code-abyss 1.6.16 → 1.7.0

package/skills/domains/ai/prompt-engineering.md

@@ -1,703 +0,0 @@
----
-name: prompt-engineering
-description: Prompt 工程技术。Zero-shot、Few-shot、CoT、ReAct、ToT、模板设计、优化技巧。当用户提到 Prompt 工程、Few-shot、CoT、思维链、ReAct、提示词优化时使用。
----
-
-# 🎨 符箓秘典 · Prompt 工程 (Prompt Engineering)
-
-## Prompt 模式
-
-```
-Zero-shot → Few-shot → CoT → Self-Consistency → ToT → ReAct
-   │          │         │           │              │      │
-   └─ 直接 ───┴─ 示例 ──┴─ 推理 ─────┴─ 多路 ────────┴─ 行动
-```
-
-### 模式对比
-| 模式 | 复杂度 | 准确性 | Token 消耗 | 适用场景 |
-|------|--------|--------|------------|----------|
-| Zero-shot | 低 | 中 | 低 | 简单任务、通用问题 |
-| Few-shot | 中 | 高 | 中 | 格式化输出、分类 |
-| CoT | 中 | 高 | 中 | 推理、数学、逻辑 |
-| Self-Consistency | 高 | 极高 | 高 | 关键决策 |
-| ToT | 极高 | 极高 | 极高 | 复杂规划 |
-| ReAct | 高 | 高 | 高 | 工具调用、Agent |
-
-## Zero-shot Prompting
-
-### 基础模板
-```python
-prompt = """
-任务: {task_description}
-
-输入: {input}
-
-输出:
-"""
-
-# 示例
-prompt = """
-任务: 将以下文本分类为正面、负面或中性情感。
-
-输入: 这个产品质量不错，但价格有点贵。
-
-输出:
-"""
-```
-
-### 指令优化
-```python
-# ❌ 模糊指令
-"告诉我关于 Python 的事情"
-
-# ✅ 清晰指令
-"""
-请用 3 个要点总结 Python 的核心特性:
-1. 语言特点
-2. 主要应用领域
-3. 生态系统优势
-
-每个要点不超过 50 字。
-"""
-```
-
-### 角色设定
-```python
-system_prompt = """
-你是一位资深的 Python 安全专家，拥有 10 年渗透测试经验。
-你的回答应该:
-- 技术准确，引用 CVE 编号
-- 提供可执行的代码示例
-- 强调安全最佳实践
-"""
-
-user_prompt = "如何防御 SQL 注入？"
-```
-
-## Few-shot Prompting
-
-### 标准 Few-shot
-```python
-prompt = """
-将产品评论分类为正面或负面。
-
-示例 1:
-评论: 这个耳机音质很棒，佩戴舒适。
-分类: 正面
-
-示例 2:
-评论: 电池续航太差，用不到一天就没电了。
-分类: 负面
-
-示例 3:
-评论: 包装精美，但产品质量一般。
-分类: 负面
-
-现在分类:
-评论: {new_review}
-分类:
-"""
-```
-
-### Few-shot 示例选择
-```python
-from langchain.prompts import FewShotPromptTemplate, PromptTemplate
-from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
-from langchain.vectorstores import Chroma
-from langchain.embeddings import OpenAIEmbeddings
-
-# 示例库
-examples = [
-    {"input": "2+2", "output": "4"},
-    {"input": "3*5", "output": "15"},
-    {"input": "10/2", "output": "5"},
-    {"input": "sqrt(16)", "output": "4"},
-]
-
-# 语义相似度选择器
-example_selector = SemanticSimilarityExampleSelector.from_examples(
-    examples,
-    OpenAIEmbeddings(),
-    Chroma,
-    k=2  # 选择最相似的 2 个示例
-)
-
-# 动态 Few-shot
-example_prompt = PromptTemplate(
-    input_variables=["input", "output"],
-    template="输入: {input}\n输出: {output}"
-)
-
-prompt = FewShotPromptTemplate(
-    example_selector=example_selector,
-    example_prompt=example_prompt,
-    prefix="计算以下表达式:",
-    suffix="输入: {input}\n输出:",
-    input_variables=["input"]
-)
-
-print(prompt.format(input="sqrt(25)"))
-```
-
-### 结构化输出
-```python
-prompt = """
-从文本中提取实体，输出 JSON 格式。
-
-示例:
-文本: 张三在北京的阿里巴巴工作，年薪 50 万。
-输出:
-{
-  "person": "张三",
-  "location": "北京",
-  "organization": "阿里巴巴",
-  "salary": "50万"
-}
-
-现在提取:
-文本: {text}
-输出:
-"""
-```
-
-## Chain-of-Thought (CoT)
-
-### 标准 CoT
-```python
-prompt = """
-问题: 一个班级有 23 名学生。如果每个学生需要 3 支铅笔，
-老师已经有 17 支铅笔，还需要买多少支？
-
-让我们一步步思考:
-1. 总共需要的铅笔数 = 23 × 3 = 69 支
-2. 已有铅笔数 = 17 支
-3. 还需要购买 = 69 - 17 = 52 支
-
-答案: 52 支
-"""
-```
-
-### Zero-shot CoT
-```python
-# 神奇的咒语: "Let's think step by step"
-prompt = """
-问题: {question}
-
-让我们一步步思考:
-"""
-
-# 中文版本
-prompt = """
