AI 提示工程实战

AI NetCore

AI 提示工程实战

引言

在 AI 应用开发中，提示词（Prompt） 的质量直接决定了 AI 输出的准确性和实用性。然而，很多开发者在使用大语言模型时，常常遇到以下困境：

❌ AI 的回答不符合预期，需要反复调整
❌ 输出格式混乱，难以解析和使用
❌ 模型理解错误，答非所问
❌ 缺乏系统的优化方法，只能凭感觉调试

本文将基于 Microsoft.Extensions.AI (MEAI) 框架，通过一个真实的铁路票务意图识别案例，带你系统掌握提示工程的核心技巧，从零构建高质量的提示词。

什么是提示工程？

提示工程（Prompt Engineering） 是设计和优化与大语言模型交互的文本指令的艺术与科学。一个好的提示词能够：

✅ 精确传达任务目标
✅ 引导模型生成期望格式的输出
✅ 提供必要的上下文和示例
✅ 避免歧义和误解

提示词的四大基础组件

根据提示工程的最佳实践，一个完整的提示词通常由以下四部分组成：

graph LR
    A[完整提示词] --> B[1. 指令<br/>Instruction]
    A --> C[2. 上下文<br/>Context]
    A --> D[3. 输入<br/>Input]
    A --> E[4. 输出<br/>Output]
    
    B --> B1[明确任务目标]
    C --> C1[提供背景知识]
    D --> D1[描述数据结构]
    E --> E1[定义响应格式]

1. 指令（Instruction）

作用：告诉模型要做什么任务。

// ❌ 不好的指令（模糊）
"分析这段话"

// ✅ 好的指令（明确）
"从用户的输入中识别票务相关意图，判断用户是想购票、退票还是改签"

2. 上下文（Context）

作用：提供背景信息和约束条件。

// ✅ 提供业务上下文
@"你是一个铁路票务系统的智能客服助手。
业务规则：
- 购票需要出发地、目的地、日期
- 退票需要订单号
- 改签需要原订单号和新的出行信息"

3. 输入（Input）

作用：描述输入数据的格式和内容。

// ✅ 明确输入格式
"用户输入: {用户的自然语言查询}"

4. 输出（Output）

作用：定义期望的响应格式。

// ✅ 结构化输出格式
@"以 JSON 格式返回，包含以下字段：
{
  ""intent"": ""购票 | 退票 | 改签 | 其他"",
  ""confidence"": 0.0-1.0,
  ""entities"": { ... }
}"

八大核心提示工程技巧

让我们通过一个真实案例，逐步应用这些技巧来优化提示词。

案例背景：铁路票务意图识别

需求：识别用户的票务意图（购票、退票、改签）并提取关键信息。

示例输入：

“我想买明天从北京到上海的高铁票”
“帮我退掉订单号 12345 的票”
“能不能把后天的车改到大后天”

技巧 1：明确任务边界

原则：清晰定义任务范围，避免模型过度发挥。

// ❌ 版本 1.0：任务不明确
var systemMessage = "你是一个客服助手";

// ✅ 版本 2.0：明确任务范围
var systemMessage = @"你是一个铁路票务意图识别系统。
任务：识别用户意图并提取关键信息。
支持的意图：购票、退票、改签。
不支持的请求请标记为'其他'。";

效果对比：

输入

V1.0 输出

V2.0 输出

“天气怎么样？”

“今天天气很好…” ❌

意图: 其他 ✅

技巧 2：结构化输出

原则：使用 JSON Schema 强制模型返回可解析的数据。

// ❌ 版本 2.0：自由文本输出
var response = await chatClient.GetResponseAsync(messages);
// 输出: "用户想要购买火车票，出发地是北京..."（难以解析）

// ✅ 版本 3.0：结构化输出
public record IntentResult(
    string Intent,           // "购票" | "退票" | "改签" | "其他"
    float Confidence,        // 0.0-1.0
    Dictionary<string, string> Entities  // 提取的实体
);

var response = await chatClient.GetResponseAsync<IntentResult>(messages);
var result = response.Result;  // 强类型对象，直接使用
Console.WriteLine($"意图: {result.Intent}, 置信度: {result.Confidence}");

MEAI 实现：

// 使用 ChatOptions 配置结构化输出
var options = new ChatOptions
{
    ResponseFormat = ChatResponseFormatJson.ForJsonSchema(
        typeof(IntentResult),
        jsonSchemaName: "intent_result"
    )
};

// 或者使用泛型方法（更简洁）
var response = await chatClient.GetResponseAsync<IntentResult>(
    messages, 
    options
);

