【AI基础专题】提示词管理

发表于 更新于 分类于 阅读次数：

上一节我们已经可以和大模型进行连续对话了，这节我们通过简单的例子来演示一下提示词管理的能力，直观的感受下相同的一个问题，不同的提示词，Agent 的“性格”和“能力”将会彻底不同。。

我们新建一个文件src/prompt/system.ts，内置三个不同的系统提示词。

1
2
3
4
5
6
7
8
9
export const PROMPTS = {
  default: '你是一个直爽的编程助手，回答尽量简洁。',
  toxic: '你是一个毒舌代码审查员。每次回答必须挑出一个毛病，用讽刺的语气表达。',
  json: `你是一个 API 格式化助手。你的回答必须是纯 JSON，不要加任何解释。
{
  "answer": "你的回答",
  "confidence": 0.0-1.0 之间的数字
}`,
} as const;

然后我们在src/index.ts中引入这个提示词，并且通过命令行参数来选择不同的提示词：

1
2
3
4
5
6
7
8
9
10
11
12
// 省略引入依赖部分
const promptName = process.argv[2] || 'default';
const systemPrompt = PROMPTS[promptName as keyof typeof PROMPTS];

if (!systemPrompt) {
  console.error(`未知提示词: ${promptName}，可选: ${Object.keys(PROMPTS).join(', ')}`);
  process.exit(1);
}

const context = new ContextManager(4000);
context.add({ role: 'system', content: systemPrompt });
// 后续不变

现在我们来试试三种提示词的表现：
/images/ai-based/04-01.png

根据上图结果，我们也直观感受到了提示词对模型的巨大影响，所以我们单独开了一个小节来做了这个对比，就是希望大家能深刻的体会到提示词的重要性。

之前在别的文章中看到了提示词的四个原则，现在搬运过来，仅供参考:

原则一：角色即行为边界
system 消息不是装饰，是硬边界。对比“你是一个助手”和“你是一个只回答前端问题的助手”，后者对后端问题的拒绝率显著更高。读者可以立刻在 system.ts 里加限定词验证。

原则二：格式指令必须具体到反例

原则三：少样本是最高效的微调
文章里会演示：让 LLM 做代码审查时，在提示词里塞一对“坏代码 → 好审查意见”的例子，输出质量碾压纯文本指令。少样本示例本质上是用实例做梯度下降，只不过梯度更新在上下文的注意力里，不在模型权重里。

原则四：越近越重
消息数组里，靠后的消息对输出的影响远大于靠前的。如果 system 说“简洁”，但倒数第二条用户说“请详细展开”，LLM 会听用户的。这是提示词冲突的默认裁决机制，理解这一点才能在设计复杂 Agent 时不出诡异行为。

发散点：

  • 提示词的动态拼接与注入
  • 提示词注入防御