一、需使用 Prompt 的典型场景
明确任务导向的指令型交互
- 场景：用户直接提出具体需求（如 “帮我订明天的机票”“查询天气”）。
- Prompt 设计：需包含明确目标、约束条件（如时间、地点），例：“作为旅行助手，帮用户预订 2025 年 6 月 15 日从北京到上海的经济舱机票，预算不超过 1500 元，优先选择上午航班。”
多轮对话的上下文管理
- 场景：用户在多轮对话中延续话题（如 “刚才说的机票，能改到下午吗？再加酒店推荐”）。
- Prompt 设计：需拼接历史对话信息，例：“用户之前查询了 6 月 15 日北京到上海的上午机票，现希望改到下午，并需要推荐 3 家浦东机场附近的酒店，预算 500-800 元。”
复杂逻辑推理或知识调用
- 场景：涉及计算、知识检索（如 “1 立方米水等于多少吨？”“爱因斯坦的相对论主要内容”）。
- Prompt 设计：需指定知识来源或推理步骤，例：“作为百科助手，用通俗语言解释爱因斯坦狭义相对论的两个基本原理，并举例说明。”
风格或角色定制化交互
- 场景：用户要求特定语气（如 “用诗歌形式描述春天”“以客服语气回复投诉”）。
- Prompt 设计：需定义角色、风格关键词，例：“扮演浪漫诗人，以‘春雨’为主题创作一首七言绝句，要求押韵且意境优美。”
二、需选择模型的典型场景及适配方案
| 场景类型 | 核心需求 | 推荐模型 | 优势说明 |
|---|---|---|---|
| 单轮简单问答 | 快速响应、事实性回答 | 轻量级 LLM（如 GPT-3.5-turbo） | 低成本、高响应速度，适合高频简单问题（如 “今天天气如何”）。 |
| 多轮对话管理 | 上下文理解、对话状态跟踪 | 支持长上下文的模型（如 Claude 3、GPT-4） | 能处理 2000+token 对话历史，保持对话连贯性（如电商客服多轮咨询）。 |
| 专业领域问答 | 垂直领域知识（如医疗、法律） | 领域微调模型（如 Med-PaLM、法律 GPT） | 针对特定领域训练，减少 “幻觉”，提升专业回答准确性（如 “糖尿病饮食建议”）。 |
| 任务型对话（如订票、下单） | 结构化数据处理、API 调用 | 混合模型（LLM + 工具调用框架） | 通过函数调用对接外部系统（如调用机票 API），实现任务闭环（如 “完成订票”）。 |
| 创意生成（如文案、诗歌） | 内容创作、风格多样性 | 生成式模型（如 GPT-4、Claude 3） | 支持创意文本生成，可控性高（如 “生成促销文案”“创作故事”）。 |
三、模型与 Prompt 的协同策略
- 通用场景：使用轻量级模型 + 结构化 Prompt（如明确目标 + 约束），平衡效率与效果。
- 复杂场景：高能力模型（如 GPT-4）+ 渐进式 Prompt（分步骤引导推理，例：先问 “问题类型”，再逐步补充条件）。
- 领域场景：领域适配模型 + 专业 Prompt（包含行业术语、规则，如医疗场景需注明 “遵循最新临床指南”）。
四、关键原则
- Prompt 优先场景：需求明确、逻辑简单、需快速调整策略时，通过优化 Prompt 提升效果（无需重新训练模型）。
- 模型优先场景：需求固定、对准确率 / 效率要求高、需长期迭代时，选择或微调适配模型（如企业级客服场景）。
通过结合场景特性动态调整 Prompt 设计与模型选择，可最大化对话机器人的响应质量与效率。