提示工程四大技巧
Basic · Few-shot · Structured · 结构化输出

1 提示工程概览：四种递进技巧

提示工程（Prompt Engineering）是影响 LLM 输出质量的最直接手段。本节从最基础到最严格，介绍四种递进的提示技巧：

2 基础提示：用 system_prompt 定义 Agent 角色

最简单的提示方式：在 create_agent 时传入 system_prompt 参数，告诉模型它是谁、应该怎么做。

不加 system_prompt 的默认行为

没有 system prompt 时，模型会给出"诚实"的回答——月亮没有首都：

agent = create_agent(model=deepseek_model())

question = HumanMessage(content="What's the capital of the moon?")
response = agent.invoke({"messages": [question]})
print(response['messages'][1].content)

加上 system_prompt：切换为科幻作家角色

system_prompt = "You are a science fiction writer, create a capital city at the users request."

scifi_agent = create_agent(
    model=deepseek_model(temperature=1),  # temperature=1 增加创意性
    system_prompt=system_prompt
)

response = scifi_agent.invoke({"messages": [question]})
print(response['messages'][1].content)

3 Few-shot 提示：在 System Prompt 里嵌入示例

Few-shot（少样本）提示是一种强大的技巧：在 system prompt 里直接给出几个"输入 → 输出"的示例，LLM 会模仿这些示例的风格和格式来生成新的响应。

加入 Few-shot 示例

system_prompt = """

You are a science fiction writer, create a space capital city at the users request.

User: What is the capital of mars?
Scifi Writer: Marsialis

User: What is the capital of Venus?
Scifi Writer: Venusovia

"""

scifi_agent = create_agent(
    model=deepseek_model(),
    system_prompt=system_prompt
)

question = HumanMessage(content="What is the capital of The Moon?")
response = scifi_agent.invoke({"messages": [question]})
print(response['messages'][1].content)

注意输出风格的变化：模型学习了示例里"Scifi Writer: [单词]"的格式，给出了一个简洁的单词答案，而不是长篇描述。

4 结构化提示：用格式模板约束输出结构

结构化提示（Structured Prompting）是在 system prompt 里定义明确的字段名称和输出格式，让模型的自然语言输出更规整、更易解析。

定义输出格式模板

system_prompt = """

You are a science fiction writer, create a space capital city at the users request.

Please keep to the below structure.

Name: The name of the capital city

Location: Where it is based

Vibe: 2-3 words to describe its vibe

Economy: Main industries

"""

scifi_agent = create_agent(
    model=deepseek_model(),
    system_prompt=system_prompt
)

response = scifi_agent.invoke({"messages": [question]})
print(response['messages'][1].content)

5 结构化输出：用 Pydantic 强制输出 JSON 对象

结构化输出（Structured Output）是最可靠的方式：用 Pydantic 定义数据模型，通过 response_format 参数告诉 LLM 必须按这个 schema 输出。LangChain 会在底层把模型的 JSON 输出自动解析为 Pydantic 对象。

定义 Pydantic 数据模型

from pydantic import BaseModel

class CapitalInfo(BaseModel):
    name:     str  # 城市名称
    location: str  # 地理位置
    vibe:     str  # 氛围描述
    economy:  str  # 经济支柱

传入 response_format 参数

agent = create_agent(
    model=deepseek_model(),
    system_prompt="You are a science fiction writer, create a capital city at the users request.",
    response_format=CapitalInfo   # 关键：传入 Pydantic 类
)

question = HumanMessage(content="What is the capital of The Moon?")
response = agent.invoke({"messages": [question]})

# structured_response 是 Pydantic 对象，不是字符串
print(response["structured_response"])

底层工作机制

当你传入 response_format=CapitalInfo 时，LangChain 会：

1. 把 Pydantic 模型转换为 JSON Schema，注入到工具定义里
2. LLM 收到指令：必须调用名为 CapitalInfo 的工具，参数严格符合 schema
3. 模型输出 tool_call（而非普通文本），参数就是结构化的 JSON
4. LangChain 把 JSON 解析为 Pydantic 对象，存入 response["structured_response"]

6 structured_response 的读取与使用

拿到 Pydantic 对象后，可以像访问普通 Python 对象属性一样读取每个字段：

capital_info = response["structured_response"]

# 访问具体字段
print(capital_info.name)      # → 'Lunar Prime'
print(capital_info.location)  # → 'Mare Imbrium, near the lunar equator'
print(capital_info.vibe)      # → 'futuristic, serene, industrious'
print(capital_info.economy)   # → 'Helium-3 mining...'

# 组合使用
print(f"{capital_info.name} is located at {capital_info.location}")

messages 内部结构（进阶调试）

使用 response_format 时，messages 列表里除了 HumanMessage 和 AIMessage，还会有一条 ToolMessage：

for msg in response["messages"]:
    pprint(msg)

7 四种技巧对比与选型指南