L1-6、Prompt 与上下文的关系[特殊字符]

🤖 模型不是“记性差”，只是“提示不清”。

---

✨ 为什么理解上下文对话很重要？

大模型具备 “上下文窗口” 的能力，可以“记住”你当前对话中的信息并持续参考。但如果你的 Prompt 没有明确引用上下文内容，AI 就很可能误解你想表达的内容或直接“忘记”之前说过的事情。

---

🤔 模型如何“记住”你说过的话？

✅ AI 的上下文机制：Prompt + 历史对话

大多数对话式模型（如 ChatGPT）通过一个“对话历史窗口”来保持对话连贯。

这个窗口包括：

1. 你的每一轮输入
2. 模型的每一轮回复
3. 你新输入的 Prompt

这些信息会一并被传入模型中作为“背景知识”，所以如果你前后指令不一致、指代不清，模型很可能会输出不符合你预期的结果。

---

🛠 Prompt 与上下文结合的 3 个技巧

✅ 技巧 1：明确复用信息，而非依赖“记忆力”

❌ 弱提示：

根据上面那个产品，写个文案。

✅ 强提示：

请根据我们之前讨论的“便携蓝牙键盘”产品特性（轻便、续航强、兼容性好），撰写一段适合京东电商平台的推广文案，控制在 150 字以内。

---

✅ 技巧 2：摘要历史内容，引导模型记住重点

我们目前的结论是：该产品适合年轻商务人群，主打轻量化和便携性。请基于此结论继续补充目标用户的使用场景。

---

✅ 技巧 3：多轮对话任务拆解，分阶段推进

我们接下来分三步完成这个产品策划案：第一步，请帮我列出竞品分析的结构框架；
第二步，再填写主要竞品的数据；
第三步，撰写分析总结。我们现在开始第一步。

---

🌱 实战练习：连续三轮对话 Prompt 编写

尝试用三轮对话完成一个任务（如撰写项目介绍页）。👇 以下是一个完整的参考流程：

---

🎯 任务目标：写一个面向投资人的项目介绍页内容。

💬 第 1 轮 Prompt：

我们团队正在准备一个项目介绍页，目标是吸引早期投资人关注。请帮我列出介绍页的核心结构模块，如项目简介、市场分析、商业模式等，控制在 6 个模块以内。

💬 第 2 轮 Prompt：

谢谢。现在请帮我围绕“市场分析”部分展开写作，要求数据真实、有说服力，语气专业，控制在 300 字以内。

💬 第 3 轮 Prompt：

我们继续写“商业模式”部分。请用简洁但具逻辑性的语言，介绍项目的盈利方式和可持续性，适合出现在融资 PPT 中。

---

💻 实战应用案例：Streamlit 多轮 Prompt 教学助手

你可以将上面逻辑封装成一个多轮引导式的 Streamlit App，帮助用户一步步完成一个复杂任务的 Prompt 设计。

🔧 示例代码 context_prompt_trainer.py：

import streamlit as st
from openai import OpenAI
from dotenv import load_dotenv
import os# 加载 API 密钥
load_dotenv()
client = OpenAI()st.set_page_config(page_title="多轮对话 Prompt 教学助手", layout="centered")
st.title("🧠 多轮 Prompt 教学助手")
st.write("通过三轮对话，学习如何逐步构建有效的上下文 Prompt。")# Session state 存储上下文
if "history" not in st.session_state:st.session_state.history = []# 三轮提示
rounds = ["第 1 轮：请描述你的目标任务与预期用途（如项目介绍页、AI 报告生成等）","第 2 轮：请挑选某个模块，继续写作要求（如市场分析）","第 3 轮：再完成剩余模块，保持语气和风格一致"
]for i in range(3):with st.expander(f"🔄 {rounds[i]}"):user_input = st.text_area(f"输入你的第 {i+1} 轮 Prompt", key=f"round_{i}")if st.button(f"生成第 {i+1} 轮结果", key=f"btn_{i}"):try:full_context = "\n\n".join(st.session_state.history + [user_input])response = client.chat.completions.create(model="anthropic/claude-3.7-sonnet",messages=[{"role": "system", "content": "你是一位资深的 Prompt 写作教练，帮助用户在上下文中逐步完善复杂任务。"},{"role": "user", "content": full_context}],temperature=0.7)result = response.choices[0].message.contentst.markdown("📝 **AI 回复：**")st.write(result)# 更新上下文历史st.session_state.history.append(user_input)st.session_state.history.append(result)except Exception as e:st.error(f"出错了：{e}")

