一个业务一个场景

 
一个业务一个场景

一个大模型版本一个场景

一个prompt模板一个场景
- 如果场景换了，prompt基本上也是要调整一下的 
    

要默认大模型什么都不知道，先讲述背景，再说要求

 
人物，地点，时间，事件背景，定义AI是什么角度，需要AI按1，2，3...步骤做什么

对任务进行描述，要做什么 

任务相关的背景信息, 当前是个什么现状 

例子：手把手地教新人

输入：用户提问

输出：输出的风格、格式描述，比如, TEXT,JSON、XML,现在多使用构建化输出  
    

 

-----------------------------------------------------------------------

 
正在由 自然文本 向 结构化文本过渡
    

 
结构化后，不容易产生歧义

结构化后，更容易与后台程序交互，比如json化后，程序更容易处理

 

    ---------------------------------------------------------------

 
1. 像人一样思考
- 有步骤，有思维链
- 有注意事项

  

 
2. 一段文本只表达一个意思，清晰明了，不要有歧义
  

 
3. 多举例说明，尤其是关键的地方
- 丰富的示例


  

 
openai prompt教程

openai prompt示例

promptbase

 
微软提示的模板示例
https://github.com/microsoft/promptbase

 

-------------------------------------------------------

依赖包

 
pip install python-dotenv
pip install openai

变量配置及加载

 
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv(filename="env.txt"))
    

 
from openai import OpenAI

# 初始化 OpenAI 客户端
client = OpenAI()  # 默认使用环境变量中的 OPENAI_API_KEY 和 OPENAI_BASE_URL

# 基于 prompt 生成文本
# gpt-3.5-turbo 
def get_completion(prompt, response_format="text", model="gpt-4o-mini"):
    messages = [{"role": "user", "content": prompt}]    # 将 prompt 作为用户输入
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,                                  # 模型输出的随机性，0 表示随机性最小
        # 返回消息的格式，text 或 json_object
        response_format={"type": response_format},
    )
    return response.choices[0].message.content          # 返回模型生成的文本
    
    

 
print(get_completion("正确的坐姿"))
    

 
正确的坐姿对保持身体健康和避免肌肉紧张非常重要。以下是一些建议，以确保你保持良好的坐姿：

1. **椅子选择**：选择一把合适的椅子，椅背能够支持你的下背部。

2. **脚的位置**：双脚平放在地面上，脚尖稍微指向前方，膝盖与髋部保持平行或稍低。

3. **背部支撑**：坐直，保持背部挺直，尽量避免驼背。可以使用腰垫来支撑下背部。

4. **肩膀放松**：肩膀保持放松，自然下垂，不要耸肩。

5. **手臂和手的位置**：肘部自然弯曲，手腕保持平直，手掌可以轻放在键盘或办公桌上。

6. **屏幕高度**：如果使用电脑，屏幕应与你的视线平齐，避免低头或仰头看屏幕。

7. **适时调整**：每隔一段时间，起来活动一下，缓解肌肉紧张。

保持正确的坐姿能够有效减少长时间坐着带来的身体不适，建议定期关注自己的坐姿并进行适当调整。

    

 
from openai import OpenAI

client = OpenAI()

stream = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": "如何选择放松的方式"}],
    stream=True,
)
for chunk in stream:
    if chunk.choices[0].delta.content is not None:
        print(chunk.choices[0].delta.content, end="")
        
    

 
选择放松的方式可以根据个人的兴趣和需求进行调整。以下是一些建议，可以帮助你找到合适的放松方式：

1. **运动**：可以选择散步、慢跑、瑜伽或游泳等低强度运动，帮助身体释放压力。

2. **阅读**：选择一本自己感兴趣的书籍，让自己的心灵沉浸在文字的世界中。

3. **听音乐**：听一些舒缓的音乐或自己喜欢的歌曲，帮助放松心情。

4. **冥想**：尝试冥想或深呼吸的练习，帮助清空思绪，缓解焦虑。

5. **自然散步**：去公园或者大自然中散步，享受新鲜空气和美丽的风景。

6. **艺术创作**：绘画、手工艺或其他创意活动，可以让你投入到一种放松的状态中。

7. **泡澡**：在温水中放松身体，可以加入香氛或精油，增加放松效果。

8. **社会活动**：与朋友聚会、聊天，分享彼此的经历和快乐，增强人与人之间的联系。

9. **看电影或电视剧**：选择轻松愉快的电影或节目，转移注意力，享受娱乐时光。

10. **写日记**：记录下你的感受和想法，有助于理清思绪，减轻心理负担。

选择最适合自己的方式，尝试多种不同的活动，找到最能让你放松的那一种。

    

