大型语言模型API调用与提示工程入门指南

掌握大语言模型的关键在于API调用技巧与Prompt工程。本文将详解Prompt设计方法、参数调整策略及代码实现，助你快速提升LLM应用能力。 如何设计高质量的 Prompt（Zero-shot、Few-shot、System/User Prompt） 如何调整关键参数（温度、流式输出） 如何编写同步、异步（流式调用）的代码（智谱 AI） 通过本文的学习，你将掌握大语言模型API调用的核心技能，从Prompt设计到代码实现，全面提升LLM应用开发效率。 1. Prompt 设计：让模型听懂你的话 在 llm-universe 中，所有输入被称为 Prompt，模型返回则称为 Completion。优质Prompt需遵循特定原则并包含以下要素： 核心原则与技巧 清晰性：指令明确，避免模糊表述 上下文背景：提供必要背景信息 简洁性：避免冗余，保持言简意赅 结构化：使用分隔符引导模型解析 控制参数：通过 temperature 调节输出特性 关键要素：完整Prompt应包含指令、上下文、输入数据、输出格式等 两种主要的 Prompt 类型 llm-universe 将Prompt分为两类：类型定义作用示例System Prompt持续生效的高级Prompt定义模型人设与工作原则"你是个幽默的知识库助手"User Prompt用户当前的具体指令下达即时任务"我今天的事务安排？" 1.1 两大核心原则 原则一：编写清晰、具体的指令 模糊指令易导致模型偏离预期，清晰指令应包含： 角色设定（通过System Prompt） 任务边界（明确范围） 输出格式（JSON/列表等） 长度或风格约束 指令越模糊，模型越容易出错。 模糊指令 清晰指令"写AI相关内容""用三点向初中生解释AI，每点≤30字""判断情感""判断评论情感，仅输出'正面'或'负面'" 实战技巧 使用分隔符：###、""" 分隔指令与数据 要求结构化输出：指定JSON格式及字段 设定否定条件：明确限制输出内容 原则二：给予模型充足思考时间（思维链 CoT） 复杂任务需让模型展示推理过程： 零样本思维链：Prompt后添加"让我们逐步思考" 少样本思维链：提供完整推理示例供模仿 1.2 Zero-shot、Few-shot模式示例数量适用场景Zero-shot0简单问答One-shot1格式固定任务Few-shot2~5专业领域输出 示例（情感分类）： Zero-shot："评论：床太硬了。情感：" → 输出"负面" Few-shot：提供正负面示例后再判断新评论 2. API 调用 2.1 同步调用 特点：阻塞等待完整结果 适用：翻译/摘要等一次性任务 示例代码： from zai import ZhipuAiClient client = ZhipuAiClient(api_key=API_KEY) response = client.chat.completions.create( model="glm-4-plus", messages=[{"role": "user", "content": "你好"}], stream=False ) print(response.choices[0].message.content) 2.2 流式输出（SSE，异步） SSE技术实现服务器向客户端实时推送数据： 特点：逐字返回，打字机效果 适用：聊天机器人等实时交互 示例代码： from zai import ZhipuAiClient client = ZhipuAiClient(api_key=API_KEY)stream = client.chat.completions.create( model="glm-4-plus", messages=[{"role": "user", "content": "讲个故事"}], stream=True ) for chunk in stream: if chunk.choices[0].delta.content: print(chunk.choices[0].delta.content, end=""，flush=True) 3. 关键参数：Temperature温度值行为适用场景0 ~ 0.2确定性输出代码生成0.3 ~ 0.6平衡输出