次請(qǐng)求時(shí)重復(fù)解析字符串。緩存生成結(jié)果如果某些提示組合特別是帶有固定上下文或示例的會(huì)被重復(fù)使用可以考慮緩存format后的完整提示字符串。異步批量處理當(dāng)需要為大量數(shù)據(jù)項(xiàng)應(yīng)用同一模板時(shí)例如批量生成產(chǎn)品描述使用異步并發(fā)來(lái)調(diào)用 LLM可以極大提升吞吐量。確保你的模板和鏈支持異步操作。7. 超越 LangChain模板設(shè)計(jì)的通用思想雖然我們以 LangChain 為例但提示模板的思想是通用的即使你在其他框架或直接使用 API。核心思想始終是分離、抽象、復(fù)用。在Dify、FastChat或其他 AI 應(yīng)用平臺(tái)中它們通常提供了可視化的提示詞編排界面其底層邏輯依然是模板化。如果你直接調(diào)用OpenAI API你可以自己構(gòu)建一個(gè)輕量級(jí)的模板管理系統(tǒng)class SimplePromptManager: def __init__(self): self.templates {} def register(self, name, template_str, default_varsNone): self.templates[name] { “template”: template_str, “defaults”: default_vars or {} } def format(self, name, **kwargs): tpl_info self.templates[name] # 合并默認(rèn)值和傳入值 all_vars {**tpl_info[“defaults”], **kwargs} # 簡(jiǎn)單的格式化可替換為更安全的實(shí)現(xiàn) return tpl_info[“template”].format(**all_vars) manager SimplePromptManager() manager.register(“greeting”, “Hello, {name}! Welcome to {place}.“, {“place”: “our platform”}) print(manager.format(“greeting”, name“Alice”)) # Hello, Alice! Welcome to our platform.最終評(píng)判一個(gè)提示模板系統(tǒng)好壞的唯一標(biāo)準(zhǔn)是它是否讓你的提示詞更易于管理、迭代和優(yōu)化從而穩(wěn)定、高效地獲得你期望的模型輸出?；〞r(shí)間設(shè)計(jì)一個(gè)好的模板系統(tǒng)在項(xiàng)目后期會(huì)為你節(jié)省數(shù)十倍于此刻的調(diào)試和重構(gòu)時(shí)間。當(dāng)你的同事能輕松理解并復(fù)用你定義的SUMMARY_V3模板時(shí)你就知道這筆投資是值得的。 提示模板：大語(yǔ)言模型應(yīng)用開(kāi)發(fā)中的工程化實(shí)踐與LangChain實(shí)現(xiàn)
1. 項(xiàng)目概述為什么我們需要提示模板如果你已經(jīng)開(kāi)始接觸大語(yǔ)言模型的應(yīng)用開(kāi)發(fā)無(wú)論是用 LangChain 還是直接調(diào)用 OpenAI 的 API大概率都寫(xiě)過(guò)類(lèi)似這樣的代碼prompt f請(qǐng)根據(jù)以下用戶輸入生成一段友好的回復(fù)。 用戶輸入{user_input} 請(qǐng)確?；貜?fù)的語(yǔ)氣熱情且專業(yè)?？雌饋?lái)很簡(jiǎn)單對(duì)吧但隨著項(xiàng)目復(fù)雜度的提升你會(huì)發(fā)現(xiàn)事情開(kāi)始變得棘手。昨天產(chǎn)品經(jīng)理說(shuō)要在回復(fù)前加上當(dāng)前日期今天測(cè)試同學(xué)反饋說(shuō)某些場(chǎng)景下需要引用歷史對(duì)話明天老板又要求支持多語(yǔ)言切換……很快你那原本清晰的代碼就會(huì)變成一堆令人頭疼的字符串拼接和條件判斷。這就是“提示工程基礎(chǔ)”中Prompt Templates要解決的核心問(wèn)題。它不是一個(gè)炫酷的新算法而是一個(gè)樸素卻至關(guān)重要的工程實(shí)踐將提示詞的結(jié)構(gòu)與內(nèi)容分離。