 
from tpf.llm import chat
prompt = "你好"
response = chat(prompt_user=prompt, 
                prompt_system=None, 
                response_format="text", 
                model='deepseek-r1:1.5b', 
                temperature=1, 
                base_url='http://localhost:11434/v1/')
print(response)

 
think

think

你好！很高兴见到你，有什么我可以帮忙的吗？无论是问题、建议还是闲聊，我都在这儿呢！😊

 
首先，要告诉大模型做什么
- 描述的侧重要讲清楚有哪些实体，以及实体之间的关系  
- 这可以帮助大模型理解语义 

任务描述+强调+用户输入

 
以强调的方式引导大模型明白自己的意图
    

 
# 任务描述
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称，月费价格，月流量。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 用户输入
input_text = """
办个100G的套餐。
"""
    

 
# prompt 模版。instruction 和 input_text 会被替换为上面的内容
prompt = f"""
{instruction}

用户输入：
{input_text}
"""

    

 
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv(filename="env.txt"))

from tpf.llm.openai import chat
    

 
# 调用大模型
response = chat(prompt)
print(response)
    

 
根据用户的输入，可以识别出以下需求：

1. **月流量**：用户希望选择一个100G的流量套餐。
2. **月费价格**：用户没有明确提到对月费价格的要求，因此无法确定。
3. **名称**：用户没有提到具体的套餐名称。

总结：用户的主要需求是选择一个月流量为100G的套餐。
    

 
# 任务描述
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称，月费价格，月流量。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 用户输入
input_text = """
办个100G的套餐。
"""

# 输出格式
output_format = """
以 JSON 格式输出
"""
    

 

# 加入输出格式
prompt = f"""
{instruction}

{output_format}

用户输入：
{input_text}
"""

# 调用大模型
response = chat(prompt, response_format="json_object")
print(response)
    
    

 
{
    "需求": {
        "名称": "100G套餐",
        "月费价格": null,
        "月流量": "100G"
    }
}
    

使用表达式 描述/表达 条件

 
# 任务描述增加了字段的英文标识符
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 输出格式增加了各种定义、约束
output_format = """
以JSON格式输出。
1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；

2. price字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型

3. data字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型或string类型，string类型只能是'无上限'

4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：
(1) 结构体中以"ordering"="descend"表示按降序排序，以"value"字段存储待排序的字段
(2) 结构体中以"ordering"="ascend"表示按升序排序，以"value"字段存储待排序的字段

输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段，不输出值为null的字段。
"""

# 用户输入
input_text = "办个100G以上的套餐"

 
# 加入输出格式
prompt = f"""
{instruction}

{output_format}

用户输入：
{input_text}
"""

# 调用大模型
response = chat(prompt, response_format="json_object")
print(response)

 
{
    "data": {
        "operator": ">=",
        "value": 100
    }
}

 
以上 解释为 >= 
值解释为    100 

 
# 任务描述增加了字段的英文标识符
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 输出格式增加了各种定义、约束
output_format = """
以JSON格式输出。
1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；

2. price字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型

3. data字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型或string类型，string类型只能是'无上限'

4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：
(1) 结构体中以"ordering"="desc"表示按降序排序，以"value"字段存储待排序的字段
(2) 结构体中以"ordering"="asc"表示按升序排序，以"value"字段存储待排序的字段

输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段，不输出值为null的字段。
"""


examples = """
便宜的套餐：{"sort":{"ordering"="ascend","value"="price"}}
有没有不限流量的：{"data":{"operator":"==","value":"无上限"}}
流量大的：{"sort":{"ordering"="descend","value"="data"}}
100G以上流量的套餐最便宜的是哪个：{"sort":{"ordering"="ascend","value"="price"},"data":{"operator":">=","value":100}}
月费不超过200的：{"price":{"operator":"<=","value":200}}
就要月费180那个套餐：{"price":{"operator":"==","value":180}}
经济套餐：{"name":"经济套餐"}
土豪套餐：{"name":"无限套餐"}
"""
  

 
def query(instruction,output_format,examples,input_text):

