提示词设计

目录

• 背景和价值
  • ✅ 一、核心目标
  • 🧠 二、设计意图识别 Prompt 的思路
    • ✅ 示例 Prompt（中文）
  • 📌 三、进一步优化：加入 Few-Shot 示例
  • 🛠️ 四、在代码中调用 LLM 判断意图（伪代码）
  • 🧪 五、测试样例
  • 🚀 六、进阶建议（可选）
  • ✅ 总结
• 参考资料

背景和价值

这是一个非常关键的问题：如何通过提示词让 LLM 准确判断用户输入是“咨询问题”还是“对流程引导的回答”？

---

✅ 一、核心目标

我们要训练或提示 LLM 来区分以下两类输入：

类型	描述	示例
A. 用户回答流程引导	用户回应了我们预设的引导语，表示完成某个阶段	“已注册”、“我开户了”、“已完成入金”
B. 用户产品咨询	用户主动提问关于平台功能、政策、服务等问题	“手续费是多少？”、“资金安全怎么保障？”

---

🧠 二、设计意图识别 Prompt 的思路

我们需要构建一个清晰的 LLM 提示模板（Prompt），明确告诉模型需要做什么，并提供一些例子帮助理解。

---

✅ 示例 Prompt（中文）

你是一个对话意图分类器，请根据用户的输入判断其意图类别。

请严格返回以下两个类别之一：
1. `stage_complete` - 用户回应了我们预设的引导语，表示完成了当前阶段（如“已注册”、“开户了”等）
2. `product_inquiry` - 用户询问平台相关的产品信息（如手续费、优惠、选股工具等）

不要输出其他内容，只返回类别标签。

用户输入如下：

{user_input}

---

📌 三、进一步优化：加入 Few-Shot 示例

为了提升识别准确率，可以加入几个示例，帮助 LLM 更好理解任务：

你是一个对话意图分类器，请根据用户的输入判断其意图类别。

请严格返回以下两个类别之一：
- `stage_complete`：用户回应了我们预设的引导语，表示完成了当前阶段
- `product_inquiry`：用户询问平台相关的产品信息

参考示例：
- 输入：“我刚注册完账号。” → stage_complete
- 输入：“平台手续费贵吗？” → product_inquiry
- 输入：“我已经开通账户了。” → stage_complete
- 输入：“有没有适合新手的学习资料？” → product_inquiry

请只输出类别标签，不解释。

用户输入如下：

{user_input}

---

🛠️ 四、在代码中调用 LLM 判断意图（伪代码）

假设你已经有一个 LLM 推理函数，例如使用本地模型或 API：

def detect_intent_with_llm(user_input: str) -> str:
    prompt = f"""
你是一个对话意图分类器，请根据用户的输入判断其意图类别。

请严格返回以下两个类别之一：
- `stage_complete`：用户回应了我们预设的引导语，表示完成了当前阶段
- `product_inquiry`：用户询问平台相关的产品信息

参考示例：
- 输入：“我刚注册完账号。” → stage_complete
- 输入：“平台手续费贵吗？” → product_inquiry
- 输入：“我已经开通账户了。” → stage_complete
- 输入：“有没有适合新手的学习资料？” → product_inquiry

请只输出类别标签，不解释。

用户输入如下：

{user_input}
"""

    response = call_llm(prompt)
    return response.strip()

call_llm() 是你自己封装的调用 LLM 的函数，你可以使用 HuggingFace、Ollama、OpenAI 等任意方式实现。

---

🧪 五、测试样例

用户输入	模型输出
我注册好了	stage_complete
怎么开户？	product_inquiry
已经完成入金了	stage_complete
新手有什么福利？	product_inquiry
你们支持模拟交易吗？	product_inquiry
我刚刚买入了第一支股票	stage_complete
能不能用微信支付？	product_inquiry
好的，我现在去注册	product_inquiry （不是完成动作）

---

🚀 六、进阶建议（可选）

1. 增加意图类别：除了以上两种，还可以扩展为三类甚至四类：

   • general_conversation：闲聊或其他无关内容
   • technical_issue：技术问题（如登录失败）

2. 结合关键词过滤：对于明显的“完成阶段”的句子（如“已注册”），可先做一次关键词匹配快速处理，再交给 LLM 处理复杂情况。

3. 微调小模型：如果你有标注数据，也可以微调一个轻量级模型（如 BERT、TinyBERT）来做意图分类，性能更优。

---

✅ 总结

目标	实现方法
区分用户是否完成流程阶段	使用 LLM 意图识别 Prompt 分类
Prompt 设计要点	明确分类标准 + 示例辅助
优势	泛化能力强，能识别多种表达方式
可拓展性	可加分类、可微调模型、可结合规则

---

如果你告诉我你使用的具体 LLM（如 Ollama、Qwen、Llama3、GPT 等），我可以帮你写出完整的调用代码。是否要继续？

参考资料