大语言模型 Prompt 工程：从理论到实践

引导模型"一步步分析"（Let's think step by step），在处理数学推理或逻辑问题时，能显著提升准确率。

自洽性

让模型对同一问题生成多个答案并进行投票或一致性检查，选择最合理的结果。

项目实战：机票助手

本部分演示如何基于大模型 API 实现一个机票查询助手。以下是一个基于 Python 的简单实现示例，展示了如何构建 Prompt 并处理响应。

import requests
import json

# 假设的 API 端点（实际使用时请替换为智谱清言或其他厂商的真实接口）
API_URL = "https://open.bigmodel.cn/api/paas/v4/chat/completions"
API_KEY = "YOUR_API_KEY"

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

def get_flight_info(departure, destination, date):
    prompt = f"""
    你是一个专业的机票助手。请根据用户提供的信息查询航班。
    
    出发地：{departure}
    目的地：{destination}
    日期：{date}
    
    请严格按照以下 JSON 格式返回结果，不要包含其他解释：
    {{
        "flights": [
            {{
                "flight_number": "CA123",
                "departure_time": "08:00",
                "arrival_time": "10:30",
                "price": 1200,
                "airline": "Air China"
            }}
        ]
    }}
    """
    
    payload = {
        "model": "glm-4",
        "messages": [{"role": "user", "content": prompt}],
        "temperature": 0.1
    }
    
    response = requests.post(API_URL, headers=headers, json=payload)
    if response.status_code == 200:
        data = response.json()
        content = data['choices'][0]['message']['content']
        # 清理可能存在的 Markdown 标记
        content = content.replace("```json", "").replace("```", "")
        return json.loads(content)
    else:
        return {"error": "API request failed"}

if __name__ == "__main__":
    result = get_flight_info("北京", "上海", "2025-03-01")
    print(json.dumps(result, ensure_ascii=False, indent=2))

总结

Prompt 工程是驾驭大语言模型的核心技能。通过理解基础框架、运用高级技巧并结合实际项目演练，开发者可以更高效地利用 AI 能力解决实际问题。随着模型能力的演进，Prompt 的设计模式也在不断迭代，保持学习和实践是关键。

在实际开发中，建议结合 RAG（检索增强生成）技术，将企业私有知识库融入 Prompt 流程，以进一步提升业务场景下的准确性和安全性。