    #增加示例
    prompt = f"""
    {instruction}
    
    {output_format}
    
    例如：
    {examples}
    
    用户输入：
    {input_text}
    
    """
    return prompt

 
# 用户输入
input_text = "200元以下，流量大的套餐有啥"
prompt=query(instruction,output_format,examples,input_text)

# 调用大模型
response = chat(prompt, response_format="json_object")
print(response)
    
{"price":{"operator":"<=","value":200},"sort":{"ordering":"desc","value":"data"}}

 
input_text = "50元左右，流量在100G左右的套餐有哪些"
prompt=query(instruction,output_format,examples,input_text)

# 调用大模型
response = chat(prompt, response_format="json_object")
print(response)
    
  

因为模板中没有对近似做处理，所以它直接判断为等于==

 
{
    "price": {
        "operator": "==",
        "value": 50
    },
    "data": {
        "operator": "==",
        "value": 100
    }
}

 
前面的例子中，将近似表达为==不合适

对prompt进行修改，调整如下 

 
# 任务描述增加了字段的英文标识符
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 输出格式增加了各种定义、约束
output_format = """
以JSON格式输出。
1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；

2. price字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型

3. data字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型或string类型，string类型只能是'无上限'

4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：
(1) 结构体中以"ordering"="desc"表示按降序排序，以"value"字段存储待排序的字段
(2) 结构体中以"ordering"="asc"表示按升序排序，以"value"字段存储待排序的字段
(3) 如果流程或价格出现左右，大概的修饰，增加fluctuation字段，其值为20%, 意味着可以波动20%

输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段，不输出值为null的字段。
"""


examples = """
便宜的套餐：{"sort":{"ordering"="ascend","value"="price"}}
有没有不限流量的：{"data":{"operator":"==","value":"无上限"}}
流量大的：{"sort":{"ordering"="descend","value"="data"}}
100G以上流量的套餐最便宜的是哪个：{"sort":{"ordering"="ascend","value"="price"},"data":{"operator":">=","value":100}}
月费不超过200的：{"price":{"operator":"<=","value":200}}
就要月费180那个套餐：{"price":{"operator":"==","value":180}}
流量在100G左右的套餐: {"price":{"operator":"==","value":100,"fluctuation":20%}
经济套餐：{"name":"经济套餐"}
土豪套餐：{"name":"无限套餐"}
"""
    

 
def query(instruction,output_format,examples,input_text):

    #增加示例
    prompt = f"""
    {instruction}
    
    {output_format}
    
    例如：
    {examples}
    
    用户输入：
    {input_text}
    
    """
    return prompt

 

input_text = "50元左右，流量在100G左右的套餐有哪些"
prompt=query(instruction,output_format,examples,input_text)

# 调用大模型
response = chat(prompt, response_format="json_object")
print(response)

 
{
    price":{"operator":"==","value":50,"fluctuation":"20%"},
    "data":{"operator":">=","value":100,"fluctuation":"20%"}
}

自然语言与代码 就建立起来联系了 

 
多轮对话在上告诉大模型 上下文环境 

将对话历史放入prompt中就可以做到这一点 

 
# 任务描述增加了字段的英文标识符
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 输出格式增加了各种定义、约束
output_format = """
以JSON格式输出。
1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；

2. price字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型

3. data字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型或string类型，string类型只能是'无上限'

4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：
(1) 结构体中以"ordering"="desc"表示按降序排序，以"value"字段存储待排序的字段
(2) 结构体中以"ordering"="asc"表示按升序排序，以"value"字段存储待排序的字段
(3) 如果流程或价格出现左右，大概的修饰，增加fluctuation字段，其值为20%, 意味着可以波动20%

