我要投稿

AI界的普通话，用提示词工程打造“专业法律咨询顾问”应用 - 企业版

发布日期：2025-04-23 20:19:28 浏览次数： 1619 作者：AI职场风向标

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。

一、重要补充

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。

二、具体实现

1.准备工作

1）需要申请apikey，具体可参考之前文章DeepSeek和moonshot" data-itemshowtype="0" target="_blank" linktype="text" data-linktype="2">obsidian+AI系列之Text Generator配置deepseek和moonshot

2）安装python3.10以上，并安装jupyter包。

特殊说明：

1）以下代码都在jupyter上运行，方便调试。

2）本次教程，大模型用的“硅基流动”的deepseek-r1大模型，其他供应商和模型的写法见上述写的文章。

3）本教程没有开发前端代码（下一篇会单独写如何构建前后端），所以用的程序模拟用户提问（user_prompt),效果和前端输入一样。

2、小试牛刀，不加system prompt来个单次对话

效果：类似直接用原始问题问大模型。

直接上代码：

第一段：读取你的apikey，为了防止apikey在程序分享时泄露，建议保存到本地文件，然后加载到环境变量里。

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}''')

运行结果：

单词对话构建：代码比较简单就不解释了

需要注意的是：

steam参数，如果设置为false，系统会一直傻傻的等待所有答案生成只会，一次性返回结果；而不是生成一点、输出一点。

temperature和top_p控制生成答案的创造性和多样性，之前的prompt教程提过，所有的生成都是概率。通过这两个参数，可以控制较低概率的内容是否会被采纳。

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="")

运行效果：

3、添加system prompt，泛化提示词模板。

效果：类似AI开发平台里，Agent的人设效果

代码比较简单：比上面只是增加了系统提示词，让回答更精确。

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="")

执行效果：

4. 开启多轮对话功能

效果：最终完全体，既带系统提示词、又能多轮对话。

代码比较简单：上面基础上，增加了把历史回答内容+当前客户问题，做了拼接，形成新的提示词。

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="")

执行效果：