提示词 on 水元素长弓

Unity中的提示词用法

Fri, 15 May 2026 22:10:42 +0800

Unity AI 提示词实战：5种主流写法（附可直接复制模板）

在Unity开发中，合理运用AI生成代码可显著提升开发效率，但实际应用中常出现代码风格混乱、不符合项目规范、逻辑存在漏洞、需大量返工等问题。

除基础的Zero-shot（零样本）和Few-shot（少样本）写法外，本文整理了Unity开发中5种实用且常用的AI提示词写法，每种写法均包含核心思想、适用场景、实战示例、核心优势及相关注意事项，文末附上可直接复制的通用模板，便于实际应用。

1. Role-prompt 角色设定提示词（人设法）

核心思想

不提供任何示例代码，先为AI设定具体、专业的身份及明确的行为准则，使AI以资深Unity开发者的视角生成代码。

适用场景

复杂系统架构设计（状态机、对象池、事件系统等）
对代码质量、可维护性要求较高的核心模块开发
团队协作中需统一专业代码写法的场景

实战示例

1
2
3
4
5
6
7
8
9


你是拥有10年经验的资深Unity手游客户端开发工程师，精通C#、UGUI、Addressables、DOTween。
写代码必须严格遵守以下规范：
1. 面向对象设计，低耦合高内聚
2. 所有可配置参数公开并添加[Header]和[Tooltip]特性
3. 关键逻辑添加清晰注释，避免冗余内容
4. 优先使用Unity官方推荐的最佳实践
5. 不使用过时的API（如弃用的GUI系统）

现在帮我设计一个可扩展的玩家状态机架构，包含待机、移动、攻击、死亡四种基础状态。

核心优势

无需准备示例代码，上手便捷
AI可自动采用专业Unity代码写法，规避新手常见错误
生成代码结构合理，可扩展性与可维护性较强

注意事项

身份设定需具体，避免过于宽泛（如避免仅设定为“程序员”，应明确为“Unity手游客户端开发工程师”）
设定身份的同时需明确代码规范，明确告知AI禁止的写法（如“不能使用全局静态变量”）
可根据实际需求，添加“优先使用XX插件”“遵循XX团队规范”等个性化要求

2. 结构化约束提示词（规则约束法）

核心思想

不依赖示例代码，通过逐条列出硬性规则，明确代码的格式、写法、功能边界及输出要求，确保代码标准化。

适用场景

需严格统一代码格式与命名规范的场景
功能明确、不允许AI自由发挥的工具类脚本开发
团队多人协作，需实现代码标准化输出的场景

实战示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


严格按照以下要求写Unity C#脚本：
1. 脚本名：EnemyPatrol
2. 必须继承自MonoBehaviour
3. 公开可调节参数：巡逻速度、巡逻点数组、检测玩家距离
4. 私有变量使用驼峰命名法，前缀加下划线（如_enemyRb）
5. 函数拆分清晰，每个函数仅实现单一功能
6. 添加必要的空值判断，避免空引用异常
7. 仅实现巡逻和检测玩家功能，不包含攻击逻辑

写一个Unity 3D敌人巡逻AI脚本。

核心优势

无需准备Few-shot示例，节省大量Token
代码输出高度标准化，无需后期调整格式
可有效限制AI自由发挥，避免生成无关代码

注意事项

规则数量控制在10条以内，避免规则过多导致AI混乱或遗漏
规则表述需具体明确，避免模糊化描述（如避免“写得规范一些”等表述）
可明确禁止特定写法（如“不使用协程”“不使用单例”）

3. CoT 思维链提示词（Chain of Thought）

核心思想

强制AI先输出思考过程与实现步骤，再生成最终代码，将隐性逻辑显性化，减少代码逻辑漏洞与错误。

适用场景

复杂游戏逻辑开发（战斗计算、掉落规则、关卡生成等）
算法相关功能开发（寻路、碰撞检测、AI行为树等）
边界条件复杂、易出现逻辑错误的场景

实战示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


请先逐步分析实现逻辑，列出详细的实现步骤，再编写最终的C#代码。
需求：实现一个Unity 2D平台游戏的玩家跳跃功能。
思考步骤要求：
1. 分析跳跃功能所需组件（刚体、碰撞器等）
2. 列出跳跃完整流程（按下跳跃键→检测是否在地面→施加向上的力）
3. 说明地面检测的实现方式
4. 说明多段跳的处理方式
5. 说明跳跃过程中移动的处理方式