输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段，不输出值为null的字段。
"""


examples = """
便宜的套餐：{"sort":{"ordering"="ascend","value"="price"}}
有没有不限流量的：{"data":{"operator":"==","value":"无上限"}}
流量大的：{"sort":{"ordering"="descend","value"="data"}}
100G以上流量的套餐最便宜的是哪个：{"sort":{"ordering"="ascend","value"="price"},"data":{"operator":">=","value":100}}
月费不超过200的：{"price":{"operator":"<=","value":200}}
就要月费180那个套餐：{"price":{"operator":"==","value":180}}
流量在100G左右的套餐: {"price":{"operator":"==","value":100,"fluctuation":20%}
经济套餐：{"name":"经济套餐"}
土豪套餐：{"name":"无限套餐"}
"""


# 多轮对话示例
examples_chat = """
客服：有什么可以帮您
用户：100G套餐有什么
{"data":{"operator":">=","value":100}}

客服：有什么可以帮您
用户：100G套餐有什么
客服：我们现在有无限套餐，不限流量，月费300元
用户：太贵了，有200元以内的不
{"data":{"operator":">=","value":100},"price":{"operator":"<=","value":200}}

客服：有什么可以帮您
用户：便宜的套餐有什么
客服：我们现在有经济套餐，每月50元，10G流量
用户：100G以上的有什么
{"data":{"operator":">=","value":100},"sort":{"ordering"="asc","value"="price"}}

客服：有什么可以帮您
用户：100G以上的套餐有什么
客服：我们现在有畅游套餐，流量100G，月费180元
用户：流量最多的呢
{"sort":{"ordering"="desc","value"="data"},"data":{"operator":">=","value":100}}
"""
    

 
def query(instruction,output_format,examples,examples_chat,context):

    #增加示例
    prompt = f"""
    {instruction}
    
    {output_format}
    
    例如：
    {examples}

    多轮对话示例：
    {examples_chat}
    
    
    {context}
    
    """
    return prompt

 
input_text = "哪个便宜"

# 多轮对话上下文
context = f"""
客服：有什么可以帮您
用户：有什么100G以上的套餐推荐
客服：我们有畅游套餐和无限套餐，您有什么价格倾向吗
用户：{input_text}
"""

prompt=query(instruction,output_format,examples,examples_chat,context)

# 调用大模型
response = chat(prompt, response_format="json_object")
print(response)

 
{"data":{"operator":">=","value":100},"sort":{"ordering":"asc","value":"price"}}

deepseek-r1:1.5b

 
from openai import OpenAI

def chat_ollama(prompt, response_format="text", model='deepseek-r1:1.5b',temperature=0):
    client = OpenAI(
        base_url='http://localhost:11434/v1/',
        api_key='key',#必需但可以随便填写
    )
    
    response = client.chat.completions.create(
        model=model,
        messages=[{'role': 'user','content': prompt,}],
        temperature=temperature,   # 模型输出的随机性，0 表示随机性最小
        # 返回消息的格式，text 或 json_object
        response_format={"type": response_format},
    )

    if response.choices is None:
        err_msg = response.error["message"]
        raise Exception(f"{err_msg}")

    return response.choices[0].message.content          # 返回模型生成的文本
    
    

 
response = chat_ollama(prompt="工作学习多久应该休息一下")
print(response)

    

 
think
嗯，我现在在想，工作和学习需要多长时间才能休息一下。这个问题听起来有点复杂，但我觉得可以从几个方面来考虑。

首先，我可能需要了解自己的工作内容。如果工作量很大，比如每天都要处理很多数据或者完成大量的任务，那么休息的时间可能会更长一些。相反，如果工作比较简单，只需要完成一个小项目，可能不需要长时间的休息时间。

然后，我应该考虑自己的身体状况。如果我最近有健康问题，比如肌肉酸痛、疲劳或者睡眠不足，那休息的时间可能比平时要多一些。反之，如果我的身体状态很好，可能可以更轻松地进行工作和学习。

还有，工作和学习的时间安排也很重要。如果我每天都有很多任务要做，即使不休息，也可能感到疲惫。而如果我有足够的时间来休息，可能会更有精力继续工作下去。

另外，个人习惯也是一个因素。有些人喜欢长时间的休息，比如在周末或者节假日的时候，可能更倾向于长时间地放松和恢复。而其他人可能更倾向于在工作间隙休息，这样可以更好地应对工作压力。

