大模型提示词工程实践：提示词工程实践-引导大模型完成任务

#大模型通过提示词完成任务

学习目标

通过本课程，你将学会使用提示词引导大模型完成具体任务，通过实践掌握使用提示词调用大模型的技巧。

相关知识点

通过提示词完成任务

学习内容

1 通过提示词完成任务

1.1 准备工作

安装调用大模型需要的依赖，这些库为后续调用模型提供了基础支持。

%pip install httpx
%pip install openai

初始化 LLM 配置信息，设置代理和模型相关参数，这里配置了使用 Deepseek-R1 模型，并指定了模型的 API 地址和其他相关参数。

import os
import httpx
from openai import OpenAI# 此课程基于DeepSeek-R1运行，学员可自行前往官网进行api申请
client = OpenAI(base_url=<BASE_URL>,api_key=<API_KEY>,http_client=httpx.Client(verify=False),
)

在大模型的使用中，初始化参数和创建客户端实例是建立与模型连接的基础操作。这里设置了代理相关的环境变量，用于确保能够正确连接到华为云的 Deepseek-R1 模型。代理在网络通信中起到中转的作用，当本地网络需要访问特定的远程服务（如这里的大模型服务）时，通过代理服务器可以实现更灵活的网络访问控制和优化网络性能。

以下函数会格式化处理大模型输出的内容，从模型回复中提取标签之后的内容。

from openai import ChatCompletion
def extract_after_think(chat_completion: ChatCompletion) -> str:content = chat_completion.choices[0].message.contentstart_index = content.find("</think>")if start_index != -1:return content[start_index + len("</think>"):]else:return ""

这个函数通过对大模型输出的内容进行解析，提取特定格式下的有用信息。在大模型的应用中，模型输出的内容可能包含多种格式和信息，通过编写相应的解析函数，可以将模型输出转化为符合我们需求的形式，以便后续的处理和使用。

1.2 调用大模型

以下代码完成了获取模型完成结果的函数，向 Deepseek-R1 模型发送提示并获取回复。

#请根据实际替换model_name
def get_completion(prompt, temperature=0.6):messages = [{"role": "user", "content": prompt}]response = client.chat.completions.create(model=<model_name>,messages=messages,stream=False,temperature=temperature,max_tokens=2048,top_p=0.95)return extract_after_think(response)

参数说明：

• prompt：用户输入的提示文本。在大模型的交互过程中，提示词是用户向模型传达意图的关键媒介。它就像是给模型下达的指令，清晰、准确且详细的提示词能够引导模型生成更符合预期的结果。一个好的提示词需要明确任务目标、提供必要的背景信息和示例，例如在本次任务中，提示词明确了 “客户服务 AI 助理” 的角色定位，具体的任务（根据评论情感生成邮件）以及对邮件风格和内容的要求 。

• temperature：控制输出随机性的参数（默认 0.6，值越高越随机）。从技术原理角度来看，temperature 参数基于概率分布来影响模型的输出。在大模型生成文本时，会计算每个可能的下一个 token 的概率。当 temperature 较低（接近 0）时，模型会更倾向于选择概率最高的 token，输出结果较为保守、确定性强，生成的内容通常与训练数据中的模式更为相似；当 temperature 较高时，模型会以更大的概率选择概率较低的 token，从而增加输出的多样性和随机性，可能会产生更具创意或出乎意料的内容，但也可能导致输出偏离预期，出现一些不合理或不连贯的表述 。

• API 参数：设置了模型名称、消息格式、是否流式输出、最大生成 token 数和采样概率等。这些参数共同决定了模型生成文本的方式和范围。例如，max_tokens 限制了模型输出的最大长度，避免模型生成过长的内容；top_p（核采样）是另一种控制输出随机性的方法，它从概率分布中选取累计概率达到 top_p 的最可能的 token 集合，然后在这个集合内进行采样，与 temperature 结合使用，可以更灵活地调节输出的多样性和合理性。

下面定义了客户评论内容和对应的情绪分类。

# 评论的情绪分类用于后续生成电子邮件
sentiment = "negative"# 示例：商品评论
review = f"""
So, they still had the 17 piece system on seasonal \
sale for around $49 in the month of November, about \
half off, but for some reason (call it price gouging) \
around the second week of December the prices all went \
up to about anywhere from between $70-$89 for the same \
system. And the 11 piece system went up around $10 or \
so in price also from the earlier sale price of $29. \
So it looks okay, but if you look at the base, the part \
where the blade locks into place doesn’t look as good \
as in previous editions from a few years ago, but I \
plan to be very gentle with it (example, I crush \
very hard items like beans, ice, rice, etc. in the \ 
blender first then pulverize them in the serving size \
I want in the blender then switch to the whipping \
blade for a finer flour, and use the cross cutting blade \
first when making smoothies, then use the flat blade \
if I need them finer/less pulpy). Special tip when making \
smoothies, finely cut and freeze the fruits and \
vegetables (if using spinach-lightly stew soften the \ 
spinach then freeze until ready for use-and if making \
sorbet, use a small to medium sized food processor) \ 
that you plan to use that way you can avoid adding so \
much ice if at all-when making your smoothie. \
After about a year, the motor was making a funny noise. \
I called customer service but the warranty expired \
already, so I had to buy another one. FYI: The overall \
quality has gone done in these types of products, so \
they are kind of counting on brand recognition and \
consumer loyalty to maintain sales. Got it in about \
two days.
"""

接下来，构建用于生成邮件内容的提示词，明确任务要求、客户反馈内容和情感倾向。客户评论内容作为输入数据，为模型生成回复邮件提供了具体的信息。情绪分类（这里是负面情绪）则指导模型在生成回复时采取相应的策略，如在负面情绪下进行道歉并提供客户服务的建议。

prompt = f"""
You are a customer service AI assistant.
Your task is to send an email reply to a valued customer.
Given the customer email delimited by ```, \
Generate a reply to thank the customer for their review.
If the sentiment is positive or neutral, thank them for \
their review.
If the sentiment is negative, apologize and suggest that \
they can reach out to customer service. 
Make sure to use specific details from the review.
Write in a concise and professional tone.
Sign the email as `AI customer agent`.
Customer review: ```{review}```
Review sentiment: {sentiment}
"""
# 调用大模型得到结果
response = get_completion(prompt)
print(response)

在大模型使用中，temperature 参数是一个非常重要的控制变量，用于调节生成文本的随机性和多样性。

我们尝试使用更高的temperature值，看看回复有什么不同。

prompt = f"""
You are a customer service AI assistant.
Your task is to send an email reply to a valued customer.
Given the customer email delimited by ```, \
Generate a reply to thank the customer for their review.
If the sentiment is positive or neutral, thank them for \
their review.
If the sentiment is negative, apologize and suggest that \
they can reach out to customer service. 
Make sure to use specific details from the review.
Write in a concise and professional tone.
Sign the email as `AI customer agent`.
Customer review: ```{review}```
Review sentiment: {sentiment}
"""
response = get_completion(prompt, temperature=0.7)
print(response)

通过改变 temperature 的值，我们可以观察到模型回复的多样性和随机性的变化。较高的 temperature 值可能会使模型生成更具创意但也更不确定的回复，而较低的值则会生成更保守和可预测的回复。在实际应用中，需要根据具体的任务需求和预期结果来选择合适的 temperature 值，以达到最佳的生成效果。