按照以上步骤思考，然后写出完整的代码。

核心优势

大幅减少复杂逻辑的错误与漏洞
可清晰查看AI思考过程，便于排查问题
生成代码逻辑严谨，边界条件处理完善

注意事项

明确指定AI的思考步骤与方向，避免AI自由思考导致逻辑偏差
可要求AI先列出可能遇到的问题及对应解决方案
对于极复杂的逻辑，可要求AI分阶段输出思考过程与代码

4. 模板仿写提示词（One-shot / 单样本）

核心思想

提供1个标准样板代码，让AI严格模仿样板的结构、命名、风格及注释格式，生成新的代码。该方法是Unity开发中应用广泛、性价比较高的提示词写法。

适用场景

项目已有成熟基类、管理器、UI框架的场景
需新增与现有代码风格完全一致的脚本开发
团队协作中需统一代码风格的场景

实战示例

首先提供项目中已有的标准样板代码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30


// UI面板基类
public class UIBase : MonoBehaviour
{
 [Header("基础设置")]
 public string panelName;
 public bool isShowOnStart;

 protected virtual void Awake()
 {
 if (isShowOnStart)
 Show();
 else
 Hide();
 }

 public virtual void Show()
 {
 gameObject.SetActive(true);
 OnShow();
 }

 public virtual void Hide()
 {
 gameObject.SetActive(false);
 OnHide();
 }

 protected virtual void OnShow() { }
 protected virtual void OnHide() { }
}

然后编写提示词：

1
2
3
4
5
6
7


完全仿照上述UIBase基类的写法、结构、命名规范、注释格式及代码风格。
新建一个背包UI面板类UIBag，继承自UIBase。
需实现的功能：
1. 显示背包格子列表
2. 刷新背包数据
3. 点击格子显示物品详情
严格保持与样板代码一致的缩进、命名及注释风格。

核心优势

仅需1个样板代码，相比Few-shot更节省Token
生成代码与项目现有风格完全统一
无需后期调整代码格式与风格

注意事项

样板代码需规范、无漏洞，避免AI模仿错误写法
优先选择项目中最标准、最规范的代码作为样板
明确要求AI“严格模仿”，禁止AI对样板结构进行优化或修改

5. 分层任务提示词（拆解任务法）

核心思想

将复杂的大型功能拆解为多个独立小模块，让AI分模块、分步骤生成代码，避免一次性生成完整系统导致的代码混乱。

适用场景

大型系统开发（背包系统、技能系统、存档系统、战斗系统等）
代码量较大、结构复杂的功能开发
需逐步调试、验证功能正确性的场景

实战示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


开发一个Unity 2D游戏的背包系统，分三个部分逐步生成代码：

第一部分：背包数据结构
- 定义物品数据类ItemData，包含id、名称、描述、图标、数量、类型
- 定义背包数据类InventoryData，包含物品列表、背包容量

