Prompt Engineering 入门：Few-Shot + CoT + 结构化输出

大模型能力是固定的，真正拉开差距的是 Prompt Engineering 水平。掌握三大核心技术（少样本示例、思维链、结构化输出）可以让同一个模型输出质量提升一个档次，稳定对接生产流水线。

Few-Shot：示例驱动风格对齐

直接写"把这段写得专业点"产出效果随机性大。在 Prompt 里先给 2-3 个真实的输入输出示例，模型会从示例中精确学习你的写作风格、格式要求、术语偏好。比纯自然语言指令稳定得多，且支持中英混合示例。

from openai import AsyncOpenAI
import json
from typing import Any
from pydantic import BaseModel, Field

client = AsyncOpenAI()

FEW_SHOT_PROMPT = '''你是资深后端技术写作编辑，擅长将草稿改写成精炼博客风格。
要求：事实准确，保留技术细节，简洁专业，段落开头先给核心结论。

## 示例1 输入
"FastAPI比Flask快，因为用了ASGI和Pydantic，自动生成文档"
## 示例1 输出
**核心结论：FastAPI 通过 ASGI 异步 + Pydantic 类型驱动两大设计，同等硬件下单接口吞吐量约为 Flask 的 2.5-4 倍。**
除异步网络栈外，FastAPI 的请求校验基于 Pydantic v2 的 Rust 内核（pydantic-core），单个 schema 校验耗时较 Flask + marshmallow 方案低一个数量级；另一个隐形收益是基于 OpenAPI spec 自动生成的接口文档和类型化客户端 SDK，在团队协作场景相当于免费的 API 契约工具链。

## 待改写输入
"{raw_input}"

## 你的输出'''

COT_PROMPT = '''你是算法竞赛金牌选手。请逐步推导再给出最终答案，每一步标记并解释推理依据。
问题：给定数组 nums = [3, 1, 4, 2, 5, 8, 7, 6]，求最长递增子序列的长度。
思考步骤：
步骤1：
步骤2：
步骤3：
最终答案（仅数字）：'''

class ProductCategorizeResult(BaseModel):
    reasoning: list[str] = Field(description="分类判断过程，每个维度一条")
    category: str = Field(description="必须属于 [Electronics, Fashion, Books, Home, Other]")
    confidence: float = Field(ge=0.0, le=1.0)
    matched_keywords: list[str] = Field(default_factory=list)

async def few_shot_transform(raw: str) -> str:
    r = await client.chat.completions.create(
        model="gpt-4o-mini", temperature=0.3,
        messages=[{"role": "user", "content": FEW_SHOT_PROMPT.format(raw_input=raw)}])
    return r.choices[0].message.content or ""

async def categorize_structured(title: str, desc: str) -> dict[str, Any]:
    r = await client.chat.completions.create(
        model="gpt-4o-mini-2024-07-18", temperature=0.0,
        messages=[{"role": "user", "content": f"商品标题 {title}\n描述 {desc}"}],
        response_format={"type": "json_object"})
    data = json.loads(r.choices[0].message.content or "{}")
    return ProductCategorizeResult(**data).model_dump()

CoT 思维链 & 结构化输出

需要复杂推理（逻辑/数学/代码调试）时，显式要求模型分步骤推理，最后才给结论，准确率平均提升 15-30%。要喂给下游系统的结果，用 Pydantic + response_format 强制 JSON 模式，失败重试兜底，避免自由文本解析。

技术	解决问题	最佳温度	典型应用场景
Zero-Shot 纯指令	任务简单标准	0.1-0.3	翻译、摘要、格式转换
Few-Shot 示例注入	风格/格式特殊要求	0.2-0.5	文案改写、标签标注、代码风格统一
CoT 思维链分步	多步推理/数学/逻辑	0.0-0.3	算法题、代码调试、根因分析
JSON Schema 结构化	对接程序接口	0.0 固定	打标入库、字段抽取、函数调用