技巧 3：少样本学习（Few-Shot Learning）

原则：提供 2-5 个示例，让模型理解期望的输入输出模式。

// ✅ 版本 4.0：添加示例
var systemMessage = @"你是一个票务意图识别系统。

示例：
输入: '我想买明天从北京到上海的票'
输出: {
  ""intent"": ""购票"",
  ""confidence"": 0.95,
  ""entities"": {
    ""departure"": ""北京"",
    ""destination"": ""上海"",
    ""date"": ""明天""
  }
}

输入: '帮我退掉订单 12345'
输出: {
  ""intent"": ""退票"",
  ""confidence"": 0.9,
  ""entities"": {
    ""order_id"": ""12345""
  }
}

输入: '天气怎么样'
输出: {
  ""intent"": ""其他"",
  ""confidence"": 0.8,
  ""entities"": {}
}";

示例选择原则：

覆盖所有主要意图类型
包含边界情况（如"其他"类别）
展示理想的输出格式
数量适中（2-5个，避免过多）

技巧 4：角色设定

原则：赋予模型明确的角色和专业领域。

// ❌ 普通角色
"你是一个AI助手"

// ✅ 专业角色
@"你是一个拥有10年经验的铁路票务系统专家。
你熟悉中国铁路的所有业务流程和术语。
你的任务是准确识别用户的票务需求。"

效果：角色设定能让模型更好地理解领域特定的术语和逻辑。

技巧 5：添加业务上下文

原则：提供必要的业务规则和约束条件。

// ✅ 版本 5.0：添加业务规则
var systemMessage = @"你是一个票务意图识别系统。

业务规则：
1. 购票必须包含：出发地、目的地、日期（至少两个）
2. 退票必须包含：订单号或车次信息
3. 改签必须包含：原订单信息 + 新的出行计划
4. 如果信息不完整，在 entities 中标记缺失的字段

支持的日期表达：
- 明天、后天、大后天
- 具体日期（如：12月15日）
- 星期（如：下周一）";

技巧 6：拒答策略

原则：明确告诉模型如何处理无法回答的问题。

// ✅ 版本 6.0：添加拒答策略
var systemMessage = @"...

拒答规则：
1. 对于非票务相关的问题，intent 设为'其他'
2. 对于无法识别的意图，confidence 设为 0.5 以下
3. 不要尝试回答或执行任何票务操作，只做意图识别";

示例：

// 输入: "帮我订一张票"
// ❌ 没有拒答策略：模型可能尝试执行订票操作
// ✅ 有拒答策略：返回 {"intent": "购票", "confidence": 0.4, "note": "信息不完整"}

技巧 7：思维链引导（Chain-of-Thought）

原则：让模型展示推理过程，提高复杂任务的准确性。

// ✅ 版本 7.0：添加推理步骤
var systemMessage = @"分析步骤：
1. 识别关键词（买票、退票、改签、订单号、地名、日期）
2. 判断意图类型
3. 提取实体信息
4. 评估置信度（信息完整度）

示例推理：
输入: '我想把后天的车改到大后天'
步骤1: 关键词 - '改', '后天', '大后天'
步骤2: 意图类型 - 改签
步骤3: 实体 - 原日期(后天), 新日期(大后天)
步骤4: 置信度 - 0.7（缺少车次信息）";

适用场景：

复杂的多步骤推理
需要解释的决策过程
边界情况的判断

技巧 8：选择更强的模型

原则：不同任务需要不同能力的模型。

var options = new ChatOptions
{
    // ❌ 简单任务使用强模型：浪费成本
    ModelId = "gpt-4o",  // 每1M tokens $15
    
    // ✅ 根据任务选择模型
    ModelId = userQuery.IsComplex ? "gpt-4o" : "gpt-3.5-turbo"
};

模型选择指南：

任务复杂度

推荐模型

成本

适用场景

简单

gpt-3.5-turbo

低

意图识别、分类

中等

gpt-4o-mini

中

实体提取、摘要

复杂

gpt-4o

高

复杂推理、代码生成

生成参数调优

除了提示词本身，ChatOptions 中的生成参数也会显著影响输出质量。

关键参数详解

1. Temperature（温度）

作用：控制输出的随机性和创造性。

var options = new ChatOptions
{
    // 值范围: 0.0 - 2.0
    Temperature = 0.7f
};

推荐值：

任务类型

Temperature

原因

意图识别、分类

0.0 - 0.3

需要确定性强的输出

文本生成、摘要

0.5 - 0.7

平衡创造性和一致性

创意写作、头脑风暴

0.8 - 1.2

需要多样性和创造性

示例对比：

// Temperature = 0.0（确定性）
输入: "明天北京到上海"
输出: {"intent": "购票", "confidence": 0.95}  // 每次相同

