LlamaIndex中的Prompt机制与结构化模板设计

1. 理解LlamaIndex中的Prompt机制

在大语言模型应用中，Prompt（提示词）是与模型交互的核心媒介。它就像给一位知识渊博但缺乏具体指令的专家下达的工作说明书——如果没有明确的指示，专家可能会给出泛泛而谈的回答；而通过精心设计的Prompt，我们可以获得精准符合需求的输出。

LlamaIndex提供的PromptTemplate和ChatPromptTemplate，本质上是一种结构化提示词管理工具。它们解决了以下痛点：

1. 避免硬编码：将提示词逻辑与业务代码分离，便于维护和迭代
2. 支持动态变量：通过{var}语法实现上下文感知的提示生成
3. 统一管理：集中维护不同场景下的提示模板，确保一致性

提示：在实际项目中，建议为每个业务场景创建独立的prompt模板文件，而不是散落在代码各处。这既便于团队协作，也方便后续进行A/B测试优化提示效果。

2. Prompt的组成要素解析

一个高效的Prompt通常包含以下核心组件（根据实际需求组合使用）：

2.1 角色定义

python复制ChatMessage(content="你是一位资深Python工程师", role=MessageRole.SYSTEM)

• 作用：设定模型的"人设"，影响其回答的专业度和视角
• 技巧：角色描述越具体越好，例如"有10年Web开发经验的Django专家"比"程序员"效果更好

2.2 任务指令

python复制template = """请用不超过50字总结以下技术文档：
{doc_content}"""

• 关键点：
  • 明确动词（总结/改写/对比等）
  • 指定长度限制等量化要求
  • 说明输出格式（Markdown/JSON等）

2.3 上下文注入

python复制"已知需求文档：\n{req_doc}\n\n当前代码实现：\n{code_impl}"

• 最佳实践：
  • 对长上下文进行分块处理
  • 添加明显的分隔标记（如"-----"）
  • 重要信息放在前部（模型对开头内容更敏感）

2.4 示例演示

python复制"""
好的回答示例：
输入：如何优化SQL查询？
输出：1. 添加适当索引 2. 避免SELECT * 3. 优化JOIN顺序

现在请回答：
{user_question}
"""

• 适用场景：需要特定格式或风格的输出时
• 注意：示例必须与期望输出高度一致

3. 实战模板开发指南

3.1 基础问答模板优化版

python复制from llama_index.core import PromptTemplate

qa_template = PromptTemplate("""
[角色]
你是{domain}领域的资深专家

[背景]
以下是相关技术文档节选：
------
{context_str}
------

[任务]
请用{language}回答以下问题：
问题：{query_str}

[要求]
1. 分点列出核心要点
2. 每个要点附带简短解释
3. 如信息不足请明确说明
4. 使用技术术语但保持易懂

[输出格式]
### 问题重述
{query_str}

### 专业分析
1. 要点1: ...
   - 解释: ...
2. 要点2: ...
   - 解释: ...
   
### 补充说明
...
""")

# 使用示例
print(qa_template.format(
    domain="数据库优化",
    context_str=postgresql_tuning_guide,
    query_str="如何优化PostgreSQL的写入性能？",