7.1 智能客服领域智能客服是提示词工程最成熟的应用场景。核心在于构建一个能够理解意图、记忆上下文并给出准确回复的闭环系统。全流程 Prompt 设计NLU→DST→NLG 的端到端优化与其将 NLU意图识别、DST状态跟踪、NLG回复生成拆分为三个独立的 API 调用成本高、延迟大不如设计一个​全能型系统提示词​让模型在一次调用中完成所有任务但输出结构化的中间状态。复杂场景扩展多产品、多意图、多轮交互当产品库变大如几十种套餐或用户意图复杂如“我想把现在的套餐降级但是要保留那个流量包”时Prompt 需要具备更强的逻辑处理能力。​策略​在 Prompt 中引入“思维链”让模型先分析用户意图再查询知识库最后生成回复。7.2 内容生成领域内容生成AIGC的核心在于风格控制和​格式合规​。营销文案 / 报告生成角色 示例 格式的精准设计​角色​不仅是“你是一个作家”而是“你是一个深谙小红书算法的种草博主”。​示例​提供一段爆款文案作为 Few-shot 示例让模型模仿其语气、表情符号的使用和段落结构。​格式​强制要求输出 Markdown 格式包含标题、正文、标签。代码生成上下文 输入输出约束​上下文​提供相关的代码库结构或依赖库版本。​约束​明确输入参数的类型、预期的输出格式、以及错误处理机制。7.3 数据分析与解读领域大模型本身不擅长直接计算容易幻觉但擅长编写代码或​逻辑推理​。指标分析思维链在数据逻辑推理中的应用不要直接问“为什么销售额下降了”而是要求模型​拆解指标​销售额 流量 × 转化率 × 客单价。​逐步排查​先看流量是否下降再看转化率。​得出结论​。可视化指令输出格式与数据分析工具的适配模型不直接画图但可以生成绘图代码如 Python Matplotlib 或 ECharts JSON。Prompt 需要精确描述图表类型、坐标轴定义和颜色风格。7.4 教育 / 培训领域教育的核心是因材施教和​启发式引导​。个性化教学角色教师 上下文学生水平 示例Prompt 需要包含学生的背景信息如“小学三年级刚学乘法”并要求 AI 使用适合该年龄段的类比如用苹果举例。作业批改规则明确化 思维链验证批改不仅仅是给分更要指出错误原因。利用 CoT 让模型先分析解题步骤再判断对错最后给出评语。配套代码实现与流程图我们将通过 Python 代码演示上述四个场景的核心 Prompt 逻辑。fromopenaiimportOpenAIimportjson clientOpenAI(api_keyyour-api-key)# # 7.1 智能客服全能型系统提示词# defrun_customer_service(user_input,conversation_history):system_prompt # 角色 你是“极客通讯”的资深客服专家。 # 任务 1. 分析用户意图 (Intent)。 2. 提取关键信息 (Slots)。 3. 根据【产品库】匹配最佳方案。 4. 生成友好、专业的回复。 # 产品库 - 流量王: 59元/月, 30GB, 100分钟通话 - 畅聊卡: 39元/月, 5GB, 500分钟通话 - 学生卡: 19元/月, 10GB (限寒暑假) # 输出格式 请输出一个JSON对象包含 { intent: 咨询/办理/投诉, slots: {product: ..., price: ...}, reasoning: 简短的思考过程比如排除了哪个产品, reply: 最终给用户的回复 } messages[{role:system,content:system_prompt}]conversation_history[{role:user,content:user_input}]responseclient.chat.completions.create(modelgpt-4o,messagesmessages,response_format{type:json_object},# 强制JSON输出temperature0.3)returnjson.loads(response.choices[0].message.content)# # 7.2 内容生成小红书爆款文案# defgenerate_xiaohongshu_copy(product_name,features):system_prompt 你是一个拥有百万粉丝的小红书美妆博主。 你的风格热情、亲切、喜欢用Emoji、标题要吸引人包含感叹号或疑问句。 请根据产品信息写一篇种草文案。 结构要求 1. 标题20字以内吸引眼球 2. 正文分点描述突出痛点解决 3. 标签#种草 #美妆 等 user_promptf产品名{product_name}。特点{features}responseclient.chat.completions.create(modelgpt-4o,messages[{role:system,content:system_prompt},{role:user,content:user_prompt}],temperature0.8# 高温度增加创意)returnresponse.choices[0].message.content# # 7.3 数据分析思维链 代码生成# defanalyze_sales_data(data_description):system_prompt 你是一位资深数据分析师。 请根据用户提供的数据描述进行逻辑拆解并生成一段Python代码来绘制分析图表。 请按以下步骤思考 1. 分析目标用户想看什么 2. 指标拆解需要计算哪些指标 3. 图表选择哪种图表最适合展示这些数据 4. 代码生成使用matplotlib生成绘图代码。 responseclient.chat.completions.create(modelgpt-4o,messages[{role:system,content:system_prompt},{role:user,content:data_description}],temperature0.2)returnresponse.choices[0].message.content# # 7.4 教育培训苏格拉底式辅导# deftutor_student(student_level,question,student_answer):system_promptf 你是一位耐心的小学{student_level}数学老师。 你的任务不是直接给答案而是引导学生自己发现错误。 批改规则 1. 判断学生答案是否正确。 2. 如果错误指出是哪一步逻辑出了问题。 3. 给出一个类似的简单例子作为提示。 4. 最后给出鼓励性的评语。 user_promptf题目{question}\n学生回答{student_answer}responseclient.chat.completions.create(modelgpt-4o,messages[{role:system,content:system_prompt},{role:user,content:user_prompt}],temperature0.5)returnresponse.choices[0].message.content# 运行演示 if__name____main__:print( 7.1 智能客服 )# 模拟对话历史history[{role:user,content:我想办个便宜点的卡平时打电话多。}]# 注意实际运行需传入history这里简化演示# result run_customer_service(有没有适合打电话的, history)# print(f客服回复: {result[reply]})print(代码逻辑已定义实际运行需API Key)print(\n 7.2 内容生成 )# print(generate_xiaohongshu_copy(美白精华, 见效快温和不刺激))print(\n 7.3 数据分析 )# print(analyze_sales_data(这是某店近7天的销售额数据[100, 120, 90, 150, 130, 180, 200]我想看趋势。))print(\n 7.4 教育培训 )# print(tutor_student(三年级, 25 * 4 ?, 25 * 4 100))Mermaid 流程图智能客服全流程JSON格式非JSONPrompt 内部逻辑意图识别 NLU状态跟踪 DST知识库检索思维链推理 Reasoning回复生成 NLG用户输入输出格式检查解析 JSON提取回复文本回复用户更新对话状态数据库重试或报错总结本章展示了提示词工程在不同行业的落地形态客服重在​结构化与准确性​。内容生成重在​风格模仿与创意​。数据分析重在​逻辑拆解与工具使用​。教育重在​角色代入与引导策略​。