// Temperature = 1.0（创造性）
输入: "明天北京到上海"
输出1: {"intent": "购票", "confidence": 0.9}
输出2: {"intent": "咨询", "confidence": 0.7}  // 每次可能不同

2. TopP（核采样）

作用：限制模型从累积概率达到 P 的候选词中采样。

var options = new ChatOptions
{
    TopP = 0.9f  // 考虑累积概率前 90% 的词
};

使用建议：

TopP = 1.0：考虑所有可能的词（默认）
TopP = 0.9：适合大多数任务
TopP = 0.5：输出更集中，适合精确任务
不要同时调整 Temperature 和 TopP

3. MaxOutputTokens（最大输出长度）

var options = new ChatOptions
{
    MaxOutputTokens = 500  // 限制输出长度
};

推荐值：

意图识别：200-500
摘要生成：500-1000
文章生成：2000-4000

4. StopSequences（停止序列）

作用：遇到指定文本时停止生成。

var options = new ChatOptions
{
    StopSequences = new[] { "\n\n", "END", "---" }
};

使用场景：

防止模型生成不必要的额外内容
精确控制输出边界

完整实战案例

让我们整合所有技巧，构建一个生产级的意图识别系统：

using Microsoft.Extensions.AI;

// 1. 定义数据模型
public record IntentResult(
    string Intent,
    float Confidence,
    Dictionary<string, string> Entities,
    string? Note = null
);

// 2. 构建优化后的提示词
var systemPrompt = @"你是一个专业的铁路票务意图识别系统。

## 任务
从用户输入中识别票务意图并提取关键信息。

## 支持的意图
- 购票: 需要出发地、目的地、日期
- 退票: 需要订单号或车次信息
- 改签: 需要原订单信息 + 新出行计划
- 其他: 非票务相关的查询

## 分析步骤
1. 识别关键词（地名、日期、订单号等）
2. 判断意图类型
3. 提取实体信息
4. 评估置信度

## 示例
输入: '我想买明天从北京到上海的票'
输出: {
  ""intent"": ""购票"",
  ""confidence"": 0.95,
  ""entities"": {
    ""departure"": ""北京"",
    ""destination"": ""上海"",
    ""date"": ""明天""
  }
}

输入: '天气怎么样'
输出: {
  ""intent"": ""其他"",
  ""confidence"": 0.9,
  ""entities"": {},
  ""note"": ""非票务相关查询""
}

## 规则
- 信息不完整时在 note 中说明
- 对非票务问题返回 intent='其他'
- 只做意图识别，不执行操作";

// 3. 配置最优参数
var options = new ChatOptions
{
    ModelId = "gpt-4o-mini",  // 平衡成本和性能
    Temperature = 0.2f,       // 低温度保证一致性
    MaxOutputTokens = 500,    // 限制输出长度
    ResponseFormat = ChatResponseFormatJson.ForJsonSchema(
        typeof(IntentResult),
        jsonSchemaName: "intent_result"
    )
};

// 4. 执行识别
public async Task<IntentResult> RecognizeIntentAsync(
    IChatClient chatClient,
    string userInput)
{
    var messages = new List<ChatMessage>
    {
        new(ChatRole.System, systemPrompt),
        new(ChatRole.User, userInput)
    };
    
    var response = await chatClient.GetResponseAsync<IntentResult>(
        messages, 
        options
    );
    
    return response.Result;
}

// 5. 测试
var result = await RecognizeIntentAsync(
    chatClient, 
    "我想把后天从上海到杭州的车改到大后天"
);

Console.WriteLine($@"
意图: {result.Intent}
置信度: {result.Confidence}
实体: {string.Join(", ", result.Entities.Select(kv => $"{kv.Key}={kv.Value}"))}
备注: {result.Note}
");

// 输出:
// 意图: 改签
// 置信度: 0.85
// 实体: original_date=后天, departure=上海, destination=杭州, new_date=大后天
// 备注: 缺少原订单号

提示优化闭环

提示工程是一个持续迭代的过程：

graph LR
    A[编写初始提示] --> B[测试评估]
    B --> C[收集问题案例]
    C --> D[分析失败原因]
    D --> E[优化提示词]
    E --> B
    
    style A fill:#4CAF50
    style E fill:#2196F3

迭代优化步骤

建立测试集

var testCases = new[]
{
    ("我想买明天的票", "购票"),
    ("帮我退票", "退票"),
    ("天气怎么样", "其他"),
    // ... 更多测试用例
};

批量测试

foreach (var (input, expected) in testCases)
{
    var result = await RecognizeIntentAsync(chatClient, input);
    var isCorrect = result.Intent == expected;
    Console.WriteLine($"{(isCorrect ? "✅" : "❌")} {input}");
}

