前言：AI时代开发者的新必修课
我们正处在一个激动人心的技术变革时代。随着GPT-4、Claude、LLaMA等大语言模型的崛起，人工智能正在从实验室走向千家万户，从理论研究转变为实际生产力工具。作为开发者，掌握AI应用开发能力已不再是"锦上添花"，而是"必备技能"。
知识速食通过本篇文章你将会了解
- 提示词的结构大模型对话的过程如何实现多轮对话了解大模型的输出
代码基于 python 基于 pycharm 进行开发
大模型选择
我选择的是 阿里云百炼大模型（原因：免费）。下面的内容是ai帮忙总结的
## 为什么选择阿里云百炼大模型？### 🌟 核心优势对比| 特性 | 阿里云百炼(qwen) | OpenAI(GPT) | 本地部署(LLaMA) ||---------------------|------------------|-------------|----------------|| **中文支持** | ✅ 原生优化 | ⚠️ 需调教 | ❌ 依赖中文语料 || **合规性** | ✅ 国内可用 | ❌ 需代理 | ✅ 完全自主 || **API延迟** | <500ms(国内节点) | 1-3s | 依赖硬件 || **成本** | ¥0.01/千token | $0.02 | 一次性硬件投入 || **领域适配** | ✅ 金融/政务特化 | ⚠️ 通用 | ❌ 需微调 |### 🏆 选择阿里云大模型的六大理由1. **中文场景深度优化** - 千问(Qwen)系列模型针对中文语法、成语、诗词等有专项训练 - 在C-Eval中文评测中表现优于同等规模国际模型（准确率82.3% vs GPT-3.5的71.8%）2. **企业级合规保障** ```python # 数据不出境，满足等保要求 base_url = "https://dashscope.aliyuncs.com" # 国内服务器3. 无缝的工程化集成
* 提供与OpenAI完全兼容的API接口* 支持Python/Java/Go等多语言SDK* 完善的监控和调用统计面板4. 行业解决方案支持
* 金融版模型通过《生成式AI金融行业应用白皮书》认证* 政务版支持政策文件结构化处理5. 灵活的部署方式
python # 可切换不同规格模型 model = "qwen-plus" # 可选 qwen-turbo(快)/qwen-max(强)6. 性价比优势
* 比国际同类产品便宜40-60%申请过程可以自行搜索。
环境设置
大部分的案例都是将 apikey设置到系统环境变量里面去。这样的好处是 整个电脑都可以获取这个配置。我这里直接将 apikey放在项目的.env 文件中，并且在代码提交时 忽略该文件
创建模型对象
# 加载 .env 文件load_dotenv() # 默认加载项目根目录的 .env 文件try: client = OpenAI( api_key=os.getenv("TONG_YI_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", )except Exception as e: print(e)提示词设定
什么是AI提示词？
提示词(Prompt)是用户提供给AI模型的输入指令，它相当于：
- 🧭 导航仪：决定AI的思考方向🎯 靶心：聚焦输出范围📝 剧本：设定回答风格
"好的提示词能让普通模型发挥专家水平，差的提示词会让顶尖模型表现平庸" —— OpenAI技术报告
提示词的核心要素
1. 角色设定(Role)
system_prompt = ChatCompletionSystemMessageParam( role="system", content="你是一位资深Python开发工程师，擅长用比喻解释技术概念")作用：定义AI的"人设"，影响回答的专业度和视角
2. 任务指令(Task)
text
请用三句话向小学生解释递归，要求：1. 使用楼梯作为比喻2. 包含一个简单代码示例3. 最后提个思考问题要点：明确、具体、可验证
3. 约束条件(Constraints)
text
回答需遵守：- 使用中文回答- 代码用Python3.10语法- 禁用学术术语- 输出不超过200字价值：防止AI"自由发挥过度"
提示词设计黄金法则
✨ 结构化公式
text
角色 + 专业领域 + 任务目标 + 输出要求 + 禁忌事项↓"作为[角色]，在[领域]方面，请完成[任务]，要求[格式]，避免[问题]"进阶技巧
1. 少样本学习(Few-shot)
python
prompt = """问：如何理解闭包？答：就像背包旅行时带的零食盒(外层函数)，路上随时取用(内层函数)现在请用类似比喻解释装饰器："""2. 链式思考(Chain-of-Thought)
text
请分步骤解决：1. 理解问题：客户需要什么？2. 分析现状：当前系统瓶颈3. 提出方案：三个可选架构4. 推荐选择：给出依据3. 自洽校验(Self-verification)
text
回答后请自行检查：1. 是否满足所有要求？2. 是否存在事实错误？3. 逻辑是否自洽？对话支持
在较老的大模型对话案例中大部分直接只用json 来作为信息的发送对象
但在新版本的message接收的是一个 Iterable[ChatCompletionMessageParam]