簡(jiǎn)單說(shuō)就是把那些固定不變的框架比如指令、格式要求、示例和動(dòng)態(tài)變化的部分用戶輸入、查詢結(jié)果、當(dāng)前日期拆分開(kāi)來(lái)。我見(jiàn)過(guò)太多項(xiàng)目初期因?yàn)楹鲆曔@一點(diǎn)導(dǎo)致后期提示詞維護(hù)成本指數(shù)級(jí)上升最終不得不重構(gòu)。一個(gè)設(shè)計(jì)良好的提示模板就像是給大語(yǔ)言模型準(zhǔn)備的“填空題”試卷。試卷的題目和答題規(guī)范是固定的而每次需要填入的空格內(nèi)容則根據(jù)實(shí)際情況變化。這樣做的好處顯而易見(jiàn)提升一致性、便于維護(hù)、支持復(fù)用并且能系統(tǒng)化地優(yōu)化提示效果。無(wú)論是構(gòu)建一個(gè)簡(jiǎn)單的問(wèn)答機(jī)器人還是設(shè)計(jì)復(fù)雜的多步推理智能體提示模板都是構(gòu)建可靠、可擴(kuò)展應(yīng)用的地基。2. 核心需求解析從字符串拼接走向工程化在深入技術(shù)細(xì)節(jié)前我們先拆解一下在實(shí)際開(kāi)發(fā)中一個(gè)原始的提示字符串會(huì)遇到哪些具體的“痛點(diǎn)”。理解了這些你才能明白模板化不是“可有可無(wú)”而是“勢(shì)在必行”。2.1 維護(hù)噩夢(mèng)一處改動(dòng)處處搜索假設(shè)你的應(yīng)用里有十幾個(gè)地方都用到了類(lèi)似的歡迎語(yǔ)提示?，F(xiàn)在需要把“你好”統(tǒng)一改成“您好”。如果沒(méi)有模板你就得在代碼庫(kù)里全局搜索所有包含“你好”的字符串逐一檢查、修改、測(cè)試。這個(gè)過(guò)程極易出錯(cuò)可能漏掉某個(gè)偏僻的文件或者誤改了其他業(yè)務(wù)邏輯中的“你好”。而使用模板后你只需要在一個(gè)地方模板定義處修改這個(gè)變量所有使用該模板的地方都會(huì)自動(dòng)生效。這本質(zhì)上是軟件開(kāi)發(fā)中“Don‘t Repeat Yourself”原則在提示詞領(lǐng)域的體現(xiàn)。2.2 動(dòng)態(tài)內(nèi)容注入的混亂當(dāng)提示需要嵌入變量時(shí)字符串格式化f-string或.format()是常見(jiàn)做法。但變量一多提示文本就會(huì)變得支離破碎可讀性急劇下降。# 混亂的示例 prompt f系統(tǒng)角色{system_role}。 請(qǐng)參考以下上下文{context}。 回答用戶關(guān)于{query_topic}的問(wèn)題{user_question}。 歷史記錄{history}。 請(qǐng)用{language}回答并引用{source_name}中的觀點(diǎn)。這段代碼不僅難以閱讀而且當(dāng)context或history變量為空時(shí)提示中可能會(huì)留下尷尬的空白或殘缺的句子結(jié)構(gòu)影響模型理解。模板系統(tǒng)可以更優(yōu)雅地處理可選變量和默認(rèn)值。3. 動(dòng)態(tài)內(nèi)容注入的混亂當(dāng)提示需要嵌入變量時(shí)字符串格式化f-string或.format()是常見(jiàn)做法。但變量一多提示文本就會(huì)變得支離破碎可讀性急劇下降。# 混亂的示例 prompt f系統(tǒng)角色{system_role}。 請(qǐng)參考以下上下文{context}。 回答用戶關(guān)于{query_topic}的問(wèn)題{user_question}。 歷史記錄{history}。 請(qǐng)用{language}回答并引用{source_name}中的觀點(diǎn)。這段代碼不僅難以閱讀而且當(dāng)context或history變量為空時(shí)提示中可能會(huì)留下尷尬的空白或殘缺的句子結(jié)構(gòu)影響模型理解。模板系統(tǒng)可以更優(yōu)雅地處理可選變量和默認(rèn)值。3.1 缺乏結(jié)構(gòu)和類(lèi)型校驗(yàn)純字符串無(wú)法對(duì)注入的內(nèi)容做任何約束。如果你期望max_words變量是一個(gè)數(shù)字但傳入了一個(gè)字符串錯(cuò)誤可能要到模型返回了奇怪的結(jié)果時(shí)才會(huì)被發(fā)現(xiàn)。