大模型prompt工程

糖逗

1. 提示工程是什么？
是指在不更新模型权重的情况下，如何与大模型交互以，引导其行为，以获得所需结果的方法。

• 不管是RAG还是Agent智能体，亦或是其它围绕模型的各类复杂的开发工作，本质上都可以简单总结为在提示词上下功夫。
• 提示词优化是所有大模型应用开发的基础必修课，一个好的提示词，甚至能让基础模型的输出效果媲美经过简单微调的模型。
  

2. 提示词技巧

• 详细的描述
• 让模型充当某个角色
• 使用分隔符表明输入的不同部分
  eg：用20个字符总结由三引号分割的文本。"""在此插入文本"""
• 对任务指定步骤
• 提供例子
• 使用参考文本：基于文本文档，辅助大模型问答，降低模型“幻觉”
  

3. 提示词实战案例

• 整体项目背景
  

1. 
   
2. 提示词工程实战的业务需求是在金融业务内完成:
   
3. 文本分类
   
4. 信息抽取
   
5. 文本匹配
   
6. 共3个任务目标,通过zero-shot、few-shot思想设计提示词完成。
   
7. 
   

复制代码

• 案例1：LLM实现金融文本分类
  

①任务介绍

②Prompt设计

③Prompt代码实战

1. # -*- coding: utf-8 -*-
   
2. """
   
3. Created on Fri Mar  6 21:26:36 2026
   
4. 
   
5. @author: DELL
   
6. """
   
7. 
   
8. from openai import OpenAI
   
9. 
   
10. # 1. 获取client对象，OpenAI类对象
    
11. client = OpenAI(
    
12.     # base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
    
13.     base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
    
14. )
    
15. 
    
16. examples_data = {       # 示例数据
    
17.     '新闻报道': '今日，股市经历了一轮震荡，受到宏观经济数据和全球贸易紧张局势的影响。投资者密切关注美联储可能的政策调整，以适应市场的不确定性。',
    
18.     '财务报告': '本公司年度财务报告显示，去年公司实现了稳步增长的盈利，同时资产负债表呈现强劲的状况。经济环境的稳定和管理层的有效战略执行为公司的健康发展奠定了基础。',
    
19.     '公司公告': '本公司高兴地宣布成功完成最新一轮并购交易，收购了一家在人工智能领域领先的公司。这一战略举措将有助于扩大我们的业务领域，提高市场竞争力',
    
20.     '分析师报告': '最新的行业分析报告指出，科技公司的创新将成为未来增长的主要推动力。云计算、人工智能和数字化转型被认为是引领行业发展的关键因素，投资者应关注这些趋势'
    
21. }
    
22. # 分类列表
    
23. examples_types = ['新闻报道', '财务报道', '公司公告', '分析师报告']
    
24. 
    
25. # 提问数据
    
26. questions = [
    
27.     "今日，央行发布公告宣布降低利率，以刺激经济增长。这一降息举措将影响贷款利率，并在未来几个季度内对金融市场产生影响。",
    
28.     "ABC公司今日发布公告称，已成功完成对XYZ公司股权的收购交易。本次交易是ABC公司在扩大业务范围、加强市场竞争力方面的重要举措。据悉，此次收购将进一步巩固ABC公司在行业中的地位，并为未来业务发展提供更广阔的发展空间。详情请见公司官方网站公告栏",
    
29.     "公司资产负债表显示，公司偿债能力强劲，现金流充足，为未来投资和扩张提供了坚实的财务基础。",
    
30.     "最新的分析报告指出，可再生能源行业预计将在未来几年经历持续增长，投资者应该关注这一领域的投资机会",
    
31.     "小明喜欢小新哟"
    
32. ]
    
33. 
    
34. """
    
35. [
    
36.     {"role": "system",      "content": "你是金融专家，将文本分类为['新闻报道', '财务报道', '公司公告', '分析师报告']，不清楚的分类为'不清楚类别' 下面有示例："},
    
37.      
    
38.     {"role": "user",        "content": "今日，央行发布公告宣布降............."},
    
39.     {"role": "assistant",   "content": "新闻报道"},
    
40.     {"role": "user",        "content": "ABC公司今日发布公告称，已成功完成对XYZ公司股................."},
    
41.     {"role": "assistant",   "content": "财务报告},
    
42.     {"role": "user",        "content": "公司资产负债表显示，公司偿债能力强劲，现金流充足..................."},
    
43.     {"role": "assistant",   "content": "公司公告"},
    
44.     {"role": "user",        "content": "最新的分析报告指出，可再生能源............."},
    
45.     {"role": "assistant",   "content": "分析师报告"},
    
46.    
    
47.     {"role": "user",        "content": "要提问的问题"}
    
48. ]
    
49. """
    
50. 
    
51. messages = [
    
52.     {"role": "system", "content": "你是金融专家，将文本分类为['新闻报道', '财务报道', '公司公告', '分析师报告']，不清楚的分类为'不清楚类别' 下面有示例："},
    
53. ]
    
54. 
    
55. for key, value in examples_data.items():
    
56.     messages.append({"role": "user", "content": value})
    
57.     messages.append({"role": "assistant", "content": key})
    
58. 
    
59. 
    
60. # 向模型提问
    
61. for q in questions:
    
62.     response = client.chat.completions.create(
    
63.         # model="qwen3-max",
    
64.         model="qwen3-max",
    
65.         messages=messages + [{"role": "user", "content": f"按照示例，回答这段文本的分类类别：{q}"}]
    
66.     )
    
67. 
    
68.     print(response.choices[0].message.content)
    

复制代码

糖逗