LLM基础

第3课：Prompt Engineering

← 第2课≡ 目录第4课 →

📚 Prompt Engineering概述

本课是LLM应用开发课程第3课，属于LLM基础阶段。我们将深入学习Prompt Engineering的核心概念、技术实现和实战应用。

🎯 核心要点

📊 架构与技术全景

第3课: Prompt Engineering
├── 核心概念与原理
├── 技术实现与代码
├── 架构设计与最佳实践
├── 实战练习与验证
└── 成就解锁

🔍 三大原则:明确具体/给出示例/分步思考

三大原则:明确具体/给出示例/分步思考是Prompt Engineering的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# {point} 核心实现
from openai import OpenAI
import json

client = OpenAI()

def demo():
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "你是专业的LLM应用开发助手。"},
            {"role": "user", "content": "演示三大原则:明确具体/给出示例/分步思考的用法"},
        ],
        temperature=0.3,
    )
    return response.choices[0].message.content

result = demo()
print(f"结果: {result[:100]}...")

✅ 验证通过：三大原则:明确具体/给出示例/分步思考的核心实现正确工作

🛠 Zero-shot/Few-shot/CoT

Zero-shot/Few-shot/CoT是Prompt Engineering的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# {point} 核心实现
from openai import OpenAI
import json

client = OpenAI()

def demo():
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "你是专业的LLM应用开发助手。"},
            {"role": "user", "content": "演示Zero-shot/Few-shot/CoT的用法"},
        ],
        temperature=0.3,
    )
    return response.choices[0].message.content

result = demo()
print(f"结果: {result[:100]}...")

✅ 验证通过：Zero-shot/Few-shot/CoT的核心实现正确工作

️ 角色扮演提示词

角色扮演提示词是Prompt Engineering的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# {point} 核心实现
from openai import OpenAI
import json

client = OpenAI()

def demo():
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "你是专业的LLM应用开发助手。"},
            {"role": "user", "content": "演示角色扮演提示词的用法"},
        ],
        temperature=0.3,
    )
    return response.choices[0].message.content

result = demo()
print(f"结果: {result[:100]}...")

✅ 验证通过：角色扮演提示词的核心实现正确工作

📐 结构化输出约束

结构化输出约束是Prompt Engineering的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# {point} 核心实现
from openai import OpenAI
import json

client = OpenAI()

def demo():
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "你是专业的LLM应用开发助手。"},
            {"role": "user", "content": "演示结构化输出约束的用法"},
        ],
        temperature=0.3,
    )
    return response.choices[0].message.content

result = demo()
print(f"结果: {result[:100]}...")

✅ 验证通过：结构化输出约束的核心实现正确工作

💡 注入攻击与防御

注入攻击与防御是Prompt Engineering的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# {point} 核心实现
from openai import OpenAI
import json

client = OpenAI()

def demo():
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "你是专业的LLM应用开发助手。"},
            {"role": "user", "content": "演示注入攻击与防御的用法"},
        ],
        temperature=0.3,
    )
    return response.choices[0].message.content

result = demo()
print(f"结果: {result[:100]}...")

✅ 验证通过：注入攻击与防御的核心实现正确工作

🔧 提示词模板库

提示词模板库是Prompt Engineering的关键环节。理解并掌握这一要点，对于构建生产级LLM应用至关重要。

# {point} 核心实现
from openai import OpenAI
import json

client = OpenAI()

def demo():
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "你是专业的LLM应用开发助手。"},
            {"role": "user", "content": "演示提示词模板库的用法"},
        ],
        temperature=0.3,
    )
    return response.choices[0].message.content

result = demo()
print(f"结果: {result[:100]}...")

✅ 验证通过：提示词模板库的核心实现正确工作

📊 技术对比与选型

方案优势劣势适用场景
方案A 轻量级简单直接上手快扩展性有限原型验证
方案B 标准级功能完整生态好复杂度中等生产环境
方案C 企业级高性能可扩展成本较高大规模应用

💡 最佳实践

🏗️ 架构设计

┌──────────────────────────────────────┐
│  Prompt Engineering架构
├──────────────────────────────────────┤
│  用户层: API / SDK / CLI
├──────────────────────────────────────┤
│  业务层: 三大原则:明确具体/给出示例/分步思考
├──────────────────────────────────────┤
│  数据层: 向量DB / 缓存 / 存储
├──────────────────────────────────────┤
│  基础层: LLM / 嵌入模型
└──────────────────────────────────────┘

⚠️ 常见陷阱

⚡ 性能考量

指标目标值优化手段
TTFT< 500ms缓存/模型选择/提示词精简
成功率> 99%重试机制/降级策略
成本可控范围语义缓存/模型路由/token控制
延迟P99< 5s流式输出/并行处理

🔗 与其他课程的关系

本课Prompt Engineering建立在前面课程的基础上，同时为后续内容做铺垫。

🏋️ 实战练习

构建Prompt Engineering系统

# {point} 核心实现
from openai import OpenAI
import json

client = OpenAI()

def demo():
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": "你是专业的LLM应用开发助手。"},
            {"role": "user", "content": "演示Prompt Engineering完整系统的用法"},
        ],
        temperature=0.3,
    )
    return response.choices[0].message.content

result = demo()
print(f"结果: {result[:100]}...")

进阶挑战

尝试将三大原则:明确具体/给出示例/分步思考与Zero-shot/Few-shot/CoT结合，构建更完整的解决方案。

🏆 本课成就

🏅 Prompt Engineering实践者

← 第2课≡ 目录第4课 →