模板系統(tǒng)可以在填充階段就進(jìn)行初步的類(lèi)型檢查或格式化提前規(guī)避一類(lèi)問(wèn)題。3.2 難以實(shí)現(xiàn)高級(jí)模式一些高級(jí)提示技巧如少樣本提示需要在提示中包含多個(gè)結(jié)構(gòu)化的輸入-輸出對(duì)。用純手工拼接來(lái)管理這些示例非常繁瑣。而模板可以輕松地將示例列表作為一個(gè)整體變量進(jìn)行管理和渲染甚至可以從外部文件加載示例?；谶@些痛點(diǎn)我們可以總結(jié)出對(duì)提示模板系統(tǒng)的核心需求變量管理支持定義變量并能從外部傳入值進(jìn)行填充。結(jié)構(gòu)封裝將固定的提示結(jié)構(gòu)和指令封裝起來(lái)保持代碼整潔。可復(fù)用性一次定義多處使用?？删S護(hù)性修改模板定義所有使用點(diǎn)同步更新?？蛇x變量與默認(rèn)值優(yōu)雅處理某些場(chǎng)景下可能缺失的變量。類(lèi)型與格式控制對(duì)輸入變量進(jìn)行簡(jiǎn)單的預(yù)處理或校驗(yàn)。支持復(fù)雜結(jié)構(gòu)能夠方便地嵌入列表、字典等結(jié)構(gòu)以支持少樣本示例等模式。4. LangChain PromptTemplate 深度拆解LangChain 的PromptTemplate類(lèi)是實(shí)踐上述理念的一個(gè)優(yōu)秀工具。它遠(yuǎn)不止是一個(gè)“字符串格式化工具”而是一個(gè)功能豐富的提示詞構(gòu)建器。我們來(lái)深入看看它的核心用法和設(shè)計(jì)哲學(xué)。4.1 基礎(chǔ)構(gòu)建從字符串到模板對(duì)象最基本的用法是定義一個(gè)包含占位符的字符串模板。from langchain.prompts import PromptTemplate # 定義一個(gè)簡(jiǎn)單的模板 template “””你是一個(gè)專業(yè)的{domain}專家。 請(qǐng)用{style}的風(fēng)格回答以下問(wèn)題 問(wèn)題{question} “”” prompt_template PromptTemplate.from_template(template)這里{domain},{style},{question}就是變量占位符。from_template這個(gè)類(lèi)方法會(huì)自動(dòng)解析字符串提取出所有的變量名。填充模板# 準(zhǔn)備輸入變量 input_variables { “domain”: “機(jī)器學(xué)習(xí)”, “style”: “簡(jiǎn)潔明了”, “question”: “過(guò)擬合有哪些常見(jiàn)的解決方法” } # 生成最終提示詞 final_prompt prompt_template.format(**input_variables) print(final_prompt)輸出你是一個(gè)專業(yè)的機(jī)器學(xué)習(xí)專家。 請(qǐng)用簡(jiǎn)潔明了的風(fēng)格回答以下問(wèn)題 問(wèn)題過(guò)擬合有哪些常見(jiàn)的解決方法注意PromptTemplate會(huì)驗(yàn)證你傳入的input_variables字典是否包含了模板中定義的所有變量除非變量有默認(rèn)值如果缺少會(huì)拋出KeyError。這是一個(gè)很好的安全特性避免了生成殘缺的提示。4.2 模板語(yǔ)法進(jìn)階不止是{variable}LangChain 的模板語(yǔ)法支持更多功能使其更加強(qiáng)大。1. 默認(rèn)值這是處理可選變量的利器。比如我們想提供一個(gè)“語(yǔ)言”變量但大部分情況下用戶可能不指定我們希望默認(rèn)為中文。template “””請(qǐng)將以下文本翻譯成{language}。 