第二部分：背包管理器
- 实现单例模式
- 实现添加物品、移除物品、查询物品、保存/加载背包数据的功能

第三部分：背包UI展示
- 实现背包格子UI
- 实现背包面板UI的刷新逻辑

请先编写第一部分的代码，确认无误后再编写后续部分。

核心优势

代码结构分层清晰，便于维护与调试
避免AI生成冗长、难以阅读和修改的代码
可逐步验证每个模块的正确性，及时调整开发需求

注意事项

模块拆分不宜过细，避免增加对话轮次、浪费Token
模块拆分也不宜过粗，单个模块代码量建议控制在200行以内
可先让AI输出整体架构设计，确认后再分模块生成代码

汇总：Unity AI 提示词六大流派对比

除上述5种写法外，结合基础的Zero-shot和Few-shot，共六种主流提示词写法，具体对比如下：

流派	核心思想	适用场景	优点	缺点	Token 消耗
Zero-shot 零样本	直接下达指令，不提供任何示例	简单通用功能、快速原型开发	效率高、操作便捷	代码风格随机、质量不稳定	最低
Few-shot 少样本	提供2~3个示例，让AI模仿生成	需严格统一风格的复杂场景	输出稳定、符合预期要求	准备示例繁琐、消耗Token较多	高
Role 角色设定	为AI设定专业身份及行为准则	复杂系统架构、高质量代码需求	代码专业、无需准备示例	对身份描述的专业性要求较高	低
结构化约束	逐条列出硬性规则，规范输出	标准化工具类、团队协作场景	输出标准化、节省Token	规则过多易导致AI混乱	低
CoT 思维链	先思考步骤，再编写代码	复杂逻辑、算法、边界条件多的场景	逻辑严谨、错误率低	思考过程消耗Token	中
One-shot 单样本	提供1个样板，让AI模仿生成	项目已有成熟框架、新增同类脚本	风格统一、节省Token、性价比高	需具备标准样板代码	中

附录：可直接复制的通用提示词模板

1. 角色设定模板

1
2
3
4
5
6
7


你是拥有[X]年经验的资深Unity[领域]开发工程师，精通[技术栈]。
写代码必须严格遵守以下规范：
1. [规范1]
2. [规范2]
3. [规范3]

现在帮我[具体需求]。

2. 结构化约束模板

1
2
3
4
5
6
7
8
9


严格按照以下要求写Unity C#脚本：
1. 脚本名：[脚本名]
2. 必须继承自[父类]
3. 公开参数：[参数列表]
4. 命名规范：[命名要求]
5. 功能要求：[具体功能]
6. 禁止：[禁止的写法]

写一个[功能描述]脚本。

3. 思维链模板

1
2
3
4
5
6
7
8


请先逐步分析实现逻辑，列出详细的实现步骤，再编写最终的C#代码。
需求：[具体需求]
思考步骤要求：
1. [步骤1]
2. [步骤2]
3. [步骤3]

按照以上步骤思考，然后写出完整的代码。

4. 单样本仿写模板

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


完全仿照下面这个样板代码的写法、结构、命名规范、注释格式、代码风格。
[样板代码]

新建一个[新脚本名]，继承自[父类]。
需要实现的功能：
1. [功能1]
2. [功能2]
3. [功能3]

严格保持和样板代码一致的风格，不要修改样板的结构。

5. 分层任务模板

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


我们要开发一个[系统名称]，分[X]个部分逐步生成代码：

第1部分：[模块1名称]
- [功能点1]
- [功能点2]

第2部分：[模块2名称]
- [功能点1]
- [功能点2]

第3部分：[模块3名称]
- [功能点1]
- [功能点2]

请先写第1部分的代码。

总结

不同提示词写法适用于不同场景，需根据实际需求选择：

快速开发简单功能，可采用Zero-shot
项目已有标准样板，可采用One-shot
开发复杂系统架构，可采用角色设定写法
需实现代码标准化，可采用结构化约束写法
开发复杂逻辑、避免错误，可采用思维链写法
开发大型系统，可采用分层任务写法

选择合适的提示词写法，可显著提升AI生成代码的质量，减少返工，提升开发效率。

提示词工程

Fri, 15 May 2026 20:36:39 +0800

大模型prompt工程指南

提示工程（Prompt Engineering），也称为 In-Context Prompting，是指在不更新模型权重的情况下如何与大模型互以引导其行为以获得所需结果的方法。

在人工智能领域，Prompt指的是用户给大型语言模型发出的指令。

例如，“「讲个笑话」”、“「用Python编个贪吃蛇游戏」”、“「写封情书」”等。

虽然看似简单，但实际上，Prompt的设计对于模型的结果影响很大。

因此如何设计prompt，进而与模型更好的交互，是研究人员必备的必不可少的技能（提示工程）。

技巧

详细的描述
让ai扮演某个角色
使用分隔符标注输入的不同部分（强调重点等）
指定任务的步骤
提供例子
使用参考文本（降低模型的幻觉）

如：

根据下文中三重引号引起来的文章来回答问题。
如果在文章中找不到答案，请写“我找不到答案”，
不要自己造答案。

“”"<在此插入文档>""""<在此插入文档>"""" 问题： <在此插入问题>

提示词工程就是更好的向模型提问的技巧。大模型本身是一种很简单的结构，即：用户输入，模型输出。

用更详细、更清晰、有逻辑、有参考的提问，获得期望中的回答效果
不管是 RAG 还是 Agent 智能体亦或是其它围绕模型的各类复杂的开发工作，本质上都可以简单总结为在提示词上下功夫。

