课程大纲 第 134 课,共 250 课 · 面向 AI 工程师的提示词工程
面向 AI 工程师的提示词工程

综合项目:一条生产环境的提示词流水线(工单分诊)

这是压轴之作:你把整个模块接成一条用于客服工单分诊的生产环境提示词流水线。一张原始工单进来;你必须防范注入,遵守词元预算,组装一个少样本提示词,然后验证模型返回的任何 JSON。模型给工单分类(那一步是 LLM,也是唯一不评分的部分)。它周围的一切都是归你负责的工程。

构建提示词组装器。build_triage_prompt(ticket, budget=200):

  • 让工单经过注入检测。如果可疑,工单正文就变成 [blocked input],原始的载荷永远不会进入提示词。
  • 否则把工单截断到 budget 个字符(工单可能非常大;你按词元付费)。
  • 组装一条 [system] 指令,然后是两个少样本的 Ticket: ... / JSON: ... 示例,然后是隔离起来的真实工单,最后以末尾一行 [assistant] 结尾。

构建输出验证器。parse_triage(model_json) 在一个 try/except 里用 json.loads 解析模型的回复,并检查两个枚举:category 在 {billing, technical, account, general} 之中,urgency 在 {low, medium, high} 之中。返回 {"ok": bool, "errors": [...]}。

parse_triage('{"category": "billing", "urgency": "high"}')   # ok True
parse_triage('{"category": "weather", "urgency": "high"}')   # ok False
parse_triage('not json at all')                              # ok False, no crash

如果你的导师开着,一个设备端的模型可以产出 JSON,然后由 parse_triage 验证,实时地形成闭环。但评分只涉及确定性的部分:提示词有正确的结构,能拦下注入,能截断过大的工单,而验证器接受好的输出、拒绝坏的输出。复用注入那一课里的 is_suspicious 和 wrap_user_input,它们已经包含在起始代码里。按 Run 评分。

轮到你了

写 build_triage_prompt(ticket, budget=200):检测注入(可疑 -> 工单正文变成 [blocked input],载荷不出现),否则截断到 budget 个字符;组装一行 [system]、两个少样本的 Ticket:/JSON: 示例、隔离起来的真实工单,以及末尾的 [assistant]。真实工单像示例那样,单独放在以 Ticket: 开头的一行上,它的正文由 wrap_user_input(来自注入那一课)隔离起来。写 parse_triage(model_json),在 try/except 里用 json.loads 解析,并验证 category 在 {billing,technical,account,general} 之中、urgency 在 {low,medium,high} 之中,返回 {"ok", "errors"}。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。