文本{text} “”” # 在初始化時(shí)指定默認(rèn)值 prompt_template PromptTemplate.from_template( template, partial_variables{“l(fā)anguage”: “中文”} # 為 language 設(shè)置默認(rèn)值 ) # 調(diào)用時(shí)可以不傳 language prompt1 prompt_template.format(text“Hello, world!”) print(prompt1) # 語(yǔ)言默認(rèn)為“中文” # 調(diào)用時(shí)也可以覆蓋默認(rèn)值 prompt2 prompt_template.format(text“Hello, world!”, language“法語(yǔ)”) print(prompt2) # 語(yǔ)言被覆蓋為“法語(yǔ)”2. 少樣本提示模板FewShotPromptTemplate是PromptTemplate的擴(kuò)展專門(mén)用于構(gòu)建包含示例的提示。這是提示工程中提升模型表現(xiàn)的關(guān)鍵技術(shù)之一。from langchain.prompts import FewShotPromptTemplate, PromptTemplate # 1. 首先定義單個(gè)示例的模板 example_template “”” 輸入{input} 輸出{output} “”” example_prompt PromptTemplate.from_template(example_template) # 2. 準(zhǔn)備示例列表 examples [ {“input”: “今天天氣真好” “output”: “是的陽(yáng)光明媚適合外出?！眪, {“input”: “我有點(diǎn)難過(guò)” “output”: “聽(tīng)到你這么說(shuō)我很難過(guò)想聊聊發(fā)生了什么嗎”}, ] # 3. 定義整體的少樣本提示模板 few_shot_template FewShotPromptTemplate( examplesexamples, # 示例列表 example_promptexample_prompt, # 每個(gè)示例的格式模板 prefix“你是一個(gè)情感支持助手。請(qǐng)根據(jù)以下示例回應(yīng)用戶的話。”, # 前綴指令 suffix“輸入{user_input}\n輸出”, # 后綴包含最終用戶輸入的變量 input_variables[“user_input”], # 最終模板需要的變量除了examples example_separator“\n\n” # 示例之間的分隔符 ) # 4. 使用 result few_shot_template.format(user_input“這個(gè)任務(wù)太難了。”) print(result)輸出會(huì)清晰地展示兩個(gè)示例然后是當(dāng)前用戶的輸入模型通過(guò)學(xué)習(xí)示例中的模式和風(fēng)格來(lái)生成回復(fù)。這種方式比在純文本中描述“請(qǐng)用支持性的語(yǔ)氣回答”要有效得多。3. 模板組合與鏈?zhǔn)秸{(diào)用這才是 LangChain 發(fā)揮威力的地方。PromptTemplate可以很容易地與其他組件如LLMChain,OutputParser連接起來(lái)形成可執(zhí)行的“鏈”。from langchain.chains import LLMChain from langchain_openai import ChatOpenAI # 假設(shè)使用 OpenAI 模型 from langchain.prompts import ChatPromptTemplate, HumanMessagePromptTemplate from langchain.schema import SystemMessage # 構(gòu)建一個(gè)更復(fù)雜的聊天提示模板使用消息列表 system_template “你是一個(gè){speaker}你的性格特點(diǎn)是{character}。” system_message_prompt SystemMessagePromptTemplate.from_template(system_template) human_template “{text}” human_message_prompt HumanMessagePromptTemplate.from_template(human_template) # 組合成一個(gè)聊天提示模板 chat_prompt ChatPromptTemplate.from_messages( [system_message_prompt, human_message_prompt] ) # 創(chuàng)建鏈 