Advanced Prompt Techniques：进阶提示工程技术与实战

def expert_prompting(domain: str, question: str) -> str:
    """通过角色激活让模型展示专家级能力"""
    
    prompt = f"""你是 {domain} 领域的顶尖专家，拥有 20 年以上的研究和实践经验。

作为专家，你的任务：
1. 用专家视角分析问题，不简化不泛化
2. 展示专业术语和领域特有的思考框架
3. 指出问题的核心难点和常见误区
4. 提供有实操性的建议，而非泛泛而谈

问题是：{question}

请在回答前先输出：
[Expert Analysis]: 你对此问题的专业判断
[Framework]: 你计划采用的分析框架
[Answer]: 你的专业回答"""

    return prompt

def calibrated_expert(question: str, domain: str) -> str:
    """带置信度校准的专家回答"""
    
    prompt = f"""作为 {domain} 专家回答以下问题。回答要求：

1. 必须标注每个观点或结论的置信度（确定/很可能/可能/不确定）
2. 区分"主流共识"和"个人观点"
3. 指出存在争议或不确定的领域
4. 如果无法确定，明确说"不确定"而非猜测

格式：
[置信度: 确定]
观点内容...

[置信度: 可能]
观点内容...

[不确定]
尚未形成确定结论的部分...

问题：{question}"""
    
    return prompt

def multi_expert_system(question: str) -> str:
    """多专家协作系统"""
    
    prompt = """你对以下问题进行多专家协作分析。每个专家独立输出分析后，最终整合。

## 问题
{question}

## 专家 1：首席分析师
角色：具备跨领域视野的资深分析师
分析要求：定义问题边界，建立分析框架

## 专家 2：领域专家
角色：该领域的技术专家
分析要求：技术层面的深度剖析

## 专家 3：批评者
角色：习惯性挑战每一个假设
分析要求：找出所有可能的漏洞和盲点

## 整合阶段
综合以上三位专家的分析，形成最终结论。
指出专家之间的一致和分歧之处。
"""

    return prompt

def contrastive_prompting(task_description: str, good_example: str, bad_example: str, query: str) -> str:
    """使用正反示例进行对比式提示"""
    
    prompt = f"""任务：{task_description}

## ✅ 正确示例
{good_example}

## ❌ 错误示例
{bad_example}
错误原因：<分析这段为什么不符合要求>

## 你的任务
参考正确示例的模式，避免错误示例的问题，完成：
{query}"""
    
    return prompt

def meta_prompt_optimizer(original_task: str) -> str:
    """让 LLM 自己优化 Prompt"""
    
    prompt = f"""你是一个提示工程专家。请分析以下任务描述，并给出优化后的 System Prompt。

原始任务：
{original_task}

优化要求：
1. 识别原始描述中的模糊之处
2. 补充必要的约束和格式说明
3. 增加 Few-shot 示例（如有需要）
4. 明确输出格式
5. 预估可能的问题并提前规避

输出格式：
## 问题分析
<对原始 Prompt 的问题诊断>

## 优化后的 System Prompt
<完整的 System Prompt>

## 优化说明
<逐条说明每项优化的理由>
"""
    
    return prompt

# 使用示例
original = "帮我把文档翻译成英文"
optimized_prompt = meta_prompt_optimizer(original)

def self_consistency_check(response: str, original_query: str) -> str:
    """让 LLM 检查自己的回答是否自洽"""
    
    check_prompt = f"""你是一个严格的质量检查员。请检查以下回答是否：

1. 完整回应了原始问题
2. 逻辑前后一致，没有自相矛盾
3. 事实性内容准确
4. 没有遗漏关键部分
5. 语言表述清晰

## 原始问题
{original_query}

## 待检查的回答
{response}

## 检查结果
完整性：[是/否，如果否请说明遗漏了什么]
逻辑自洽性：[是/否，如果否请指出矛盾点]
事实准确性：[是/否，如果不确定请标注]
语言清晰度：[优/良/差]
综合评分：[1-10]
改进建议：<如果有的话>"""

    return check_prompt

迭代次数：1  输出质量：5/10
迭代次数：2  输出质量：7/10  (+2)
迭代次数：3  输出质量：8/10  (+1)
迭代次数：4  输出质量：8/10  (0)
→ 第 3 次后收益递减，停止迭代

经验法则：多数场景下 2-3 次迭代即可达到收益拐点

def step_back_prompting(question: str) -> str:
    """先抽象再具体，提升回答质量"""
    
    prompt = f"""对于以下问题，请先退一步思考更高层次的原理，再进行具体回答。

## 具体问题
{question}

## Step 1：退一步思考
先思考：
1. 这个问题属于什么大类/范畴？
2. 在这个范畴下的第一性原理是什么？
3. 通用的解决框架是什么？

## Step 2：映射回具体问题
将上述通用框架应用到本问题：
- 框架中的哪部分对应本问题的哪个要素？
- 需要对框架做哪些调整？

## Step 3：具体回答
基于以上分析，给出具体的回答。"""
    
    return prompt

# 使用示例
question = "如何降低用户流失率？"
# Step-back 版本先问："用户留存的一般理论是什么？"
# 再回到："基于这些理论，我们的具体产品该如何改动"

def emotion_prompting(question: str, pressure_level: str = "medium") -> str:
    """根据压力等级注入情感元素"""
    
    pressure_templates = {
        "low": "请随意回答这个问题。",
        "medium": "这对我的职业生涯很重要，请认真回答。",
        "high": "这是我最后一次机会了！回答一定要出色！",
        "stakeholder": "你的回答将直接影响公司下季度的决策。"
    }
    
    return f"{question}\n\n{pressure_templates[pressure_level]}"

def advanced_prompt_chain(question: str) -> str:
    """组合多种进阶技术的链式 Prompt"""
    
    chain = f"""
[Expert Activation]
你是一位顶尖的 {detect_domain(question)} 专家。

[Meta Instruction]
请先分析问题类型，再用最合适的分析框架回答。

[Step-back Requirement]
在回答前，请先退一步思考：
- 这个问题的本质是什么？
- 第一性原理层面的核心是什么？

[Contrastive Check]
在给出最终答案前，请先指出：
- 哪些常见做法是错误的？
- 为什么它们会失败？

[Emotion Injection]
请注意：这个回答将用于重要决策。

[Output Format]
按照以下结构输出：
1. 问题本质分析
2. 深入解答
3. 常见误区
4. 最终建议

问题：{question}
"""

    return chain

cost_benefit = {
    "Expert Prompting": {"cost": "低", "benefit": "中", "complexity": "低"},
    "Contrastive": {"cost": "中", "benefit": "高", "complexity": "中"},
    "Meta Prompting": {"cost": "高", "benefit": "高", "complexity": "高"},
    "Step-back": {"cost": "低", "benefit": "中高", "complexity": "低"},
    "Emotion": {"cost": "极低", "benefit": "低中", "complexity": "极低"},
    "Multi-expert": {"cost": "极高", "benefit": "非常高", "complexity": "极高"},
}