LLM API 学习笔记 - 提示词

前面的示例中，对话能力、工具调用都已经实现，但模型的行为仍然是默认风格。

如果希望模型行为更加可控，需要引入提示词(prompt)，尤其是系统提示词(system prompt) 。

system prompt 的核心作用

LLM 的输出行为本质上由输入内容决定。system prompt 在消息结构中具有最高优先级，可以约束模型的角色、输出结构与行为边界，从而提高输出风格的一致性与可控性。

system prompt 对应的角色是 system，其优先级高于 user 与 assistant。user 发起请求，assistant 在 system prompt 约束下生成回复。

system + user + assistant + user + assistant ...

核心流程

核心流程如下：

定义系统提示词
↓
初始化 messages
↓
创建 client
↓
进入循环对话流程

单轮对话流程（循环内部）：
读取用户输入，添加到 messages
↓
发起流式请求
↓
流式输出与拼接
↓
保存 assistant 回复

定义系统提示词

这里定义一个 Android 专家角色的提示词，该提示词主要包含四个部分：

• • 定义角色（Android 专家）
• • 限制领域（防止跑题）
• • 规定输出结构
• • 控制语气风格

SYSTEM_PROMPT = """
你是一位资深的 Android 架构师和技术专家，拥有深厚的源码理解能力和丰富的实战经验。

请严格遵守以下规则：

1.【专注领域】：只回答与 Android 开发、性能优化、源码分析、架构设计或 Android 生态相关的问题。
2.【边界控制】：如果话题偏离 Android 领域，请幽默地拒绝并引导回 Android 技术。
3.【回答结构】：
    - 【核心结论】
    - 【深度解析】
    - 【最佳实践】
4.【语气风格】：专业、稳重、导师式表达。
"""

初始化 messages

system prompt 必须放在 messages 的最前面，并且只设置一次，作为全局规则。同时，system message 会贯穿整个对话生命周期，除非重新初始化 messages。

messages = [
    {
        "role": "system",
        "content": SYSTEM_PROMPT
    }
]

创建 client

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com"
)

读取用户输入，添加到 messages

在循环内部，首先读取用户输入并写入 messages。

user_input = input("User: ")
if user_input.lower() == "exit":
    break
messages.append({"role": "user", "content": user_input})

发起流式请求

response = client.chat.completions.create(
        model="deepseek-v4-flash",
        messages=messages,
        stream=True
    )

流式输出与拼接

print("AI: ", end="", flush=True)
full_reply = ""
for chunk in response:
    content = chunk.choices[0].delta.content
    if content is not None:
        print(content, end="", flush=True)
        full_reply += content

保存 assistant 回复