---

---

🧩 小结：让上下文成为你的“提示加速器”

错误用法	问题表现	推荐策略
指代模糊	“它”“上面那个” → 模型迷失	用关键词复述前文内容
忽略历史信息	模型“遗忘”上下文内容	显式复述要点，引导聚焦
一次说太多	输出杂乱、遗漏	拆解成多轮交互
跳跃式命令	任务切换频繁导致输出跑偏	明确阶段，引导任务流

---

---

---

🧠 实战需求：为企业撰写一篇 AI 年度技术回顾报告

🎯 背景说明：

一家互联网公司希望用大语言模型撰写 2024 年 AI 技术的企业内部回顾报告。团队打算将写作任务分为三轮，通过 Prompt 和上下文串联，让 AI 理解写作意图并保持风格一致。

---

✅ 三轮任务拆解（对话式上下文设计）

🔁 第 1 轮：提出任务目标与整体风格

Prompt：

我们希望你帮忙撰写一篇“2024 年 AI 技术趋势企业回顾报告”，面向公司内部研发团队阅读，语言专业但不晦涩，内容真实、有洞见。字数控制在 1000-1500 字以内。

---

🔁 第 2 轮：展开一个重点模块（例如：大模型应用落地）

Prompt：

请继续扩展报告中的“行业大模型应用实践”部分，涵盖金融、政务、医疗三个领域的典型案例和挑战，每个子部分约 200 字。

---

🔁 第 3 轮：收尾并输出总结建议

Prompt：

请在前文基础上撰写报告总结部分，概括 2024 年的主要变化，并给出 2025 年的策略建议（如技术部署、数据策略、人力投入等）。

---

🖥️ Streamlit 应用实现（多轮上下文写作助手）

以下是将上面任务转化为 Streamlit 小程序 的完整代码：

import streamlit as st
from openai import OpenAI
from dotenv import load_dotenv
import osload_dotenv()
client = OpenAI()st.set_page_config(page_title="AI 年度回顾写作助手", layout="centered")
st.title("📘 企业 AI 年度报告写作助手")
st.write("通过三轮引导 Prompt，构建完整的年度报告内容。")# 初始化上下文历史和轮次内容
if "history" not in st.session_state:st.session_state.history = []if "round_outputs" not in st.session_state:st.session_state.round_outputs = [None, None, None]tasks = ["第 1 轮：描述目标和整体风格（报告目标、阅读对象）","第 2 轮：展开“行业应用”模块（具体展开）","第 3 轮：总结与策略建议（回顾并展望）"
]for i in range(3):with st.expander(tasks[i]):user_input = st.text_area(f"✍️ 输入第 {i+1} 轮 Prompt", key=f"prompt_{i}")if st.button(f"🚀 生成第 {i+1} 轮内容", key=f"btn_{i}"):try:full_prompt = "\n\n".join(st.session_state.history + [user_input])response = client.chat.completions.create(model="anthropic/claude-3.7-sonnet",messages=[{"role": "system", "content": "你是一位企业报告撰写专家，帮助撰写专业且易读的 AI 年度总结报告。"},{"role": "user", "content": full_prompt}],temperature=0.7)result = response.choices[0].message.contentst.session_state.round_outputs[i] = resultst.session_state.history.append(user_input)st.session_state.history.append(result)except Exception as e:st.error(f"出错了：{e}")# 显示历史输出if st.session_state.round_outputs[i]:st.markdown("🧠 **AI 输出：**")st.write(st.session_state.round_outputs[i])

---