Zero-shot思想

Zero-shot学习是指在训练阶段不存在与阶段完全相同的类别，但是模型可以是同训练过的知识来推广到测试集中的新类别上。

这种能力称为”零样本“学习，因为模型在训练是从未见过的测试集中的新类别，在模型训练和提示词优化中均有体现。

在模型训练中：

已知马（四脚兽）、虎（有条纹）、熊猫（黑白色）的特征，但未训练过斑马的数据（不认识）
告知模型：斑马是四脚兽、有黑白色的条纹
模型可以在已知数据中进行推理，从而识别斑马。

在提示词优化中：

Zero-shot 思想用于基于已训练的能力，不提供任何示例，仅通过语言去描述任务的要求、目标和约束，让模型直接生成结果。

简单来说就是 “用语言定义任务，解放（信任）模型的预训练知识”

比如：请判断 "" 包围的用户评论中的情感倾向，输出正面或负面。
“这款代餐鸡胸肉饱腹感很强，吃起来也不柴，很推荐！”

Few-shot思想

Few-shot 学习（Few-shot Learning）是指少样本学习，当模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习，对应的有 one-shot learning，单样本学习，也算样本少到为一的情况下的一种 few-shot learning。

在模型训练中（相似度判断方法）：

基于少量企鹅样本并结合相识度判断，推论未知图片内含 “企鹅”

在提示词优化中：

Few-shot 主要用于基于少量示例，让模型参考示例回答。

简单来说就是 “用示例定义任务，在模型的预训练知识的基础上，提升模型回答的对齐精度（比如参考示例的格式）”

比如：请抽取产品名称和核心卖点 2 个字段，格式为 Json，我提供 2 个示例。

示例 1：MacBookPro 高效节能，性能强大，适合牛马工作使用
- 输出: {“产品名称”: “MacBookPro”, “产品卖点”: “高效节能，性能强大”}
示例 2：联想笔记本拥有 RTX4060 独立显卡，畅玩游戏，丝滑流畅
- 输出: {“产品名称”: “联想笔记本”, “产品卖点”: “畅玩游戏，丝滑流畅”} 请处理：华为 MatepadPro，高清大屏，长效续航，你的好帮手。

实例案例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59


from openai import OpenAI

# 1. 获取client对象，OpenAI类对象
client = OpenAI(
 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

examples_data = { # 示例数据
 '新闻报道': '今日，股市经历了一轮震荡，受到宏观经济数据和全球贸易紧张局势的影响。投资者密切关注美联储可能的政策调整，以适应市场的不确定性。',
 '财务报告': '本公司年度财务报告显示，去年公司实现了稳步增长的盈利，同时资产负债表呈现强劲的状况。经济环境的稳定和管理层的有效战略执行为公司的健康',
 '公司公告': '本公司高兴地宣布成功完成最新一轮并购交易，收购了一家在人工智能领域领先的公司。这一战略举措将有助于扩大我们的业务领域，提高市场竞争力',
 '分析师报告': '最新的行业分析报告指出，科技公司的创新将成为未来增长的主要推动力。云计算、人工智能和数字化转型被认为是引领行业发展的关键因素，投资'
}

examples_types = ['新闻报道', '财务报道', '公司公告', '分析师报告']

# 提问数据
questions = [
 "今日，央行发布公告宣布降低利率，以刺激经济增长。这一降息举措将影响贷款利率，并在未来几个季度内对金融市场产生影响。",
 "ABC公司今日发布公告称，已成功完成对XYZ公司股权的收购交易。本次交易是ABC公司在扩大业务范围、加强市场竞争力方面的重要举措。据悉，此次收购将进一步",
 "公司资产负债表显示，公司偿债能力强劲，现金流充足，为未来投资和扩张提供了坚实的财务基础。",
 "最新的分析报告指出，可再生能源行业预计将在未来几年经历持续增长，投资者应该关注这一领域的投资机会",
 "小明喜欢小新哟"
]

"""

