提示工程（Prompt Engineering）最佳实践

# 示例：结构化提示模板
def create_structured_prompt(task, context, input_data, output_format):
    prompt = f"""
    任务：{task}
    
    背景信息：{context}
    
    输入数据：{input_data}
    
    请按照以下格式输出：{output_format}
    
    回答：
    """
    return prompt

def structured_prompt_template():
    template = """
    # 任务说明
    请分析以下文本的情感倾向。
    
    # 输入文本
    {text}
    
    # 分析要求
    1. 识别主要情感类别（积极、消极、中性）
    2. 提供置信度评分（0-100%）
    3. 指出关键情感词汇
    4. 给出简要理由
    
    # 输出格式
    - 情感类别: [类别]
    - 置信度: [百分比]
    - 关键词: [词汇列表]
    - 理由: [简要说明]
    """
    return template

def few_shot_prompt():
    prompt = """
    以下是文本分类的示例：
    
    示例1：
    输入：今天天气真好，心情很愉快
    输出：积极情感
    
    示例2：
    输入：产品质量太差了，非常失望
    输出：消极情感
    
    示例3：
    输入：明天开会讨论项目进展
    输出：中性情感
    
    现在请对以下文本进行分类：
    输入：{new_text}
    输出：
    """
    return prompt

def chain_of_thought_prompt(problem):
    prompt = f"""
    请逐步解决以下问题：
    
    问题：{problem}
    
    解决步骤：
    1. 首先，分析问题的关键要素
    2. 然后，确定解决问题的方法
    3. 接着，逐步执行计算或推理
    4. 最后，得出结论并验证
    
    请详细展示每一步的思考过程：
    """
    return prompt

def self_consistency_approach(prompt, model, num_samples=5):
    """通过多次采样获得一致答案"""
    responses = []
    for _ in range(num_samples):
        response = model.generate(prompt, temperature=0.7)
        responses.append(response)
    
    # 选择最常见的答案
    from collections import Counter
    answer_counts = Counter(responses)
    best_answer = answer_counts.most_common(1)[0][0]
    
    return best_answer, responses

def role_playing_prompt(role, task):
    prompt = f"""
    你是{role}，请完成以下任务：
    
    {task}
    
    请以{role}的专业知识和视角来回答，使用相应的术语和表达方式。
    """
    return prompt

# 示例
prompt = role_playing_prompt(
    "资深软件架构师", 
    "分析微服务架构的优缺点"
)

def tree_of_thoughts_prompt(problem):
    prompt = f"""
    问题：{problem}
    
    请按以下方式思考：
    
    1. 问题分解
       - 将问题分解为3-5个子问题
       - 为每个子问题提供初步思路
    
    2. 多角度分析
       - 从不同角度审视问题
       - 考虑各种可能性
    
    3. 方案生成
       - 基于分析生成解决方案
       - 评估各方案的可行性
    
    4. 最终决策
       - 选择最佳方案
       - 提供实施建议
    """
    return prompt

def reflection_prompt(initial_answer, question):
    prompt = f"""
    问题：{question}
    初始答案：{initial_answer}
    
    请反思你的初始答案：
    1. 检查逻辑是否正确
    2. 验证事实是否准确
    3. 考虑是否有更好的表达方式
    4. 识别可能的错误或遗漏
    
    基于反思，提供改进后的答案：
    """
    return prompt

news_prompt = """
角色：专业记者

任务：根据提供的信息撰写新闻稿

要求：
- 标题简洁有力，突出重点
- 正文结构：导语-主体-结尾
- 语言客观、准确、简洁
- 包含时间、地点、人物、事件要素
- 字数控制在300-500字

信息：{information}
"""

creative_prompt = """
风格：{style}
主题：{theme}
长度：{length}
受众：{audience}

请创作一个符合以下要求的故事：
- 情节完整，有开头、发展、高潮、结尾
- 人物形象鲜明
- 语言风格符合指定风格
- 主题明确且有意义
"""

code_generation_prompt = """
语言：{programming_language}
功能：{function_description}
约束：{constraints}

