引言
提示工程对于有效的代码生成变得至关重要。通过精心设计的结构化提示，您可以引导大型语言模型（LLMs）生成、完善和优化您应用程序的代码。在本文中，我们将介绍15种经过验证的提示技术——分为根本、基于精炼、基于分解、基于推理和预热。每种技术将通过创建和改进一个简单的Flask web应用程序的过程进行示例说明。
我们将从一个基本的“Hello World” Flask应用程序开始，然后逐步增强它——展示每种技术如何系统地完善或扩展生成代码的能力。
研究说明：我们检查了aixrv.org以寻找新的提示技术。在撰写本文时，我们尚未发现任何超出所列技术的新方法。提示工程正在快速发展，因此请务必关注新兴的实践。
1. 根本技术
根本技术是基本的提示方法，提供了获取简单代码输出的清晰、直接的路径。
1.1. 直接指令提示
概述
- 您给出一个简单明了的命令，没有额外的细节或上下文。
提示示例
“生成一个最小的 Flask 应用程序，使用 Python 在根端点显示‘Hello World!’。”
生成的代码（概念性）
from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello_world():
return "Hello World!"
if __name__ == '__main__':
app.run(debug=True)为什么有效
- 对于较小的任务，直接、简洁的指令通常就足够了。
- 如何改进：这为后续技术中的进一步增强奠定了基础。
1.2. 基于查询的提示
概述
- 您将请求以问题的形式提出，鼓励给出解释性的答案或代码片段。
提示示例
“我如何创建一个最小的 Flask 应用，使其在主页上返回‘Hello World!’？”
生成的回应（概念性）
- 模型可能不仅返回代码片段，还会解释创建 Flask 应用的每一步。
为何有效
- 提问可以鼓励大型语言模型（LLMs）提供更丰富的信息。
- 如何改进：与直接指令相比，您将获得额外的上下文或理由来解释代码。
1.3. 基于示例的提示
概述
- 您提供一个所需风格或格式的示例，以便模型理解您期望的结构。
提示示例
“这是一个简单的 Node.js Express ‘Hello World’ 服务器：
const express = require('express'); const app = express();app.get('/', (req, res) => res.send('Hello World!')); app.listen(3000, () => console.log('Example app listening on port 3000!'));在Flask中创建一个类似的“Hello World”服务器。
改进之处
- 该模型可以镜像您示例中的结构和编码风格，确保跨框架的一致性。
- 这种方法比直接指令更为精确，因为它将输出锚定在一个已知的模式或风格中。
2. 基于细化的技术
基于细化的技术围绕对现有代码进行迭代、改进或优化。
2.1. 迭代细化提示
概述
-
- 您从一个初始解决方案开始（例如，一个最小的 Flask 应用），然后指示模型进一步细化或增强代码。
提示序列
-
- “生成一个返回‘Hello World!’的最小 Flask 应用”
-
- “现在，修改这个 Flask 应用，添加一个
/hello/<name>端点，以用户的名字进行问候.”
- “现在，修改这个 Flask 应用，添加一个
细化后的代码片段（概念性）
from flask import Flask
app = Flask(__name__)
@app.route('/')
def hello_world():
return "你好，世界！"
@app.route('/hello/<name>')
def hello_name(name):
return f"你好， {name}!"