[
 {"role": "system", "content": "你是金融专家，将文本分类为['新闻报道', '财务报道', '公司公告', '分析师报告']，不清楚的分类为'不清楚'"},
 {"role": "user", "content": "今日，央行发布公告宣布降............"},
 {"role": "assistant", "content": "新闻报道"},
 {"role": "user", "content": "ABC公司今日发布公告称，已成功完成对XYZ公司股.................."},
 {"role": "assistant", "content": "财务报告"},
 {"role": "user", "content": "公司资产负债表显示，公司偿债能力强劲，现金流充足.................."},
 {"role": "assistant", "content": "公司公告"},
 {"role": "user", "content": "最新的分析报告指出，可再生能源..............."},
 {"role": "assistant", "content": "分析师报告"},
 {"role": "user", "content": "要提问的问题"}
]

"""

messages = [
 {"role": "system", "content": "你是金融专家，将文本分类为['新闻报道', '财务报道', '公司公告', '分析师报告']，不清楚的分类为'不清楚类别'"}
]

for key, value in examples_data.items():
 messages.append({"role": "user", "content": value})
 messages.append({"role": "assistant", "content": key})


# 向模型提问
for q in questions:
 response = client.chat.completions.create(
 model="qwen3-max",
 messages=messages + [{"role": "user", "content": f"按照示例，回答这段文本的分类类别: {q}"}]
 )

 print(response.choices[0].message.content)

Json数据格式

JSON（JavaScript Object Notation）是一种轻量级的数据交换格式，易于人阅读和编写，同时也易于机器解析和生成。

Json 是带有格式的字符串，主要用于数据交换，即程序和程序之间的信息互传，使用 Json 会更加方便，如下示例：

1
2
3
4
5


1 周杰伦11岁是个男孩

2 蔡依临12岁是个女孩

3 小明16岁是一个男孩子

Text文本，非结构化，抓取信息不方便

1
2
3
4
5


1 周杰伦,11,男

2 蔡依临,12,女

3 小明,16,男

CSV（固定分隔符）文本，结构化，抽取信息方便，数据不含schema，有一定风险。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


{
 "name": "周杰伦",
 "age": 11,
 "gender": "男"
}
{
 "name": "蔡依临",
 "age": 12,
 "gender": "女"
}
{
 "name": "小明",
 "age": 16,
 "gender": "男"
}

Json格式文本，结构化，抽取信息方便，每条数据都包含Schema，但空间占用大。

Json有两种结构，Json对象和Json数组

Json对象

1
2
3
4


{
 "key":value，
 "key":value
}

Jaon数组

1

[{},{},{},...]

实例

1
2
3
4
5
6
7


{
[
 {"name": "周杰伦", "age": 11},
 {"name": "蔡依临", "age": 12},
 {"name": "小明", "age": 16}
]
}

Python 中使用 Json

Python 中使用 Json 主要完成：

将 Python 字典、列表转换为 Json 字符串
读取 Json 字符串，转换为 Python 字典或列表

主要使用 Python 内置的 json 库

json.dumps(字典或列表, ensure_ascii=False)：将字典或列表转换为 Json 字符串
- ensure_ascii参数确保中文能正常显示
- 返回值：Json 字符串
json.loads(json字符串)：将 Json 字符串转换为 Python 字典或列表
- 返回值：Python 字典或 Python 列表

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38


import json

d = {
 "name": "周杰伦",
 "age": 11,
 "gender": "男"
}

s = json.dumps(d, ensure_ascii=False)
print(s)

l = [
 {
 "name": "周杰伦",
 "age": 11,
 "gender": "男"
 },
 {
 "name": "蔡依临",
 "age": 12,
 "gender": "女"
 },
 {
 "name": "小明",
 "age": 16,
 "gender": "男"
 }
]
print(json.dumps(l, ensure_ascii=False))

json_str = '{"name": "周杰伦", "age": 11, "gender": "男"}'
json_array_str = '[{"name": "周杰伦", "age": 11, "gender": "男"}, {"name": "蔡依临", "age": 12, "gender": "女"}, {"name": "小明", "age": 16, "gender": "男"}]'

res_dict = json.loads(json_str)
print(res_dict, type(res_dict))

res_list = json.loads(json_array_str)
print(res_list, type(res_list))

提示词优化案例——金融信息文本抽取

prompt

在该任务的 prompt 设计中，我们主要考虑 2 点：

需要向模型解释什么叫作「信息抽取任务」
需要让模型按照我们指定的格式（json）输出为了让模型知道什么叫做「信息抽取」，我们借用 FewShot 的方式，先给模型展示几个正确的例子：

