同样一个模型,提示词写得好不好,效果能差一个数量级。做产品时,目标往往是:稳定产出可解析的 JSON/Markdown,而不是一次漂亮的散文。
好 Prompt 的骨架
- 角色:你是谁
- 任务:要干什么
- 约束:不能干什么
- 格式:输出长什么样
- 示例:给 1~2 个正例
示例:抽取简历关键字段
你是信息抽取助手。从用户文本中提取字段,只输出 JSON,不要解释。
字段:name, years, skills(array), summary
若缺失请填 null。
示例输入:张三,5年Python,擅长爬虫与数据分析。
示例输出:{"name":"张三","years":5,"skills":["Python","爬虫","数据分析"],"summary":"5年Python开发"}
现在处理:
"""
{{用户文本}}
"""
提高稳定性的技巧
- 要求「只输出 JSON」,并在代码里做解析重试
- 把枚举值写死:状态只能是 A/B/C
- 复杂任务拆成多步:先分类,再抽取,再校验
- 关键业务加规则校验(日期格式、金额范围)
Python 侧校验
import json
from jsonschema import validate
schema = {
"type": "object",
"required": ["name", "skills"],
"properties": {
"name": {"type": ["string", "null"]},
"skills": {"type": "array", "items": {"type": "string"}},
},
}
def parse_llm_json(text: str):
data = json.loads(text)
validate(data, schema)
return data
模型负责生成,代码负责验收——这是上线级 Prompt 工程的核心。