LLM应用全流程开发课件

Appearance

问题调试：如何改进不理想的输出 ​

识别常见输出问题 ​

AI模型输出有时会出现各种不如预期的情况，识别具体问题类型是改进的第一步。

常见问题类型及案例 ​

问题类型表现特征案例示例
内容不准确包含事实错误、逻辑错误错误的历史日期、错误的技术信息
内容不完整回答不全面、遗漏关键部分只回答了多部分问题中的一部分
内容过于泛泛缺乏具体性、无实质内容"这个问题有多种方法可以解决..."
格式混乱结构不清晰、排版混乱代码与文本混合、无段落划分
风格不符语气、专业度与需求不符技术文档却使用过于口语化的表达
内容冗长啰嗦、重复、包含不必要信息过多的背景铺垫、不必要的解释
内容过时使用过时的信息或方法推荐已淘汰的技术、过时的API用法
理解偏差误解原问题意图问A答B、曲解问题核心

调试与改进策略 ​

针对不理想的输出，可采用以下系统性方法进行调试和改进。

1. 明确澄清策略 ​

当AI输出不符合预期时，首先直接告诉它问题所在。

问题输出示例：

问题：请推荐5种提高网站加载速度的方法
AI回答：网站加载速度对用户体验至关重要。研究表明，如果网页加载时间超过3秒，约40%的用户会放弃访问...（长篇理论介绍，没有直接给出方法）

调试提示词：

你的回答主要是关于网站速度重要性的理论，但没有直接回答我的问题。请直接列出5种具体的提高网站加载速度的技术方法，每种方法简要说明实施要点。

2. 逐步引导策略 ​

对于复杂问题，可以将大问题分解为小步骤，逐步引导AI生成更好的输出。

问题输出示例：

问题：设计一个电子商务网站的数据库架构
AI回答：（给出了过于简化的架构，只包含用户表和产品表，缺少订单、支付等关键部分）

调试提示词：

这是一个好的开始，但电商数据库架构需要更多表来支持完整功能。让我们一步步完善：

1. 首先，请扩展用户表，增加必要的字段如地址、支付信息等
2. 然后，设计订单相关的表结构
3. 接着，添加产品库存和分类管理相关表
4. 再设计支付和交易记录相关表
5. 最后，考虑评价、购物车等功能的表设计

对每个部分，请给出表名、字段、关系和索引建议。

3. 示例校准策略 ​

提供良好和不良的示例，帮助AI理解你期望的输出标准。

问题输出示例：

问题：编写一个Python函数计算斐波那契数列
AI回答：（提供了正确但没有注释、错误处理和性能优化的代码）

调试提示词：

你的代码功能上是正确的，但我希望得到更专业的实现。请参考以下标准：

不良示例(不要这样写)：

def fib(n): if n <= 1: return n return fib(n-1) + fib(n-2)


良好示例(按这个标准提供)：

def fibonacci(n: int) -> int: """ 计算斐波那契数列的第n个数 使用动态规划方法避免递归导致的重复计算

Args:
    n: 非负整数，指定要计算的斐波那契数列位置
    
Returns:
    第n个斐波那契数
    
Raises:
    ValueError: 当n为负数时
"""
if not isinstance(n, int):
    raise TypeError("输入必须是整数")
if n < 0:
    raise ValueError("输入必须是非负整数")

if n <= 1:
    return n
    
# 使用动态规划避免递归
fib = [0, 1]
for i in range(2, n + 1):
    fib.append(fib[i-1] + fib[i-2])

return fib[n]


请按照良好示例的标准重写斐波那契函数，注意添加完整注释、错误处理并优化性能。

4. 角色与场景设定策略 ​

通过设定特定角色或场景，引导AI从更合适的角度回答问题。

问题输出示例：

问题：解释量子计算的基本原理
AI回答：（给出了技术性太强、充满专业术语的解释，难以理解）

调试提示词：

请你现在扮演一位善于向非专业人士解释复杂概念的科普作家，重新解释量子计算的基本原理。你的目标读者是高中毕业水平的普通人，应避免使用过于专业的术语，或在使用时提供通俗易懂的解释。使用生动的比喻和日常生活中的例子来帮助理解。

5. 格式与结构调整策略 ​

明确指定输出的格式、结构和组织方式。

问题输出示例：

问题：比较MySQL和MongoDB的优缺点
AI回答：（长篇大论，没有清晰结构，难以快速把握要点）

调试提示词：

请重新组织你的回答，使用以下结构：

1. 简短介绍（不超过3句话）
2. 比较表格，包含以下几行：
   - 数据模型
   - 查询语言
   - 扩展性
   - 事务支持
   - 适用场景
3. MySQL的主要优势（3-5点，每点1-2句话）
4. MongoDB的主要优势（3-5点，每点1-2句话）
5. 选择建议（根据不同项目需求给出清晰指南）