User: ‘2023-01-10，股市震荡。股票古哥 - D [EOOE] 美股今日开盘价 100 美元，一度飙升至 105 美元，随后回落至 98 美元，最终以 102 美元收盘，成交量达到 520000。’。提取上述句子中 “金融” (’ 日期 ‘, ’ 股票名称 ‘, ’ 开盘价 ‘, ’ 收盘价 ‘, ’ 成交量 ‘) 类型的实体，并按照 JSON 格式输出，上述句子中没有的信息用 [’ 原文中未提及 ‘] 来表示，多个值之间用 ‘,’ 分隔。

Bot: {‘日期’: [‘2023-01-10’], ‘股票名称’: [‘古哥-D[EOOE]美股’], ‘开盘价’: [‘100美元’], ‘收盘价’: [‘102美元’], ‘成交量’: [‘520000’]} …

其中，User 代表我们输入给模型的句子，Bot 代表模型的回复内容。

注意：上述例子中 Bot 的部分也是由人工输入的，其目的是希望看到在看到类似 User 中的句子时，模型应当做出类似 Bot 的回答。

示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76


from openai import OpenAI
import json

client = OpenAI(
 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
 # base_url="http://localhost:11434/v1"
)

schema = ['日期', '股票名称', '开盘价', '收盘价', '成交量']

examples_data = [ # 示例数据
 {
 "content": "2023-01-10，股市震荡。股票强大科技A股今日开盘价100人民币，一度飙升至105人民币，随后回落至98人民币，最终以102人民币收盘，成交量达到520000。",
 "answers": {
 "日期": "2023-01-10",
 "股票名称": "强大科技A股",
 "开盘价": "100人民币",
 "收盘价": "102人民币",
 "成交量": "520000"
 }
 },
 {
 "content": "2024-05-16，股市利好。股票英伟达美股今日开盘价105美元，一度飙升至109美元，随后回落至100美元，最终以116美元收盘，成交量达到3560000。",
 "answers": {
 "日期": "2024-05-16",
 "股票名称": "英伟达美股",
 "开盘价": "105美元",
 "收盘价": "116美元",
 "成交量": "3560000"
 }
 }
]

questions = [ # 提问问题
 "2025-06-16，股市利好。股票传智教育A股今日开盘价66人民币，一度飙升至70人民币，随后回落至65人民币，最终以68人民币收盘，成交量达到123000。",
 "2025-06-06，股市利好。股票黑马程序员A股今日开盘价200人民币，一度飙升至211人民币，随后回落至201人民币，最终以206人民币收盘。"
]

"""
[
 {"role": "system",
 "content": f"你帮我完成信息抽取，我给你句子，你抽取{schema}信息，按JSON字符串输出，如果某些信息不存在，用'原文未提及'表示，请参考如下示例："},

 {"role": "user",
 "content": "2023-01-10，股市震荡。股票强大科技A股今日开盘价100人民币，一度飙升至105人民币，随后回落至98人民币，最终以102人民币收盘，成交量达到520000。"},
 {"role": "assistant",
 "content": '{"日期":"2023-01-10","股票名称":"强大科技A股","开盘价":"100人民币","收盘价":"102人民币","成交量":"520000"}'},

 {"role": "user",
 "content": "2024-05-16，股市利好。股票英伟达美股今日开盘价105美元，一度飙升至109美元，随后回落至100美元，最终以116美元收盘，成交量达到3560000。"},
 {"role": "assistant",
 "content": '{"日期":"2024-05-16","股票名称":"英伟达美股","开盘价":"105美元","收盘价":"116美元","成交量":"3560000"}'},

 {"role": "user",
 "content": f"按照上述示例，现在抽取这个句子的信息：{要抽取的句子文本}"}
]
"""

messages = [
 {"role": "system", "content": f"你帮我完成信息抽取，我给你句子，你抽取{schema}信息，按JSON字符串输出，如果某些信息不存在，用'原文未提及'表示，请参考如下示例："}
]

for example in examples_data:
 messages.append(
 {"role": "user", "content": example["content"]}
 )
 messages.append(
 {"role": "assistant", "content": json.dumps(example["answers"], ensure_ascii=False)}
 )

for q in questions:
 response = client.chat.completions.create(
 model="qwen3-max",
 messages=messages + [{"role": "user", "content": f"按照上述的示例，现在抽取这个句子的信息：{q}"}]
 )
 print(response.choices[0].message.content)