-问题: {question}
-
-让我们逐步分析:
-"""
-```
-
-### Few-shot CoT
-```python
-prompt = """
-问题: 咖啡店有 9 杯咖啡，卖出 5 杯后又做了 7 杯，现在有多少杯？
-
-推理过程:
-1. 初始: 9 杯
-2. 卖出后: 9 - 5 = 4 杯
-3. 又做了: 4 + 7 = 11 杯
-
-答案: 11 杯
-
----
-
-问题: 停车场有 12 辆车，开走 3 辆，又来了 8 辆，现在有多少辆？
-
-推理过程:
-1. 初始: 12 辆
-2. 开走后: 12 - 3 = 9 辆
-3. 又来了: 9 + 8 = 17 辆
-
-答案: 17 辆
-
----
-
-问题: {new_question}
-
-推理过程:
-"""
-```
-
-### Self-Consistency CoT
-```python
-from collections import Counter
-
-def self_consistency_cot(question: str, n_samples: int = 5):
-    prompt = f"""
-问题: {question}
-
-让我们一步步思考:
-"""
-
-    answers = []
-    for _ in range(n_samples):
-        response = llm.predict(prompt, temperature=0.7)
-        # 提取最终答案
-        answer = extract_final_answer(response)
-        answers.append(answer)
-
-    # 多数投票
-    most_common = Counter(answers).most_common(1)[0][0]
-    return most_common
-```
-
-## ReAct (Reasoning + Acting)
-
-### ReAct 模板
-```python
-prompt = """
-你可以使用以下工具:
-- Search[query]: 搜索信息
-- Calculate[expression]: 计算数学表达式
-- Finish[answer]: 返回最终答案
-
-使用格式:
-Thought: 我需要做什么
-Action: 工具名[参数]
-Observation: 工具返回结果
-... (重复 Thought/Action/Observation)
-Thought: 我现在知道答案了
-Action: Finish[最终答案]
-
-问题: 埃菲尔铁塔的高度是多少米？它比自由女神像高多少？
-
-Thought: 我需要先查询埃菲尔铁塔的高度
-Action: Search[埃菲尔铁塔高度]
-Observation: 埃菲尔铁塔高 330 米（含天线）
-
-Thought: 现在需要查询自由女神像的高度
-Action: Search[自由女神像高度]
-Observation: 自由女神像高 93 米（含底座）
-
-Thought: 现在可以计算差值
-Action: Calculate[330 - 93]
-Observation: 237
-
-Thought: 我现在知道答案了
-Action: Finish[埃菲尔铁塔高 330 米，比自由女神像高 237 米]
-"""
-```
-
-### LangChain ReAct Agent
-```python
-from langchain.agents import initialize_agent, Tool, AgentType
-from langchain.tools import DuckDuckGoSearchRun
-from langchain.utilities import PythonREPL
-
-# 定义工具
-search = DuckDuckGoSearchRun()
-python_repl = PythonREPL()
-
-tools = [
-    Tool(
-        name="Search",
-        func=search.run,
-        description="搜索互联网信息"
-    ),
-    Tool(
-        name="Python",
-        func=python_repl.run,
-        description="执行 Python 代码进行计算"
-    )
-]
-
-# 初始化 ReAct Agent
-agent = initialize_agent(
-    tools,
-    llm,
-    agent=AgentType.REACT_DOCSTORE,
-    verbose=True,
-    max_iterations=5
-)
-
-result = agent.run("2024 年奥运会在哪里举办？有多少个国家参加？")
-```
-
-## Tree-of-Thoughts (ToT)
-
-### ToT 实现
-```python
-class TreeOfThoughts:
-    def __init__(self, llm, max_depth=3, beam_width=3):
-        self.llm = llm
-        self.max_depth = max_depth
-        self.beam_width = beam_width
-
-    def solve(self, problem: str):
-        # 1. 生成初始思路
-        thoughts = self._generate_thoughts(problem, depth=0)
-
-        # 2. 评估思路
-        scored_thoughts = self._evaluate_thoughts(problem, thoughts)
-
-        # 3. 选择最佳路径（Beam Search）
-        best_thoughts = sorted(scored_thoughts, key=lambda x: x[1], reverse=True)[:self.beam_width]
-
-        # 4. 递归扩展
-        if self.max_depth > 1:
-            for thought, score in best_thoughts:
-                sub_problem = f"{problem}\n已有思路: {thought}\n继续推理:"
-                return self.solve(sub_problem)
-
-        return best_thoughts[0][0]
-
-    def _generate_thoughts(self, problem: str, depth: int):
-        prompt = f"""
-问题: {problem}
-
-生成 3 个不同的解决思路:
-1.
