Prompt Engineering 入门与实战：基于 Node.js 的 LLM 应用开发

Prompt Engineering 入门与实战：基于 Node.js 的 LLM 应用开发 | 极客日志

Prompt Engineering 入门与实战：基于 Node.js 的 LLM 应用开发

前言

什么是 Prompt？

Prompt（提示词）可以理解为向语言模型提出的问题、指令或上下文信息。它是激发模型产生特定类型响应的'触发器'。在大型语言模型（LLM, Large Language Models）的应用中，Prompt 的质量直接决定了输出的准确性、相关性和可用性。

什么是 Prompt Engineering？

Prompt Engineering（提示工程）是近年来随着 LLM 发展而兴起的重要概念。它指的是通过设计和优化输入给模型的文本，以引导模型生成更符合预期的高质量输出。良好的提示工程能够显著提升模型的表现，减少幻觉，并降低计算成本。

本文将介绍如何使用 Node.js 和 OpenAI SDK 快速构建一个基础的 LLM 应用，并深入探讨提示词设计的最佳实践。

1. 初始化项目环境

首先，确保你的环境中已安装 Node.js。在终端中使用以下命令初始化一个 Node.js 项目：

npm init -y

该命令会快速创建一个 package.json 文件，这是 Node.js 项目的配置文件，用于管理依赖项和脚本。

2. 安装 OpenAI SDK

通过 npm 安装 OpenAI 提供的官方 JavaScript/TypeScript SDK：

npm i openai

这一步骤会在项目目录中下载必要的库文件，并自动在 package.json 的 dependencies 字段中添加记录，表明该项目依赖于 openai 包。

3. 配置环境变量

为了安全起见，API Key 等敏感信息不应直接硬编码在源代码中。我们使用 dotenv 库将密钥存储在项目根目录下的 .env 文件中。

安装 dotenv：
```
npm install dotenv
```
创建 .env 文件，内容如下：
```
OPENAI_API_KEY=YOUR_API_KEY_HERE
```
在代码中加载环境变量：
```
require('dotenv').config();
```

这样可以在不泄露密钥的情况下访问敏感信息，同时减少代码泄露风险。

4. 编写核心代码

4.1 导入模块并创建实例

创建 main.js 文件，导入 OpenAI 模块并初始化客户端实例。注意，baseURL 可以根据实际需求配置为官方地址或第三方代理地址。

require('dotenv').config();
const OpenAI = require('openai');

// 创建实例
const client = new OpenAI({
    apiKey: process.env.OPENAI_API_KEY,
    // 示例使用了第三方代理地址，生产环境请根据需求调整
    baseURL: 'https://api.chatanywhere.tech/v1'
});

4.2 封装请求函数

创建一个异步函数 getChatResponse，用于向指定模型发送请求并获取响应内容。增加错误处理机制以提高稳定性。

const getChatResponse = async function (model, prompt) {
    try {
        const response = await client.chat.completions.create({
            model: model, // 例如 gpt-3.5-turbo 或 gpt-4
            messages: [
                {
                    role: 'user',
                    content: prompt
                }
            ],
            temperature: 0.7 // 控制随机性，范围 0-2
        });
        
        // 返回第一条消息的 content 部分
        return response.choices[0].message.content;
    } catch (error) {
        console.error('Request failed:', error.message);
        throw error;
    }
};

4.3 主函数实现

在主函数中演示两种典型的 Prompt 场景：文本总结和角色扮演。

async function main() {
    // 场景一：文本总结
    // 使用 ES6 模板字符串定义多行文本，适合设置复杂的 Prompt
    let text = `
    您应该提供尽可能清晰、具体的指示，以表达您希望模型执行的任务。
    这将引导模型朝向所需的输出，并降低收到无关或不正确响应的可能性。
    不要将写清晰的提示词与写简短的提示词混淆。
    在许多情况下，更长的提示词可以为模型提供更多的清晰度和上下文信息，
    从而导致更详细和相关的输出。
    `;

    let prompt = `
    把用三个反引号括起来的文本总结成一句话，20 字以内。
    \`\`\`${text}\`\`\`
    `;

    const response = await getChatResponse('gpt-3.5-turbo', prompt);
    console.log('Summary Result:', response);

    // 场景二：角色扮演
    // 通过 Few-Shot（少样本）方式引导模型模仿特定风格
    let prompt2 = `
    您的任务是以一致的风格回答问题。

    <孩子>: 教我耐心。

    <祖父母>: 挖出最深峡谷的河流源于一处不起眼的泉眼；最宏伟的交响乐从单一的音符开始；最复杂的挂毯以一根孤独的线开始编织。

    <孩子>: 教我韧性。
    `;

    const response2 = await getChatResponse('gpt-3.5-turbo', prompt2);
    console.log('Roleplay Result:', response2);
}

main();

4.4 运行程序

调用 main() 函数运行程序：

node main.js

5. Prompt 设计最佳实践

5.1 明确性与具体性

模糊的指令会导致模型产生不可预测的输出。应明确指出任务目标、约束条件和期望格式。

差：'帮我写点东西。'
好：'写一篇关于人工智能伦理的短文，字数 300 字左右，语气专业。'

5.2 上下文提供

对于复杂任务，提供足够的背景信息至关重要。这可以帮助模型理解任务的边界和领域知识。

5.3 少样本学习 (Few-Shot Learning)

通过在 Prompt 中提供几个输入输出的示例，可以显著改善模型对特定格式或风格的遵循能力。如上文中的角色扮演示例所示。

5.4 思维链 (Chain of Thought)

对于逻辑推理任务，要求模型'一步步思考'往往能获得更准确的结果。例如：'请先分析问题，列出关键步骤，最后给出答案。'

6. 安全与注意事项

密钥管理：永远不要将 API Key 提交到 Git 仓库。使用 .gitignore 忽略 .env 文件。
输入过滤：对用户输入的 Prompt 进行校验，防止注入攻击或恶意内容。
成本控制：注意 Token 消耗，长上下文会增加费用。合理截断或压缩输入。
错误处理：网络请求可能失败，务必包含 try-catch 块并记录日志。

7. 总结

Prompt Engineering 是连接人类意图与 AI 能力的桥梁。通过精心设计提示词，结合 Node.js 等后端技术，开发者可以快速构建强大的智能应用。养成良好的编程习惯，如封装重复代码、管理环境变量、完善错误处理，是构建稳定系统的基础。未来，随着模型能力的演进，提示工程技巧也将不断迭代，持续学习与实践是关键。

本文旨在提供技术参考，不涉及任何商业推广或资源诱导。

Prompt Engineering 入门与实战：基于 Node.js 的 LLM 应用开发