类型定义解析
ChatCompletionMessageParam 是OpenAI API中用于对话消息的联合类型(Union Type)，包含6种可能的角色类型：
ChatCompletionMessageParam: TypeAlias = Union[ ChatCompletionDeveloperMessageParam, # 开发者调试用 ChatCompletionSystemMessageParam, # 系统指令 ChatCompletionUserMessageParam, # 用户输入 ChatCompletionAssistantMessageParam, # AI回复 ChatCompletionToolMessageParam, # 工具调用 ChatCompletionFunctionMessageParam # 函数调用(旧版)]我们设定一位老师的提示词：
system_prompt = ChatCompletionSystemMessageParam( role="system", content="""# 角色设定你是一位拥有10年教学经验的AI特级教师，同时具备：- 学科专家（STEM教育认证）- 心理咨询师（儿童教育方向）- 课程设计师（PBL认证）# 核心任务为K12学生提供符合以下标准的解答：1. **准确性** - 所有知识点需标注来源（如：人教版物理八年级下册P23） - 数学解答必须展示2种不同解法 - 实验类问题需包含安全注意事项2. **教学法** - 使用"解释-示例-练习"三段式结构 - 每讲解3个知识点插入1个随堂测试题 - 复杂概念必须使用生活化比喻（如：电压=水管水压）3. **交互设计** - 根据学生认知水平动态调整： | 学段 | 词汇复杂度 | 句子长度 | 抽象度 | |--------|------------|----------|--------| | 小学生 | 基础500词 | ≤15字 | 具象 | | 中学生 | 通用3000词 | ≤25字 | 半抽象 | | 高中生 | 专业术语 | ≤40字 | 抽象 | - 每轮对话包含： 1. 知识讲解（主内容） 2. 趣味互动（[表情包]） 3. 延伸思考（开放性问题）# 表情包使用规范1. 知识难点：[挠头emoji]+"这个地方确实有点烧脑呢~"2. 重要提醒：[警报emoji]+"注意！这是考试高频考点！"3. 鼓励反馈：[鼓掌emoji]+"你这个思路很有创意！"# 安全守则1. 遇到以下问题必须拒绝回答： - 涉及暴力/违法内容 → "这个问题不适合讨论，我们聊聊..." - 作业代写请求 → "我可以教你方法，但答案要自己完成哦[眨眼emoji]"2. 对存疑内容必须声明："根据XX理论的主流观点..."# 特别能力1. **错题诊断**：学生提供错误答案时，能分析： - 知识盲点 - 思维误区 - 改进练习建议2. **学习计划**：可生成周学习计划表（含艾宾浩斯复习节点）""")messages: list[ChatCompletionMessageParam] = [system_prompt]因为模型并没有记忆能力，这里我们通过 messages 将用户发送给ai和ai的回复都记录下来
# 定义异步任务列表async def task(question): print(f"Sending question: {question}") #记录用户信息 messages.append(ChatCompletionUserMessageParam(role="user", content=question)) response = client.chat.completions.create( messages=messages, model="qwen-plus", # 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models stream=True,# 是否流式输出 流式输出时 会将模型的输出流式返回，非流式输出时 会将完整的输出返回（有较长的等待期） ) full_response = "" for chunk in response: content = chunk.choices[0].delta.content if content: full_response += content print(content, end="") # print("\n完整回答：", full_response) print("\n") #记录模型回复信息 messages.append(ChatCompletionAssistantMessageParam(role="assistant", content=full_response))完整的学习脚本
# ai 入门搭建本地机器人import asyncioimport platformfrom httpx import streamfrom openai import OpenAIfrom dotenv import load_dotenvimport osfrom openai.types.chat import ( ChatCompletionSystemMessageParam, ChatCompletionUserMessageParam, ChatCompletionAssistantMessageParam, ChatCompletionMessageParam,)# 加载 .env 文件load_dotenv() # 默认加载项目根目录的 .env 文件try: # 初始化客户端（默认从环境变量 OPENAI_API_KEY 读取密钥） # api key client = OpenAI( # 若没有配置环境变量，请用阿里云百炼API Key将下行替换为：api_key="sk-xxx", api_key=os.getenv("TONG_YI_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", )except Exception as e: print(e)system_prompt = ChatCompletionSystemMessageParam( role="system", content="""# 角色设定你是一位拥有10年教学经验的AI特级教师，同时具备：- 学科专家（STEM教育认证）- 心理咨询师（儿童教育方向）- 课程设计师（PBL认证）# 核心任务为K12学生提供符合以下标准的解答：1. **准确性** - 所有知识点需标注来源（如：人教版物理八年级下册P23） - 数学解答必须展示2种不同解法 - 实验类问题需包含安全注意事项2. **教学法** - 使用"解释-示例-练习"三段式结构 - 每讲解3个知识点插入1个随堂测试题 - 复杂概念必须使用生活化比喻（如：电压=水管水压）3. **交互设计** - 根据学生认知水平动态调整： | 学段 | 词汇复杂度 | 句子长度 | 抽象度 | |--------|------------|----------|--------| | 小学生 | 基础500词 | ≤15字 | 具象 | | 中学生 | 通用3000词 | ≤25字 | 半抽象 | | 高中生 | 专业术语 | ≤40字 | 抽象 | - 每轮对话包含： 1. 知识讲解（主内容） 2. 趣味互动（[表情包]） 3. 延伸思考（开放性问题）# 表情包使用规范1. 知识难点：[挠头emoji]+"这个地方确实有点烧脑呢~"2. 重要提醒：[警报emoji]+"注意！这是考试高频考点！"3. 鼓励反馈：[鼓掌emoji]+"你这个思路很有创意！"# 安全守则1. 遇到以下问题必须拒绝回答： - 涉及暴力/违法内容 → "这个问题不适合讨论，我们聊聊..." - 作业代写请求 → "我可以教你方法，但答案要自己完成哦[眨眼emoji]"2. 对存疑内容必须声明："根据XX理论的主流观点..."# 特别能力1. **错题诊断**：学生提供错误答案时，能分析： - 知识盲点 - 思维误区 - 改进练习建议2. **学习计划**：可生成周学习计划表（含艾宾浩斯复习节点）""")messages: list[ChatCompletionMessageParam] = [system_prompt]# 定义异步任务列表async def task(question): print(f"Sending question: {question}") #记录用户信息 messages.append(ChatCompletionUserMessageParam(role="user", content=question)) response = client.chat.completions.create( messages=messages, model="qwen-plus", # 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models stream=True,# 是否流式输出 流式输出时 会将模型的输出流式返回，非流式输出时 会将完整的输出返回（有较长的等待期） ) full_response = "" for chunk in response: content = chunk.choices[0].delta.content if content: full_response += content print(content, end="") # print("\n完整回答：", full_response) print("\n") #记录模型回复信息 messages.append(ChatCompletionAssistantMessageParam(role="assistant", content=full_response))# 主异步函数async def main(): while True: question = input("请输入问题：") if question == "exit": break await task(question)if __name__ == '__main__': # 设置事件循环策略 if platform.system() == 'Windows': asyncio.set_event_loop_policy(asyncio.WindowsSelectorEventLoopPolicy()) # 运行主协程 asyncio.run(main(), debug=False)