分析失败案例
- 收集识别错误的输入
- 分类错误类型（误判、漏判、实体提取错误等）
- 针对性地调整提示词

A/B 测试

// 对比不同版本的提示词效果
var resultV1 = await TestPrompt(promptV1, testCases);
var resultV2 = await TestPrompt(promptV2, testCases);

Console.WriteLine($"V1 准确率: {resultV1.Accuracy}%");
Console.WriteLine($"V2 准确率: {resultV2.Accuracy}%");

常见陷阱与解决方案

陷阱 1：提示词过长

问题：提示词太长导致成本上升和延迟增加。

解决方案：

// ❌ 每次都包含所有示例
var prompt = "示例1...\n示例2...\n示例3...\n示例4...\n示例5...";

// ✅ 使用缓存或动态选择相关示例
var relevantExamples = SelectRelevantExamples(userInput, allExamples, count: 2);
var prompt = BuildPrompt(relevantExamples);

陷阱 2：过度依赖示例

问题：模型只会模仿示例，无法泛化。

解决方案：

// ✅ 示例 + 明确的规则
var prompt = @"规则：
1. 如果包含'买'、'购'、'订'，判定为购票
2. 如果包含'退'、'取消'，判定为退票

示例（仅供参考格式）：
输入: '我要买票'
输出: {""intent"": ""购票""}";

陷阱 3：忽略边界情况

问题：只测试常见输入，忽略特殊情况。

解决方案：

// ✅ 包含边界情况的测试集
var testCases = new[]
{
    ("买票", "购票"),  // 极简输入
    ("我想买明天从北京到上海晚上8点的高铁票", "购票"),  // 详细输入
    ("", "其他"),  // 空输入
    ("asdfghjkl", "其他"),  // 乱码
    ("买票买票买票", "购票"),  // 重复
};

工具和资源

1. 提示词调试工具

// 开启详细日志查看模型的实际输入输出
var chatClient = new OpenAIClient(...)
    .AsChatClient("gpt-4")
    .UseLogging(loggerFactory);  // 记录所有 prompt 和 response

2. Token 计数器

// 估算 prompt 的 token 数量（成本相关）
var tokenCount = Encoding.UTF8.GetByteCount(prompt) / 4;  // 粗略估算
Console.WriteLine($"预估 tokens: {tokenCount}");

3. 性能监控

var sw = Stopwatch.StartNew();
var result = await chatClient.GetResponseAsync(messages);
sw.Stop();

Console.WriteLine($@"
响应时间: {sw.ElapsedMilliseconds}ms
Token 使用: {result.Usage.TotalTokens}
成本估算: ${result.Usage.TotalTokens * 0.00002}  // gpt-3.5 价格
");

总结

提示工程的核心要点：

✅ 四大组件：指令、上下文、输入、输出缺一不可
✅ 八大技巧：边界明确、结构化输出、少样本学习等系统化应用
✅ 参数调优：Temperature、TopP 等参数针对任务优化
✅ 持续迭代：建立测试集、分析失败、A/B 测试形成闭环

记住：好的提示词 = 清晰的任务定义 + 合适的示例 + 精确的输出格式 + 持续的优化

作者: [Your Name]
日期: 2025年12月11日
标签: #AI #PromptEngineering #MEAI #BestPractices

如果觉得文章对你有用，请随意赞赏

AI 提示工程实战

https://codei.top/archives/1765449763394

作者

朝阳

发布于

2025-12-11

更新于

2025-12-11

许可协议

CC BY 4.0

AI 提示工程实战

AI 提示工程实战

引言

什么是提示工程？

提示词的四大基础组件

1. 指令（Instruction）

2. 上下文（Context）

3. 输入（Input）

4. 输出（Output）

八大核心提示工程技巧

案例背景：铁路票务意图识别

技巧 1：明确任务边界

技巧 2：结构化输出

技巧 3：少样本学习（Few-Shot Learning）

技巧 4：角色设定

技巧 5：添加业务上下文

技巧 6：拒答策略

技巧 7：思维链引导（Chain-of-Thought）

技巧 8：选择更强的模型

生成参数调优

关键参数详解

1. Temperature（温度）

2. TopP（核采样）

3. MaxOutputTokens（最大输出长度）

4. StopSequences（停止序列）

完整实战案例

提示优化闭环

迭代优化步骤

常见陷阱与解决方案

陷阱 1：提示词过长

陷阱 2：过度依赖示例

陷阱 3：忽略边界情况

工具和资源

1. 提示词调试工具

2. Token 计数器

3. 性能监控

总结

作者

发布于

更新于

许可协议

评论