llm ChatOpenAI(temperature0.7) chain LLMChain(llmllm, promptchat_prompt) # 運(yùn)行鏈 response chain.run({ “speaker”: “莎士比亞風(fēng)格的詩(shī)人”, “character”: “用詞華麗充滿比喻和十四行詩(shī)的韻律感”, “text”: “寫(xiě)一首關(guān)于咖啡的短詩(shī)” }) print(response)這種組合方式讓你能構(gòu)建極其復(fù)雜和靈活的對(duì)話流程例如包含系統(tǒng)指令、上下文歷史、工具調(diào)用結(jié)果和當(dāng)前用戶查詢的 RAG 應(yīng)用提示。5. 實(shí)戰(zhàn)構(gòu)建一個(gè)可復(fù)用的提示模板系統(tǒng)了解了基礎(chǔ)組件后我們從一個(gè)更高的視角看如何在一個(gè)真實(shí)項(xiàng)目中設(shè)計(jì)和組織你的提示模板。這里分享一套我經(jīng)過(guò)多個(gè)項(xiàng)目總結(jié)出的實(shí)踐方法。5.1 按功能模塊化組織模板不要把所有提示模板都堆在一個(gè)文件里。建議按業(yè)務(wù)功能或提示類(lèi)型進(jìn)行劃分prompts/chat/存放通用聊天、角色扮演相關(guān)模板。prompts/summarization/存放各種摘要任務(wù)模板文章摘要、會(huì)議紀(jì)要、長(zhǎng)文本總結(jié)。prompts/rag/存放檢索增強(qiáng)生成相關(guān)的模板上下文壓縮、重寫(xiě)、答案生成。prompts/code/存放代碼生成、解釋、調(diào)試相關(guān)模板。prompts/generic/存放基礎(chǔ)、通用的模板。每個(gè)模板文件如prompts/rag/answer_generation.py里可以用字典或類(lèi)來(lái)管理一組相關(guān)模板。# prompts/rag/answer_generation.py from langchain.prompts import PromptTemplate ANSWER_PROMPT { “basic”: PromptTemplate.from_template( “””基于以下上下文信息回答問(wèn)題。如果你不知道答案就說(shuō)不知道不要編造。 上下文 {context} 問(wèn)題{question} 答案“”” ), “with_citation”: PromptTemplate.from_template( “””基于以下上下文信息回答問(wèn)題并在答案中引用相關(guān)原文用【】標(biāo)注。 上下文 {context} 問(wèn)題{question} 答案“”” ), } # 在業(yè)務(wù)代碼中引用 from prompts.rag import answer_generation prompt answer_generation.ANSWER_PROMPT[“with_citation”]5.2 設(shè)計(jì)模板時(shí)的核心考量點(diǎn)指令清晰度給模型的指令必須明確、無(wú)歧義。避免使用“處理好一點(diǎn)”、“用專業(yè)的方式”這種模糊詞匯。取而代之的是“用不超過(guò)三句話總結(jié)”、“以項(xiàng)目符號(hào)列表形式列出關(guān)鍵點(diǎn)”、“輸出格式為 JSON包含 title 和 summary 兩個(gè)字段”。上下文管理對(duì)于 RAG 應(yīng)用如何將檢索到的上下文 (context) 嵌入提示是關(guān)鍵。上下文太長(zhǎng)會(huì)浪費(fèi) Token 并可能分散模型注意力太短可能信息不足。常見(jiàn)的策略有簡(jiǎn)單拼接直接附在提示后。適用于上下文較短的情況。指令強(qiáng)調(diào)用“### 上下文 ###”等明顯標(biāo)記分隔并加上“請(qǐng)嚴(yán)格基于以上上下文回答”的指令。Map-Reduce對(duì)于超長(zhǎng)上下文先對(duì)多個(gè)片段分別生成答案或摘要再合并。這需要更復(fù)雜的模板鏈。輸出格式控制強(qiáng)烈建議在模板中明確指定輸出格式。這對(duì)于后續(xù)的程序化處理至關(guān)重要。template “””... 