请生成满足以下要求的代码：
1. 代码结构清晰，逻辑正确
2. 包含必要的注释
3. 遵循最佳实践
4. 考虑边界情况
5. 包含错误处理

代码：
"""

analysis_prompt = """
数据类型：{data_type}
数据内容：{data_content}
分析目标：{analysis_goal}

请进行以下分析：
1. 数据概览（基本统计信息）
2. 趋势分析
3. 异常检测
4. 相关性分析
5. 结论和建议

请以结构化格式呈现结果。
"""

def ab_test_prompts(prompts, test_data, evaluation_metric):
    """A/B测试不同提示的效果"""
    results = {}
    
    for prompt_name, prompt in prompts.items():
        scores = []
        for sample in test_data:
            response = model.generate(prompt.format(**sample))
            score = evaluate_response(response, sample['expected'], evaluation_metric)
            scores.append(score)
        
        results[prompt_name] = {
            'average_score': sum(scores) / len(scores),
            'responses': [model.generate(prompt.format(**sample)) for sample in test_data]
        }
    
    return results

def chained_prompts():
    steps = [
        {
            'name': '信息提取',
            'prompt': "从以下文本中提取关键信息：{text}"
        },
        {
            'name': '分析',
            'prompt': "分析以下信息：{extracted_info}"
        },
        {
            'name': '总结',
            'prompt': "基于以下分析给出总结：{analysis}"
        }
    ]
    return steps

def dynamic_prompt(input_text):
    # 分析输入特征
    length = len(input_text)
    complexity = analyze_complexity(input_text)
    
    if length < 100:
        return f"请详细解释以下短文本：{input_text}"
    elif complexity > 0.7:
        return f"请用简单语言解释以下复杂内容：{input_text}"
    else:
        return f"请分析以下内容：{input_text}"

def safe_prompt(user_input):
    prompt = f"""
    重要：请确保你的回答安全、有益、符合道德规范。
    
    用户问题：{user_input}
    
    请提供有用且安全的回答，避免：
    - 有害建议
    - 偏见内容
    - 虚假信息
    - 违法内容
    """
    return prompt

def bias_aware_prompt():
    prompt = """
    请注意避免任何形式的偏见，包括但不限于：
    - 性别偏见
    - 种族偏见
    - 地域偏见
    - 年龄偏见
    - 职业偏见
    
    请提供客观、公正的回答。
    """
    return prompt

def prompt_improvement_cycle(initial_prompt, test_cases, improvement_iterations=5):
    current_prompt = initial_prompt
    
    for iteration in range(improvement_iterations):
        # 测试当前提示
        test_results = test_prompt(current_prompt, test_cases)
        
        # 分析失败案例
        failure_analysis = analyze_failures(test_results)
        
        # 生成改进建议
        improvements = generate_improvements(failure_analysis)
        
        # 更新提示
        current_prompt = update_prompt(current_prompt, improvements)
        
        print(f"迭代 {iteration + 1}: 提示已更新")
    
    return current_prompt

customer_service_prompt = """
你是{company_name}的客服代表，请处理以下客户咨询：

客户信息：
- 姓名：{customer_name}
- 会员等级：{membership_level}
- 历史记录：{history}

客户问题：{customer_query}

请遵循以下原则：
1. 保持友好、专业的态度
2. 优先考虑高价值客户
3. 提供具体解决方案
4. 如需升级，说明升级原因
5. 询问是否还有其他帮助

回复：
"""

tech_doc_prompt = """
API名称：{api_name}
功能描述：{function_desc}
参数：{parameters}
返回值：{return_values}

请生成技术文档，包含：
1. 功能概述
2. 参数说明（类型、必填、描述）
3. 返回值说明
4. 使用示例（至少2个）
5. 错误码说明
6. 注意事项

文档应简洁明了，便于开发者使用。
"""