Prompt Engineering 技术栈：从基础到 CoT/ToT 的完整体系

┌─────────────────────────────────────┐
│         Agent 编排与工具链            │  ← 系统架构层
├─────────────────────────────────────┤
│      RAG / Fine-tuning / 微调       │  ← 能力增强层
├─────────────────────────────────────┤
│      Prompt Engineering 技术栈       │  ← 交互基座层  ★
├─────────────────────────────────────┤
│           LLM 基础模型能力           │  ← 底座推理层
└─────────────────────────────────────┘

# 弱角色设定 — 模型行为不可预测
system_prompt = "你是一个助手。"

# 强角色设定 — 模型行为被精确锚定
system_prompt = """
你是一位拥有 15 年经验的高级后端架构师，专注于分布式系统设计。
你倾向于用简洁的技术语言回答问题，在给出建议前会先分析现有架构的瓶颈。
你不会使用比喻或类比，直接给出技术方案。
"""

# 模糊任务 — 输出不可控
task = "分析一下这个系统"

# 精确任务 — 输出可预期
task = """
分析以下电商订单系统的数据库 Schema，识别以下问题：
1. 是否存在 N+1 查询的表结构设计缺陷
2. 索引覆盖度是否满足高并发读写需求
3. 是否有数据一致性风险（如分库分表场景下的跨表事务）
"""

constraints = """
约束条件：
- 不要猜测不确定的技术细节，无法确认时明确标注"需要进一步确认"
- 不要给出超过 3 个解决方案，只推荐你最有信心的方案
- 不要忽略安全方面的考量
- 所有性能数据必须附带假设前提
"""

format_spec = """
输出格式要求（严格 JSON）：
{
  "analysis": "问题分析",
  "root_cause": "根因判断",
  "severity": "critical|high|medium|low",
  "recommendations": [
    {
      "action": "具体建议",
      "priority": 1,
      "estimated_effort": "人天估算"
    }
  ]
}
"""

from openai import OpenAI
client = OpenAI()

# ============================================
# Zero-shot：适合简单的结构化输出
# ============================================
zero_shot_response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "你是一个日志分析专家。"},
        {"role": "user", "content": "将以下非结构化日志转换为 JSON 格式：\n"
         "2024-01-15 10:23:45 ERROR [auth-service] Failed to validate token: expired"}
    ]
)

# ============================================
# Few-shot：复杂格式时，示例比描述更高效
# ============================================
few_shot_response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "你是 API 文档摘要器，严格按示例格式输出。"},
        {"role": "user", "content": "示例1输入：\n{doc1}\n示例1输出：\n{out1}\n\n"
         "示例2输入：\n{doc2}\n示例2输出：\n{out2}\n\n现在处理：\n" + new_doc}
    ]
)

# 零成本触发：追加推理引导语
prompt += "\n请逐步推理后给出答案。"        # Think step by step

# 带演示的 CoT：示例中包含推理过程（效果通常最强）

# 结构化 CoT：限定推理骨架
prompt += """
分析框架：
1. 先列出已知条件与约束
2. 枚举可能的方案
3. 逐一评估风险
4. 最后给出推荐与理由
"""

问题 ──→ [想法A(0.8)  想法B(0.3)  想法C(0.6)]
              │                    │
          [A1 A2 A3]            [C1 C2]   ← 仅扩展高分分支
              │
          最终解 ←─ 路径回溯/聚合

prompt_v3.yaml
├── template: |        # 模板文本
├── model: gpt-4o
├── params: {temperature: 0.2}
├── eval_dataset: golden_set_v2.jsonl
└── history:
    - v2: 准确率 87% → v3: 91%（新增拒答约束）