-2.
-3.
-"""
-        response = self.llm.predict(prompt)
-        return self._parse_thoughts(response)
-
-    def _evaluate_thoughts(self, problem: str, thoughts: list):
-        scored = []
-        for thought in thoughts:
-            prompt = f"""
-问题: {problem}
-思路: {thought}
-
-评估这个思路的质量（0-10 分）:
-- 逻辑性
-- 可行性
-- 完整性
-
-分数:
-"""
-            score = float(self.llm.predict(prompt).strip())
-            scored.append((thought, score))
-        return scored
-```
-
-## 模板设计
-
-### System/User/Assistant 结构
-```python
-messages = [
-    {
-        "role": "system",
-        "content": "你是一位专业的 Python 开发者，擅长代码审查和优化。"
-    },
-    {
-        "role": "user",
-        "content": "请审查这段代码:\n```python\n{code}\n```"
-    },
-    {
-        "role": "assistant",
-        "content": "我会从以下方面审查:\n1. 代码质量\n2. 性能优化\n3. 安全问题"
-    },
-    {
-        "role": "user",
-        "content": "重点关注安全问题"
-    }
-]
-```
-
-### 分隔符与结构化
-```python
-prompt = """
-### 指令
-将以下代码转换为 TypeScript。
-
-### 输入代码
-```python
-{python_code}
-```
-
-### 输出要求
-1. 保持原有逻辑
-2. 添加类型注解
-3. 使用 ES6+ 语法
-
-### 输出代码
-```typescript
-"""
-```
-
-### 变量插值
-```python
-from langchain.prompts import PromptTemplate
-
-template = """
-作为 {role}，请完成以下任务:
-
-任务: {task}
-上下文: {context}
-约束条件:
-{constraints}
-
-输出格式: {output_format}
-"""
-
-prompt = PromptTemplate(
-    input_variables=["role", "task", "context", "constraints", "output_format"],
-    template=template
-)
-
-formatted = prompt.format(
-    role="安全工程师",
-    task="分析漏洞",
-    context="Web 应用",
-    constraints="- 仅分析 OWASP Top 10\n- 提供修复建议",
-    output_format="JSON"
-)
-```
-
-## 优化技巧
-
-### 清晰性原则
-```python
-# ❌ 模糊
-"写一些关于 AI 的东西"
-
-# ✅ 清晰
-"""
-写一篇 500 字的文章，介绍 AI 在医疗领域的应用。
-包含:
-1. 疾病诊断
-2. 药物研发
-3. 个性化治疗
-每个部分约 150 字。
-"""
-```
-
-### 分步指令
-```python
-prompt = """
-请按以下步骤分析代码:
-
-步骤 1: 识别代码的主要功能
-步骤 2: 列出潜在的安全问题
-步骤 3: 对每个问题提供修复建议
-步骤 4: 给出优化后的代码
-
-代码:
-```python
-{code}
-```
-
-开始分析:
-"""
-```
-
-### 约束与边界
-```python
-prompt = """
-生成一个 Python 函数，满足以下要求:
-
-功能: 计算斐波那契数列第 n 项
-
-约束:
-- 使用递归实现
-- 添加缓存优化
-- 包含类型注解
-- 添加 docstring
-- 处理边界情况 (n < 0)
-
-不要:
-- 使用循环
-- 使用全局变量
-- 导入外部库
-
-代码:
-"""
-```
-
-### 示例驱动
-```python
-prompt = """
-将自然语言转换为 SQL 查询。
-
-示例 1:
-输入: 查询所有年龄大于 30 的用户
-输出: SELECT * FROM users WHERE age > 30;
-
-示例 2:
-输入: 统计每个部门的员工数量
-输出: SELECT department, COUNT(*) FROM employees GROUP BY department;
-
-示例 3:
-输入: 查询销售额前 10 的产品