if __name__ == '__main__':
app.run(debug=True)
为什么有效
- 您在现有代码的基础上进行构建，引导模型逐步改进它。
- 如何改进：这种技术促进了一个迭代工作流程，使您能够以更小的步骤适应和扩展功能。
2.2. 扩展提示
概述
- 您特别要求模型向现有代码添加新功能或部分。
提示示例
“向现有的 Flask 应用添加一个端点，返回包含示例用户列表的 JSON 响应。”
优化后的代码片段（概念性）
@app.route('/users')
def get_users():
users = [
{"id": 1, "name": "Alice"},
{"id": 2, "name": "Bob"}
]
return {"users": users}
为什么有效
- 针对单一新特性，使模型能够集中注意力。
- 如何改进：比迭代优化提供更细粒度的控制——非常适合基于特性的扩展。
2.3. 样式/格式转换
概述
- 您可以请求样式修改，例如 PEP 8 合规性、命名约定或架构模式。
提示示例
“获取当前的 Flask 应用代码，并将函数名称转换为遵循 PEP 8 命名（例如，
hello_world→hello_world）。同时，确保行长度不超过 79 个字符。”
为什么有效
- 模型系统地应用您的编码风格偏好。
- 如何改进: 在功能建立后，您可以确保代码符合风格指南或其他最佳实践——这是生产环境中的一个重要步骤。
3. 基于分解的技术
基于分解的提示将大型任务分解为较小的步骤，从而增强了清晰度和准确性。
3.1. 按函数分解
概述
- 您将复杂任务分解为多个子函数或模块。
提示示例
- “创建一个函数
init_db()，用于初始化Flask应用的SQLite数据库.”- “创建一个函数
insert_user(name)，用于向数据库添加用户.”- “创建一个函数
get_all_users()，用于从数据库中检索所有用户.”
结果（概念性）
import sqlite3
def init_db():
conn = sqlite3.connect('mydatabase.db')
c = conn.cursor()
c.execute('CREATE TABLE IF NOT EXISTS users (id INTEGER PRIMARY KEY, name TEXT)')
conn.commit()
conn.close()
def insert_user(name):
conn = sqlite3.connect('mydatabase.db')
这段代码展示了如何使用 SQLite 数据库。在开始时，通过 `sqlite3.connect` 方法连接到名为 `mydatabase.db` 的数据库。如果该数据库不存在，则会自动创建。接着，使用 `cursor` 方法创建一个游标对象 `c`，并通过 `execute` 方法执行 SQL 语句，创建一个名为 `users` 的表，表中包含 `id` 和 `name` 两个字段，其中 `id` 是主键。然后，通过 `commit` 方法提交更改，最后使用 `close` 方法关闭数据库连接。
接下来的 `insert_user` 函数用于插入用户数据，函数参数 `name` 表示用户的名称。再次连接到 `mydatabase.db` 数据库以进行数据插入操作。
c = conn.cursor()
c.execute('INSERT INTO users (name) VALUES (?)', (name,))
conn.commit()
conn.close()
def get_all_users():
conn = sqlite3.connect('mydatabase.db')
c = conn.cursor()
c.execute('SELECT id, name FROM users')
results = c.fetchall()
conn.close()
return results
如何改进
- 将大型任务组织成模块化的部分，使其更易于维护。
- 鼓励系统化的代码生成。
3.2. 基于块的提示
概述
- 您提供部分代码，并要求模型填充特定缺失的部分。
提示示例
“以下是一个Flask应用的开头。请填充缺失的路由，以便添加用户和从数据库中检索所有用户。”
from flask import Flask, request from db_utils import init_db, insert_user, get_all_users app = Flask(__name__) init_db() # TODO: 在这里添加路由 if __name__ == '__main__': app.run(debug=True)
为什么有效
- 将模型的焦点集中在缺失的部分，确保与提供的代码一致性。
- 如何改进：比广泛的提示更有针对性——在实际项目环境中逐步构建时非常有用。
