提示词工程

### 实战案例：客服对话优化 **问题场景**：AI客服回复过于机械，用户体验差。 **优化前提示**： ``` 回答用户问题 ``` **优化后提示**： ``` 你是一位专业的客服代表，请用友好、专业的语气回答用户问题。 - 保持回答简洁明了（不超过100字） - 使用中文口语化表达 - 如果无法回答，请礼貌说明并建议联系人工客服 - 当前时间：{{current_time}} ``` **效果对比**： - 用户满意度提升45% - 平均对话轮次减少30% - 转人工率降低25%

### 实战案例：数学问题求解 **问题**：小明有5个苹果，给了小红2个，又买了3个，现在有多少个？ **普通提示**： ``` 小明有5个苹果，给了小红2个，又买了3个，现在有多少个？ ``` **思维链提示**： ``` 让我们一步步思考： 1. 小明开始有5个苹果 2. 给了小红2个，剩下 5 - 2 = 3个 3. 又买了3个，现在有 3 + 3 = 6个 4. 所以答案是6个苹果 ``` **效果**：准确率从68%提升到92%

### 实战案例：情感分析 **提示模板**： ``` 将以下文本分类为正面或负面情感： 示例1： 文本："这个产品太棒了，完全超出预期！" 情感：正面 示例2： 文本："质量很差，根本不值得购买。" 情感：负面 新文本："{{input_text}}" 情感： ``` **应用场景**：客户评论分析、社交媒体监控

### 实战案例：复杂推理问题 **实现方法**： 1. 使用不同的随机种子生成多个推理路径 2. 对每个路径得到最终答案 3. 选择出现频率最高的答案作为最终结果 **代码示例**： ```python def self_consistency(prompt, n_samples=5): answers = [] for i in range(n_samples): response = llm.generate(prompt, temperature=0.7, seed=i) answer = extract_final_answer(response) answers.append(answer) return most_frequent(answers) ``` **效果**：在复杂QA任务上提升15-25%准确率

### 实战案例：图像描述优化 **基础提示**： ``` 描述这张图片 ``` **优化提示**： ``` 请详细描述这张图片，包括： 1. 主要对象及其位置 2. 颜色和材质特征 3. 场景和环境背景 4. 可能的情感或氛围 5. 任何值得注意的细节 使用简洁、准确的语言，避免主观推测。 ``` **应用**：无障碍辅助、内容审核、电商产品描述