还有，工作和学习的内容本身也会影响休息时间。如果任务比较简单或容易完成，可能不需要长时间的休息；但如果任务很复杂或需要花费很多时间来解决，那么休息的时间可能会更长一些。

我还应该考虑自己的心理状态。如果我在工作中感到焦虑或者压力大，可能需要更多的休息时间来缓解这些情绪。而如果我感到轻松和愉悦，可能不需要长时间的休息。

另外，工作和学习的时间长度也是一个因素。如果任务量很大，即使休息了一段时间，也可能无法有效恢复，这时候可能需要更长的时间才能恢复到原来的状态。

还有，个人兴趣和习惯也很重要。如果我喜欢在特定的时间进行工作或学习，那么可能需要调整自己的时间安排，避免长时间的休息，以免影响到自己的专注力。

最后，我应该考虑是否有其他因素会影响休息时间，比如任务量、身体状况、心理状态等。如果有这些方面的问题，可能需要采取一些措施来改善，比如制定更详细的计划、保持良好的睡眠习惯或者寻求专业的帮助。

总的来说，工作和学习的休息时间取决于很多因素，包括个人的工作内容、身体状况、个人习惯以及心理状态。了解自己并根据实际情况调整自己的休息时间和安排，可能会让我在工作中更加高效，生活也更加轻松。
think

根据你的思考过程，以下是分步骤的解释：

1. **了解工作内容**：首先明确每天的工作任务量和复杂程度。简单任务可能不需要长时间休息，而复杂任务则需要更长的时间。

2. **评估身体状况**：检查最近的身体状态，包括肌肉酸痛、疲劳情况以及睡眠质量。健康状况好的人可以休息更多时间，反之则需要更多的休息时间。

3. **考虑个人习惯**：观察你的工作和学习习惯，是否喜欢长时间休息或在特定时间段进行活动。调整时间安排以适应自己的习惯。

4. **心理状态**：评估当前的心理压力和情绪。如果感到焦虑或疲惫，可能需要更长的休息时间来缓解压力。

5. **任务复杂程度**：根据任务的难度，决定休息的时间长度。简单任务可以轻松完成，而复杂任务则可能需要更多时间恢复。

6. **综合因素**：结合身体状况、工作内容和心理状态，制定合理的休息计划。例如，如果工作量大且身体不适，可能需要更长的休息时间。

7. **调整计划**：根据上述分析，调整工作和学习的时间安排，确保在休息期间能够有效地恢复精力，继续高效地完成任务。

通过以上步骤，你可以更好地平衡工作与休息，提高工作效率并享受更好的生活。

    

针对前面补充的例子，使用deepseek1.5b效果如下

 
from openai import OpenAI
from tpf.llm import chat_ollama
    

 
# 任务描述增加了字段的英文标识符
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称(name)，月费价格(price)，月流量(data)。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 输出格式增加了各种定义、约束
output_format = """
以JSON格式输出。
1. name字段的取值为string类型，取值必须为以下之一：经济套餐、畅游套餐、无限套餐、校园套餐 或 null；

2. price字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型

3. data字段的取值为一个结构体 或 null，包含两个字段：
(1) operator, string类型，取值范围：'<='（小于等于）, '>=' (大于等于), '=='（等于）
(2) value, int类型或string类型，string类型只能是'无上限'

4. 用户的意图可以包含按price或data排序，以sort字段标识，取值为一个结构体：
(1) 结构体中以"ordering"="desc"表示按降序排序，以"value"字段存储待排序的字段
(2) 结构体中以"ordering"="asc"表示按升序排序，以"value"字段存储待排序的字段
(3) 如果流程或价格出现左右，大概的修饰，增加fluctuation字段，其值为20%, 意味着可以波动20%