请确保内容精炼、重点突出、易于扫读。

6. 深度与广度平衡策略 ​

引导AI在广度和深度之间找到合适的平衡点。

问题输出示例：

问题：介绍机器学习在医疗领域的应用
AI回答：（列出了20多个应用，但每个只有一句话描述，缺乏深度）

调试提示词：

感谢你提供的广泛应用列表。现在，我希望你重新组织内容，选择其中3个最有影响力的应用方向进行深入分析：

对每个应用方向，请包含：
1. 基本概念和工作原理（2-3句）
2. 关键技术和算法（2-3个要点）
3. 一个具体的成功案例（包含实际成果数据）
4. 当前面临的挑战（2-3点）
5. 未来发展前景（2-3句）

总体内容控制在800字以内，确保深度和可读性平衡。

7. 反馈迭代策略 ​

通过多轮交互，逐步提供具体反馈，引导AI改进输出。

初始问题：

制作一个社区论坛的产品方案

调试过程：

AI: [给出了初步方案]

你: 这个方案缺乏用户研究部分，请添加目标用户分析、需求调研和用户画像内容。

AI: [增加了用户研究部分]

你: 用户研究部分很好，但功能列表过于宽泛。请按照"核心功能"、"增强功能"和"未来规划功能"三类优先级重新组织，并为每个功能添加简短的实现复杂度评估。

AI: [根据要求重组了功能]

你: 现在功能规划清晰多了。最后，请添加一个实施路线图，包含3个迭代阶段的时间规划和每阶段的关键里程碑。

提示词优化实战 ​

以下展示几个实际案例，说明如何通过提示词优化获得更好的输出。

案例1：改进代码生成质量 ​

原始提示词：

用Python写一个爬虫程序

优化后提示词：

请使用Python 3.8开发一个网页爬虫程序，具体要求如下：

目标网站：某新闻网站的文章列表页和详情页
爬取内容：文章标题、发布日期、作者、正文内容、阅读量
技术要求：
- 使用requests和BeautifulSoup库
- 实现页面解析和数据提取
- 添加随机延时和User-Agent轮换防反爬
- 将结果保存为CSV格式
- 实现异常处理和重试机制
- 遵循robots.txt规则

代码要求：
- 结构清晰，使用函数模块化不同功能
- 添加详细注释
- 包含适当的日志记录
- 提供使用示例

请提供完整的Python代码实现。

改进效果：从简单的几行代码改进为一个结构化、功能完善的爬虫程序，包含防反爬机制、异常处理和日志记录。

案例2：提高内容相关性和深度 ​

原始提示词：

AI对就业的影响

优化后提示词：

请分析人工智能技术对就业市场的多维度影响，内容需要:

1. 概述AI对就业的总体影响趋势（100字左右）

2. 分行业分析（每个行业150字左右）:
   - 制造业：自动化与人工协作
   - 服务业：客户服务的转变
   - 医疗行业：辅助诊断与医疗资源优化
   - 金融行业：算法交易与风险评估

3. 针对性分析以下三类岗位的变化:
   - 可能被替代的工作类型及原因
   - 将会转型的工作及所需新技能
   - 因AI出现的新兴工作机会

4. 对未来10年的预测，包括:
   - 就业结构变化趋势
   - 教育培训体系需要的调整
   - 社会政策应对建议

请确保内容基于最新研究和数据，避免过度乐观或悲观的偏见，提供平衡的分析视角。

改进效果：从泛泛而谈的概述改进为结构清晰、内容全面、深度适中的分析报告，包含具体行业和岗位的详细分析。

案例3：解决技术问题输出不完整 ​

原始提示词：

React组件不更新怎么办

优化后提示词：

我的React函数组件在状态变化后没有重新渲染，请帮我系统性地排查和解决这个问题。

技术环境:
- React 18.2.0
- 使用函数组件和React Hooks
- 状态管理使用useState和useContext

问题表现:
当我调用setState更新状态后，组件UI没有相应更新，虽然console.log显示新状态已正确设置。

请提供以下内容:
1. 可能导致组件不重新渲染的常见原因清单（至少5个）
2. 对每个原因的详细解释，包含简短的问题代码示例
3. 针对每个原因的解决方案，附带正确的代码实现
4. 系统性排查此类问题的调试步骤和工具建议
5. 如何编写防止此类问题的最佳实践

请特别关注React的渲染机制、引用相等性检查、memo优化以及状态更新的异步特性等关键概念。

改进效果：从简单的解决方案列表改进为系统性的问题分析、原因解释、代码示例和排查流程，让用户能够理解根本原因并学会调试方法。

提示词调试的黄金法则 ​

总结提升输出质量的关键原则：

  1. 明确期望 - 清晰表达你需要的确切结果，包括内容、格式和风格
  2. 提供上下文 - 给AI足够的背景信息来理解问题的全貌
  3. 结构化需求 - 使用编号、分段等方式组织你的问题
  4. 示例引导 - 提供输出示例或格式模板
  5. 迭代改进 - 视AI为协作伙伴，通过多轮交流不断完善
  6. 反馈具体 - 指出具体问题而非泛泛批评
  7. 角色设定 - 明确AI应该以什么身份/专业知识回答
  8. 分步引导 - 复杂问题分解为可管理的小步骤

记住："精确的问题才能得到精确的答案"。花时间设计提示词通常比反复尝试获得理想输出更有效率。