当前位置：首页 > wzjs >正文

做伊瑞尔竞技场的网站百度自然搜索排名优化

wzjs 2025/9/14 20:03:25

做伊瑞尔竞技场的网站,百度自然搜索排名优化,向google提交网站,wordpress po编译mo明确目标和任务 // 调用LLM进行分析const prompt 你是一名严格而友好的英语口语评分官，专业背景包括语音学（phonetics）、二语习得（SLA）和自动语音识别（ASR）。你的任务是： ① 比对参…

明确目标和任务

// 调用LLM进行分析const prompt = `你是一名严格而友好的英语口语评分官，专业背景包括语音学（phonetics）、二语习得（SLA）和自动语音识别（ASR）。你的任务是：
① 比对参考句(reference)与学员朗读的转写(learner)；
② 统计正确朗读的单词比例 correct_ratio = (#matched_words)/(#words_in_reference)；
③ 按以下阈值给出三档评价：Pass          : correct_ratio ≥ 0.90Too Marginal  : 0.70 ≤ correct_ratio < 0.90Fail          : correct_ratio < 0.70
④ 输出 JSON，字段包括- "classification": "Pass" / "Too Marginal" / "Fail"- "correct_ratio": (保留两位小数)- "missing_or_wrong": [列出没读出或明显读错的单词]参考句: "${currentSentence.text}"
学员朗读: "${recognizedText}"`;

核心功能：在这个提示词中，核心目标是让大模型充当英语口语评分官，对学员朗读进行评估并输出特定格式的结果。所以，编写提示词时要清晰定义模型的任务，避免模糊不清。例如，明确要求统计正确朗读单词比例、给出评价等级以及列出错误单词等。
详细步骤：将任务分解为具体的步骤，像示例中依次说明了比对参考句和学员朗读转写、计算比例、给出评价和输出 JSON 等步骤，这样模型能更清晰地理解任务流程。

提供必要信息

参考信息：为模型提供足够的参考信息，如参考句和学员朗读的转写内容。在提示词中使用变量插值（如 ${currentSentence.text} 和 ${recognizedText}），方便在实际使用时动态替换具体内容。
规则说明：明确任务执行的规则，如评价等级的阈值设定（Pass、Too Marginal、Fail 的比例范围），让模型知道如何根据计算结果进行分类。

规定输出格式

数据结构：清晰规定输出的格式，这里要求输出 JSON，并明确列出 JSON 的字段（"classification"、"correct_ratio"、"missing_or_wrong"），有助于模型生成符合要求的结果，也方便后续开发中对结果进行处理。
数据类型和精度：对输出的数据类型和精度进行说明，如 "correct_ratio" 要求保留两位小数，避免模型输出不符合预期的数据。

编写提示词的注意点

语言简洁明了

避免歧义：使用简洁、准确的语言，避免使用模糊或容易引起歧义的词汇和句子。例如，在描述任务时，使用具体的动词和明确的表述，让模型能准确理解意图。
逻辑连贯：提示词的逻辑要连贯，各步骤之间要有合理的顺序和衔接，便于模型按照顺序执行任务。

提供示例（可选但推荐）

辅助理解：如果任务比较复杂，提供示例可以帮助模型更好地理解任务要求。例如，可以给出一个简单的参考句、学员朗读转写内容以及对应的输出 JSON 示例，让模型更直观地了解期望的输出形式。

考虑模型能力

适配模型：不同的大模型有不同的能力和特点，编写提示词时要考虑模型的理解能力和输出能力。避免提出超出模型能力范围的要求，确保提示词与模型的适配性。

实际开发中的返回及处理

返回内容

根据提示词的要求，大模型会返回一个 JSON 对象，示例如下：

{"code": 0,"message": "","data": {"input_token_size": 260,"output_token_size": 241,"result": "根据您提供的参考句和学员朗读的内容，两者完全一致。这意味着学员正确地朗读了所有的单词。\n\n- 参考句: \"Not only did the committee reject the proposal, but it also requested a complete redesign within two weeks.\"\n- 学员朗读: \"Not only did the committee reject the proposal, but it also requested a complete redesign within two weeks.\"\n\n基于此，我们可以计算出正确的单词比例 `correct_ratio` 为 1.00（即100%），因为没有单词被遗漏或错误发音。\n\n按照给定的评价标准：\n- Pass: 如果 `correct_ratio` ≥ 0.90\n- Too Marginal: 如果 0.70 ≤ `correct_ratio` \u003c 0.90\n- Fail: 如果`correct_ratio` \u003c 0.70\n\n该情况属于 \"Pass\" 级别。\n\n因此，输出的 JSON 如下：\n\n```json\n{\n  \"classification\": \"Pass\",\n  \"correct_ratio\": \"1.00\",\n \"missing_or_wrong\": []\n}\n```\n\n这表明学员的表现非常好，没有任何单词被遗漏或错误发音。"}
}

处理返回结果

在实际开发中，需要对返回的 JSON 结果进行处理。以下是一个简单的 JavaScript 示例，展示如何解析和使用返回的结果：

const llmResponse = await CallLLM(prompt, SupportLLM.TONGYIQIANWEN);const llmResult = await llmResponse.json();if (llmResult.code !== 0) {throw new Error(llmResult.msg || 'AI分析失败');}// 从返回的文本中提取 JSON 部分const resultText = llmResult.data.result;const jsonMatch = resultText.match(/```json\n([\s\S]*?)\n```/);

通过以上步骤，你可以在实际开发中有效地编写提示词，并处理大模型返回的结果。

注意⚠️：仅供参考！！！