-输出: SELECT * FROM products ORDER BY sales DESC LIMIT 10;
-
-现在转换:
-输入: {natural_language}
-输出:
-"""
-```
-
-## 高级技巧
-
-### 思维链提示词库
-```python
-COT_PROMPTS = {
-    "zh": [
-        "让我们一步步思考:",
-        "让我们逐步分析:",
-        "让我们分解这个问题:",
-        "首先，我们需要理解...",
-    ],
-    "en": [
-        "Let's think step by step:",
-        "Let's break this down:",
-        "Let's approach this systematically:",
-        "First, we need to understand...",
-    ]
-}
-```
-
-### 元提示（Meta-Prompting）
-```python
-meta_prompt = """
-你是一个 Prompt 工程专家。给定一个任务，生成最优的 Prompt。
-
-任务: {task}
-
-生成的 Prompt 应该:
-1. 清晰定义角色和目标
-2. 包含具体的输出格式
-3. 提供 2-3 个示例
-4. 设置必要的约束条件
-
-生成的 Prompt:
-"""
-
-# 使用 LLM 生成 Prompt
-optimized_prompt = llm.predict(meta_prompt.format(task="代码审查"))
-```
-
-### 自我批评
-```python
-def self_critique(question: str):
-    # 第一次生成
-    answer = llm.predict(f"问题: {question}\n答案:")
-
-    # 自我批评
-    critique_prompt = f"""
-问题: {question}
-答案: {answer}
-
-请批评这个答案的不足之处:
-1. 准确性
-2. 完整性
-3. 清晰度
-
-批评:
-"""
-    critique = llm.predict(critique_prompt)
-
-    # 改进答案
-    improve_prompt = f"""
-问题: {question}
-初始答案: {answer}
-批评意见: {critique}
-
-基于批评意见，生成改进后的答案:
-"""
-    improved = llm.predict(improve_prompt)
-    return improved
-```
-
-### 多角色对话
-```python
-prompt = """
-模拟三位专家讨论问题:
-
-问题: {question}
-
-专家 A (乐观派):
-{optimistic_view}
-
-专家 B (悲观派):
-{pessimistic_view}
-
-专家 C (中立派):
-综合 A 和 B 的观点，我认为...
-"""
-```
-
-## Prompt 模板库
-
-### 代码生成
-```yaml
-code_generation:
-  system: "你是一位资深的 {language} 开发者。"
-  template: |
-    生成 {language} 代码实现以下功能:
-
-    功能描述: {description}
-
-    要求:
-    - 遵循 {language} 最佳实践
-    - 添加必要的注释
-    - 处理异常情况
-    - 包含使用示例
-
-    代码:
-```
-
-### 文本摘要
-```yaml
-summarization:
-  template: |
-    将以下文本总结为 {length} 字的摘要:
-
-    文本:
-    {text}
-
-    摘要要求:
-    - 保留关键信息
-    - 语言简洁
-    - 逻辑清晰
-
-    摘要:
-```
-
-### 数据提取
-```yaml
-extraction:
-  template: |
-    从文本中提取以下信息:
-
-    提取字段: {fields}
-
-    文本:
-    {text}
-
-    输出格式: JSON
-
-    提取结果:
-```
-
-## 工具与资源
-
-| 工具 | 类型 | 用途 |
-|------|------|------|
-| LangChain | 框架 | Prompt 模板管理 |
-| PromptBase | 市场 | Prompt 交易平台 |
-| OpenPrompt | 库 | Prompt 学习框架 |
-| Guidance | 库 | 结构化生成 |
-| LMQL | 语言 | Prompt 编程语言 |
-
-## 最佳实践
-
-- ✅ 清晰指令：具体、明确、可执行
-- ✅ 结构化：使用分隔符、编号、格式
-- ✅ 示例驱动：提供 2-5 个高质量示例
-- ✅ 约束明确：说明要做什么和不做什么
-- ✅ 迭代优化：测试、分析、改进
-- ✅ 版本管理：记录 Prompt 变更历史
-- ✅ A/B 测试：对比不同 Prompt 效果
-- ❌ 避免：模糊指令、过长 Prompt、无示例
-
----