3.3. 分步说明
概述
- 列出您希望在代码中执行的每个子任务或逻辑步骤。
提示示例
- “导入必要的库。”
- “设置数据库初始化。”
- “创建一个路由以使用
insert_user()添加新用户。”- “创建一个路由以使用
get_all_users()列出所有用户。”
为什么有效
- 使代码生成过程更加透明。
- 如何改进：通过指定明确的操作顺序，模型可以更可靠地生成正确的功能顺序。
4. 基于推理的技术
基于推理的提示鼓励模型在提供代码之前阐明（或至少模拟）其思维过程。
4.1. 思维链提示
概述
-
- 您要求模型逐步分解其推理或逻辑，然后再提供代码解决方案。
提示示例
“逐步解释如何为Flask应用添加身份验证，然后提供最终的代码片段。”
为什么有效
-
- 鼓励模型生成一个解释路径来解决问题，从而产生更连贯或正确的代码。
-
- 如何改进: 除了代码，您还可以获得推理，这有助于调试或进一步优化。
4.2. 零样本思维链
概述
-
- 要求模型在没有提供推理格式的明确示例的情况下，逐步推理解决问题。
提示示例
“解释您如何决定在Flask中使用哪个库进行密码哈希，然后展示将该库集成到用户注册中的代码。”
如何改进
-
- 与思维链类似，但要求模型自发提出推理步骤。
-
- 在代码生成的上下文中，这通常导致对库选择和使用说明的全面方法。
4.3. 少样本推理链
概述
- 提供一个或多个简短示例，说明如何对问题进行推理。然后要求模型在新问题上复制这一过程。
提示示例
- “示例: 要创建一个登录系统，我们识别用户表，检查用户凭证，并验证它们。代码片段如下。让我们对用户注册采用这种方法。”
- “使用上述逐步推理的方法，添加一个‘/register’路由，并在数据库中安全地存储新用户凭证。”
为什么有效
- 将逐步指令的清晰性与示例演示相结合。
- 如何改进: 为模型提供一个框架，以便对新请求应用一致、系统的逻辑。
5. 预设技术
基于预设的提示使用附加上下文（角色、参考或模板）来影响生成代码的风格和领域知识。
5.1. 基于角色的提示
概述
- 模型被指示采用特定领域专家的观点或角色。
提示示例
“你是一名专注于安全的高级Python后端开发人员。生成一个Flask路由以安全地处理用户注册。”
为什么有效
- 模型根据角色的领域知识量身定制解决方案，通常包括安全最佳实践。
- 如何改进：有助于生成符合专家级模式和潜在陷阱的代码。
5.2. 骨架（模板）引导
概述
- 你提供一个骨架或大纲，并留有占位符供模型填写。
提示示例
“在这个Flask应用模板中填写占位符，以实现用户登录表单：
from flask import Flask, request, render_template app = Flask(__name__)@app.route('/login', methods=['GET', 'POST']) def login(): if request.method == 'POST': # 第一步：______ # 第二步：______ # 第三步：返回______ return render_template('login.html') if __name__ == '__main__':app.run(debug=True)”
为什么有效
- 限制模型填充一个特定框架。
- 如何改进：确保代码无缝集成到预定结构中——在大型团队或预定义架构中非常有用。
5.3. 参考重型提示
概述
- 提供扩展的参考材料，如文档或数据模式，然后提示模型在生成的代码中使用它。
提示示例
“根据以下SQLAlchemy文档[链接或片段]，更新Flask应用程序路由，以使用SQLAlchemy模型处理用户数据，而不是原始SQL调用。”
为什么有效
- 大型语言模型（LLM）可以适应特定领域的参考，生成与最佳实践或文档一致的解决方案。
- 如何改进：允许专业知识的整合，确保生成的代码与参考材料保持准确和最新。
结论
通过利用这15种提示技术，您可以系统地开发、扩展和优化Flask应用程序或任何代码库，使用大型语言模型。每一种新技术要么建立在之前的基础上，要么提供新的方法来完善、分解、推理或引导代码生成过程：
- 根本技术奠定基础，使初始代码生成的摩擦最小化。
- 精炼技术对生成的代码进行打磨和扩展。
- 分解技术将复杂任务分解为可管理的部分。
- 推理技术鼓励模型提供（或模拟）逐步的思考过程，从而提高清晰度和正确性。
- 引导技术添加上下文、角色或参考资料，以影响代码的风格和领域相关性。
随着大型语言模型的不断发展，提示策略也在不断演变。请继续尝试这些方法的变体，关注新的最佳实践（例如，在aixrv.org或类似论坛上），并根据您的特定领域和工作流程需求调整提示。
准备好进一步提升您的Flask应用程序了吗？
尝试在单一工作流程中结合多种技术。例如，可以从基于示例或基于角色的提示开始，使用迭代优化来细化输出，最后采用参考重型的方法，以确保您的代码符合特定的库或组织标准。
