这一篇将介绍，如何使用代码编程，实现同样的功能。更强大、更灵活，更适合企业使用。
1.Prompt是大模型的编程语言，提示词工程本质上还是调用大模型的能力，做了一层包装，能够完成特定的任务。
2.可以在调用大模型能力之前，以及大模型返回之后且返回用户之前，做一些特殊处理，让大模型更具针对性或者完成特殊功能。
3.对于大模型而言，提示词分为三类：
System Prompt（系统提示词）：设定好之后，不会变化，每次提问，都会带上这个提示词，例如人设、步骤、要求。
User Prompt（用户提示词）：每次用户提问时候给的提示词。
Assistant Prompt （助理提示词）：大模型每次返回的提示词。
4.大模型本身没有记忆，所以多轮对话，都需要把每次对话的历史，以及当前用户的提问拼接在一起，组装成新的提示词给到大模型，大模型才会联系上下文进行回答。
import osfrom config.load_key import load_key# 加载 API Keyload_key()print(f'''你配置的 API Key 是：{os.environ["DASHSCOPE_API_KEY"][:5]+"*"*5}''')
from openai import OpenAIimport osclient = OpenAI( base_url = "https://api.siliconflow.cn/v1", api_key = os.getenv("DASHSCOPE_API_KEY"),)prompt = '''民事执行程序中，被执行人名下的房屋二拍仍然流拍，申请人以流拍价购买。人民法院裁定房屋归申请人所有后，经历多年才由人民法院交付。执行程序依法终结后，申请人主张自裁定生效之日到实际交付之日的损失，人民法院是否应当受理？被执行人是否应当损失承担赔偿责任？'''completion = client.chat.completions.create( model="deepseek-ai/DeepSeek-R1", messages=[{"role":"user","content":prompt}], temperature=0.6, top_p=0.7, max_tokens=4096, stream = True # 是否流式输出)for chunk in completion: if chunk.choices[0].delta.content is not None: print(chunk.choices[0].delta.content, end="")
from openai import OpenAIimport osclient = OpenAI( base_url = "https://api.siliconflow.cn/v1", api_key = os.getenv("DASHSCOPE_API_KEY"),)system_prompt = '''# 角色 你是资深大律师你的目标是针对用户给出的法律问题，一步一的思考，进行深度的回答，提出最细粒度的主张、法律依据、事实依据和可执行的步骤## 工作步骤 1.针对用户给出的案例背景和问题，进行第一次的分析，列出可能的主张、法律依据、事实依据和用户下一步可执行的操作。如果用户没有提供足够的事实依据，可提供过往同类型案例事实依据作为参考。2.针对第一步中的每一个步骤，进行进一步的拆解，作为子主张，分别再给出法律依据、事实依据和下一步可执行的操作。如果用户没有提供足够的事实依据，可提供过往同类型案例事实依据作为参考。3. 重复第二步，直到无法再进一步分解或者具体可执行为止。通过这样的对话，你可以做一个整体总结，按具体操作步骤，给客一个整体结论。'''def get_completion(prompt): completion = client.chat.completions.create( model="deepseek-ai/DeepSeek-R1", messages=[ {"role":"system", "content":system_prompt}, {"role":"user","content":prompt} ], temperature=0.6, top_p=0.7, max_tokens=4096, stream = True # 是否流式输出 ) for chunk in completion: if chunk.choices[0].delta.content is not None: yield chunk.choices[0].delta.contentuser_prompt = '''民事执行程序中，被执行人名下的房屋二拍仍然流拍，申请人以流拍价购买。人民法院裁定房屋归申请人所有后，经历多年才由人民法院交付。执行程序依法终结后，申请人主张自裁定生效之日到实际交付之日的损失，人民法院是否应当受理？被执行人是否应当损失承担赔偿责任？'''for result in get_completion(user_prompt): print(result, end="")
from openai import OpenAIimport osclient = OpenAI( base_url = "https://api.siliconflow.cn/v1", api_key = os.getenv("DASHSCOPE_API_KEY"),)system_prompt = '''# 角色 你是资深大律师你的目标是针对用户给出的法律问题，一步一的思考，进行深度的回答，提出最细粒度的主张、法律依据、事实依据和可执行的步骤## 工作步骤 1.针对用户给出的案例背景和问题，进行第一次的分析，列出可能的主张、法律依据、事实依据和用户下一步可执行的操作。如果用户没有提供足够的事实依据，可提供过往同类型案例事实依据作为参考。2.针对第一步中的每一个步骤，进行进一步的拆解，作为子主张，分别再给出法律依据、事实依据和下一步可执行的操作。如果用户没有提供足够的事实依据，可提供过往同类型案例事实依据作为参考。3. 重复第二步，直到无法再进一步分解或者具体可执行为止。通过这样的对话，你可以做一个整体总结，按具体操作步骤，给客一个整体结论。'''session = [ { "role": "system", "content": system_prompt }]def get_completion(prompt): session.append({"role":"user","content":prompt}) completion = client.chat.completions.create( model="deepseek-ai/DeepSeek-R1", messages=session, temperature=0.6, top_p=0.7, max_tokens=4096, stream = True # 是否流式输出 ) for chunk in completion: if chunk.choices[0].delta.content is not None: yield chunk.choices[0].delta.content # 把历史信息添加到session中 session.append({"role":"assistant","content":chunk.choices[0].delta.content})print("-----------第一轮对话-----------")user_prompt1 = '''民事执行程序中，被执行人名下的房屋二拍仍然流拍，申请人以流拍价购买。人民法院裁定房屋归申请人所有后，经历多年才由人民法院交付。执行程序依法终结后，申请人主张自裁定生效之日到实际交付之日的损失，人民法院是否应当受理？被执行人是否应当损失承担赔偿责任？'''for result in get_completion(user_prompt1): print(result, end="")print("-----------第二轮对话-----------")user_prompt2 = '''请根据上述对话，总结一下你的结论'''for result in get_completion(user_prompt2): print(result, end="")print("-----------第三轮对话-----------")user_prompt3 = '''请把最终结果，以markdown的形式输出'''for result in get_completion(user_prompt2): print(result, end="")
下一篇见啦。