請(qǐng)將分析結(jié)果以如下 JSON 格式輸出 {{ “risk_level”: “高/中/低”, “reasons”: [“原因1”, “原因2”], “suggestion”: “你的建議” }} 確保只輸出 JSON不要有其他任何文字?！啊薄迸浜?LangChain 的OutputParser如PydanticOutputParser可以自動(dòng)將模型輸出解析成結(jié)構(gòu)化數(shù)據(jù)。角色與人格設(shè)定通過(guò)system_message或提示前綴設(shè)定模型的角色能顯著改變其輸出風(fēng)格和傾向。例如“你是一個(gè)嚴(yán)謹(jǐn)?shù)目茖W(xué)家”和“你是一個(gè)風(fēng)趣的脫口秀演員”對(duì)同一問(wèn)題的回答會(huì)截然不同。5.3 模板版本化與 A/B 測(cè)試提示模板本身也是重要的“代碼”需要版本管理。當(dāng)你想優(yōu)化一個(gè)提示時(shí)不要直接覆蓋原模板而是創(chuàng)建一個(gè)新版本。# prompts/v1/summarizer.py PROMPT_V1 “總結(jié)以下文本{text}” # prompts/v2/summarizer.py PROMPT_V2 “””請(qǐng)扮演編輯的角色為以下文章撰寫(xiě)一個(gè)吸引人的摘要要求突出核心觀點(diǎn)并在80字以內(nèi)。 文章{text} 摘要“””然后你可以在系統(tǒng)中通過(guò)配置或功能開(kāi)關(guān)讓一部分流量使用V1另一部分使用V2對(duì)比兩者的效果如摘要質(zhì)量評(píng)分、用戶滿意度用數(shù)據(jù)驅(qū)動(dòng)決策。這個(gè)過(guò)程就是提示詞的 A/B 測(cè)試。6. 常見(jiàn)陷阱與效能優(yōu)化指南即使使用了模板也可能會(huì)踩坑。下面是一些我親身經(jīng)歷或觀察到的常見(jiàn)問(wèn)題及其解決方案。6.1 陷阱一變量注入導(dǎo)致提示變形問(wèn)題當(dāng)動(dòng)態(tài)變量?jī)?nèi)容包含引號(hào)、換行符或與模板語(yǔ)法沖突的字符時(shí)可能會(huì)破壞提示的整體結(jié)構(gòu)。user_input ‘我說(shuō)“你好嗎”’ # 包含雙引號(hào) template “用戶說(shuō){input}” # 格式化后可能引起混淆解決方案對(duì)于簡(jiǎn)單情況確保變量?jī)?nèi)容已做適當(dāng)?shù)霓D(zhuǎn)義或清理。更穩(wěn)健的做法是使用 LangChain 的ChatPromptTemplate和消息對(duì)象SystemMessage,HumanMessage,AIMessage它們以結(jié)構(gòu)化的方式管理內(nèi)容天然避免了字符串拼接問(wèn)題。在模板設(shè)計(jì)時(shí)考慮使用更明確的分隔符例如### 用戶輸入 ###\n{input}\n### 結(jié)束 ###。6.2 陷阱二Token 超限與成本失控問(wèn)題模板本身可能很簡(jiǎn)潔但注入的變量尤其是context可能非常長(zhǎng)導(dǎo)致每次調(diào)用都消耗大量 Token成本高昂且可能觸發(fā)模型上下文長(zhǎng)度限制。解決方案上下文壓縮/摘要在將長(zhǎng)文本作為context注入前先使用另一個(gè) LLM 調(diào)用對(duì)其進(jìn)行摘要僅保留關(guān)鍵信息。LangChain 的ContextualCompressionRetriever就是干這個(gè)的。分而治之采用 Map-Reduce 方法。將長(zhǎng)文檔拆分成塊對(duì)每個(gè)塊用模板生成部分答案再用一個(gè)總結(jié)模板合并所有部分答案。設(shè)定預(yù)算在代碼層面計(jì)算提示詞的近似 Token 數(shù)例如使用tiktoken庫(kù) for OpenAI如果超過(guò)閾值則觸發(fā)壓縮流程或直接拒絕。6.3 陷阱三模板過(guò)于僵化缺乏靈活性問(wèn)題為每個(gè)細(xì)微變化都創(chuàng)建新模板導(dǎo)致模板數(shù)量爆炸難以管理。解決方案參數(shù)化配置將可配置項(xiàng)作為模板變量。