输出中只包含用户提及的字段，不要猜测任何用户未直接提及的字段，不输出值为null的字段。
"""


examples = """
便宜的套餐：{"sort":{"ordering"="ascend","value"="price"}}
有没有不限流量的：{"data":{"operator":"==","value":"无上限"}}
流量大的：{"sort":{"ordering"="descend","value"="data"}}
100G以上流量的套餐最便宜的是哪个：{"sort":{"ordering"="ascend","value"="price"},"data":{"operator":">=","value":100}}
月费不超过200的：{"price":{"operator":"<=","value":200}}
就要月费180那个套餐：{"price":{"operator":"==","value":180}}
流量在100G左右的套餐: {"price":{"operator":"==","value":100,"fluctuation":20%}
经济套餐：{"name":"经济套餐"}
土豪套餐：{"name":"无限套餐"}
"""
    
    
def query(instruction,output_format,examples,input_text):

    #增加示例
    prompt = f"""
    {instruction}
    
    {output_format}
    
    例如：
    {examples}
    
    用户输入：
    {input_text}
    
    """
    return prompt
    
    

 
input_text = "50元左右，流量在100G左右的套餐有哪些"
prompt=query(instruction,output_format,examples,input_text)

# 调用大模型
response = chat_ollama(prompt, response_format="json_object")
print(response)
    
    

 
{
    "name":"经济套餐", 
    "price":{"operator":"==","value":50,"fluctuation":20},
    "data":{"operator":"==","value":100}
}

    

这是GPT-4o-mini的返回结果

 
{
    price":{"operator":"==","value":50,"fluctuation":"20%"},
    "data":{"operator":">=","value":100,"fluctuation":"20%"}
}
    

 
== deepseek1.5解释的更好，但少了fluctuation

    

 
这里的优化方法是增加示例
针对近似的描述，原prompt模板只有一个示例
流量在100G左右的套餐: {"price":{"operator":"==","value":100,"fluctuation":20%}

 
然后每次运行，针对deepseek返回的结果，增加补充说明示例，即有针对性的增加示例

流量在100G左右的套餐: {"price":{"operator":"==","value":100,"fluctuation":20%}
流量在200G左右的套餐: {"price":{"operator":"==","value":200,"fluctuation":20%}
30元左右，流量在10G左右的套餐有哪些:{price":{"operator":"==","value":30,"fluctuation":"20%"},"data":{"operator":"==","value":10,"fluctuation":"20%"}
60元左右，流量在80G左右的套餐有哪些:{price":{"operator":"==","value":60,"fluctuation":"20%"},"data":{"operator":"==","value":80,"fluctuation":"20%"}

 
当示例增加到四个时，才返回想要的结果 

{
    "name":"经济套餐", 
    "price":{"operator":"==","value":50,"fluctuation":"20%"},
    "data":{"operator":"==","value":100,"fluctuation":"20%"}
}

deepseek-r1的不稳定性

 
deepseek-r1:1.5b
deepseek-r1:8b
相同的数据反复运行，并不是每次都会返回期望它返回的结果，它有时返回{}，即空的json字典

deepseek-r1:14b每次都有结果，但偶尔还是有一定波动性

 
input_text = "50元左右，流量在100G左右的套餐有哪些"
prompt=query(instruction,output_format,examples,input_text)

# 调用大模型
response = chat_ollama(prompt, response_format="json_object",model='deepseek-r1:14b')
print(response)

 
    {  
        "price": {
            "operator": "==",
            "value": 50,
            "fluctuation": "20%"
        },
        "data": {
            "operator": "==",
            "value": 100,
            "fluctuation": "20%"
        }
    }
    

 
14b 8G显卡响应时间11秒多 ，不像1.5b 1-6秒就返回结果了,
1.5b大部分情况下1秒多就返回结果了

折中方法，
- 如果1.5b返回为空，或者特定任务必须有值的字段为空了，则再调用14b
- 有空时，多调用几次，比较3次内某个字段有值即可中断循环；
    

 
在该prompt的优化过程中，并不是没有考虑逻辑的优化，
比如fluctuation字段是data/price的字段，按逻辑应该放在2，3的步骤上
但实际上效果不佳

不如增加丰富的示例效果好
- 示例的增加也是根据每次的运行的结果有针对性增加的 
    

 
免费，来自
https://promptbase.com/prompt-purchase/6xDmhhi7aHijkrAvGtgd

AI Prompt Marketplace
https://promptbase.com/
    

 

其他案例
https://github.com/73xuetu/GPTs