LLM信息文本匹配任务介绍

首先我们构造几个短文本对

1
2
3


1. ('股票市场今日大涨，投资者乐观。', '持续上涨的市场让投资者感到满意。'),
2. ('油价大幅下跌，能源公司面临挑战。', '未来智能城市的建设趋势愈发明显。'),
3. ('利率上升，影响房地产市场。', '高利率对房地产有一定冲击。'),

我们期望模型能够帮我们识别出成对的句子中，2 句话是否是有关联的

。我们期望模型输出的结果为：

 ['是', '不是', '是']

Prompt设计

在该任务的 prompt 设计中，我们主要考虑 2 点：

需要向模型解释什么叫作「文本匹配任务」
需要让模型按照我们指定的格式输出

为了让模型知道什么叫做「文本匹配任务」，我们借用 FewShot 的方式，先给模型展示几个正确的例子：

User:

句子一：公司 ABC 发布了季度财报，显示盈利增长。
句子二：财报披露，公司 ABC 利润上升
Bot: 是

User:

句子一：黄金价格下跌，投资者抛售。
句子二：外汇市场交易额创下新高
Bot: 不是 …

其中，User 代表我们输入给模型的句子，Bot 代表模型的回复内容。

注意：上述例子中 Bot 的部分也是由人工输入的，其目的是希望看到在看到类似 User 中的句子时，模型应当做出类似 Bot 的回答。

示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86


from openai import OpenAI

client = OpenAI(
 base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
 # base_url="http://localhost:11434/v1"
)

examples_data = {
 "是": [
 ("公司ABC发布了季度财报，显示盈利增长。", "财报披露，公司ABC利润上升。"),
 ("公司ITCAST发布了年度财报，显示盈利大幅度增长。", "财报披露，公司ITCAST更赚钱了。")
 ],
 "不是": [
 ("黄金价格下跌，投资者抛售。", "外汇市场交易额创下新高。"),
 ("央行降息，刺激经济增长。", "新能源技术的创新。")
 ]
}

questions = [
 ("利率上升，影响房地产市场。", "高利率对房地产有一定的冲击。"),
 ("油价大幅度下跌，能源公司面临挑战。", "未来智能城市的建设趋势越加明显。"),
 ("股票市场今日大涨，投资者乐观。", "持续上涨的市场让投资者感到满意。")
]

"""
{
 "role": "system",
 "content": f"你帮我完成文本匹配，我给你2个句子，被[]包围，你判断它们是否匹配，回答是或不是，请参考如下示例："
},
{
 "role": "user",
 "content": "句子1：[公司ABC发布了季度财报，显示盈利增长。]句子2：[财报披露，公司ABC利润上升。]"
},
{
 "role": "assistant",
 "content": "是"
},
{
 "role": "user",
 "content": "句子1：[公司ITCAST发布了年度财报，显示盈利大幅度增长。]句子2：[财报披露，公司ITCAST更赚钱了。]"
},
{
 "role": "assistant",
 "content": "是"
},
{
 "role": "user",
 "content": "句子1：[黄金价格下跌，投资者抛售。]句子2：[外汇市场交易额创下新高。]"
},
{
 "role": "assistant",
 "content": "不是"
},
{
 "role": "user",
 "content": "句子1：[央行降息，刺激经济增长。]句子2：[新能源技术的创新。]"
},
{
 "role": "assistant",
 "content": "不是"
},
{
 "role": "user",
 "content": f"按照上述示例，回答这2个句子的情况。句子1：[...]，句子2：[...]"
}
"""

messages = [
 {"role": "system", "content": f"你帮我完成文本匹配，我给你2个句子，被[]包围，你判断它们是否匹配，回答是或不是，请参考如下示例："},
]

for key, value in examples_data.items():
 for t in value:
 messages.append(
 {"role": "user", "content": f"句子1: [{t[0]}], 句子2: [{t[1]}]"}
 )
 messages.append(
 {"role": "assistant", "content": key}
 )

for q in questions:
 response = client.chat.completions.create(
 model="qwen3-max",
 messages=messages + [{"role": "user", "content": f"句子1: [{q[0]}], 句子2: [{q[1]}]"}]
 )
 print(response.choices[0].message.content)