例如一個(gè)摘要模板可以包含summary_length“用一句話總結(jié)”/“用三段話總結(jié)”和target_audience“面向?qū)＜摇?“面向小學(xué)生”等變量。模板組合將提示拆解成更小的、可復(fù)用的部分如system_prompt_part,instruction_part,format_part然后在運(yùn)行時(shí)按需組合。這比維護(hù)無(wú)數(shù)個(gè)完整模板要靈活得多。6.4 陷阱四忽視少樣本示例的質(zhì)量和代表性問(wèn)題在少樣本提示中隨意挑選幾個(gè)示例導(dǎo)致模型學(xué)到了錯(cuò)誤的模式或偏見(jiàn)。解決方案精心設(shè)計(jì)示例示例應(yīng)清晰、正確并覆蓋預(yù)期任務(wù)的各種邊界情況。示例數(shù)量通常 2-5 個(gè)高質(zhì)量示例比 10 個(gè)普通示例更有效。太多示例會(huì)不必要地增加 Token 消耗和成本。動(dòng)態(tài)示例選擇根據(jù)當(dāng)前用戶輸入從示例庫(kù)中動(dòng)態(tài)選擇最相關(guān)的幾個(gè)示例而不是固定使用同一組。這被稱為動(dòng)態(tài)少樣本提示能顯著提升效果。6.5 效能優(yōu)化技巧模板預(yù)熱對(duì)于高頻使用的模板可以在服務(wù)啟動(dòng)時(shí)提前實(shí)例化好PromptTemplate對(duì)象避免每次請(qǐng)求時(shí)重復(fù)解析字符串。緩存生成結(jié)果如果某些提示組合特別是帶有固定上下文或示例的會(huì)被重復(fù)使用可以考慮緩存format后的完整提示字符串。異步批量處理當(dāng)需要為大量數(shù)據(jù)項(xiàng)應(yīng)用同一模板時(shí)例如批量生成產(chǎn)品描述使用異步并發(fā)來(lái)調(diào)用 LLM可以極大提升吞吐量。確保你的模板和鏈支持異步操作。7. 超越 LangChain模板設(shè)計(jì)的通用思想雖然我們以 LangChain 為例但提示模板的思想是通用的即使你在其他框架或直接使用 API。核心思想始終是分離、抽象、復(fù)用。在Dify、FastChat或其他 AI 應(yīng)用平臺(tái)中它們通常提供了可視化的提示詞編排界面其底層邏輯依然是模板化。如果你直接調(diào)用OpenAI API你可以自己構(gòu)建一個(gè)輕量級(jí)的模板管理系統(tǒng)class SimplePromptManager: def __init__(self): self.templates {} def register(self, name, template_str, default_varsNone): self.templates[name] { “template”: template_str, “defaults”: default_vars or {} } def format(self, name, **kwargs): tpl_info self.templates[name] # 合并默認(rèn)值和傳入值 all_vars {**tpl_info[“defaults”], **kwargs} # 簡(jiǎn)單的格式化可替換為更安全的實(shí)現(xiàn) return tpl_info[“template”].format(**all_vars) manager SimplePromptManager() manager.register(“greeting”, “Hello, {name}! Welcome to {place}.“, {“place”: “our platform”}) print(manager.format(“greeting”, name“Alice”)) # Hello, Alice! Welcome to our platform.最終評(píng)判一個(gè)提示模板系統(tǒng)好壞的唯一標(biāo)準(zhǔn)是它是否讓你的提示詞更易于管理、迭代和優(yōu)化從而穩(wěn)定、高效地獲得你期望的模型輸出?；〞r(shí)間設(shè)計(jì)一個(gè)好的模板系統(tǒng)在項(xiàng)目后期會(huì)為你節(jié)省數(shù)十倍于此刻的調(diào)試和重構(gòu)時(shí)間。當(dāng)你的同事能輕松理解并復(fù)用你定義的SUMMARY_V3模板時(shí)你就知道這筆投資是值得的。