MEAI 提示工程实战：从零构建企业级意图识别系统
一句话简介
本文以铁路票务意图识别为例，演示如何使用 Microsoft.Extensions.AI (MEAI) 构建高质量提示词，掌握 7 大核心技巧和参数调优方法，快速构建企业级 AI 应用。
🎯 核心价值
- ✅ 结构化提示：掌握指令、上下文、输入、输出四大组件
- ✅ 7 大核心技巧：从基础到进阶，系统提升提示词质量
- ✅ MEAI 集成：使用 ChatOptions 和 ChatMessage 构建企业级管道
- ✅ 参数调优：掌握 Temperature、TopP 等关键参数的最佳实践
- ✅ 提示优化闭环：建立持续改进机制
📚 提示词基础框架
提示词由四大基础组件构成，缺一不可：
四大组件详解
| 组件 | 作用 | 示例 |
|---|---|---|
| 指令 | 明确任务目标 | "识别用户的铁路票务意图" |
| 上下文 | 提供背景知识 | "可选意图包括：订票、退票、咨询" |
| 输入 | 描述数据结构 | "用户请求：帮我订一张票" |
| 输出 | 约束响应格式 | "以 JSON 格式返回 {intention, reason}" |
为什么需要结构化？
- ✅ 减少歧义，让模型理解任务边界
- ✅ 提升准确性，帮助模型做出正确判断
- ✅ 便于解析，让业务系统能够直接消费
- ✅ 可维护性强，便于团队协作和迭代
🎬 场景设定：铁路票务意图识别
业务需求：识别用户属于以下哪一类意图，路由到对应的业务模块：
- 🎫 订票意图：购买车票
- 🔄 退票意图：退订车票
- ❓ 咨询意图：咨询信息或无法明确判断
测试用例："帮我订一张从北京到上海的票，后天下午出发。"
💻 七大核心技巧演练
技巧一：明确任务边界 🎯
问题：基础提示容易导致模型输出冗余文字或答非所问。
解决：明确告诉模型"做什么"和"不做什么"。
基线提示（仅包含任务和输入）：
var baselinePrompt = $"""
请帮我识别用户意图。
用户请求是：{userRequest}
意图：
""";
技巧二：结构化输出 📊
问题：自然语言描述不便于程序解析。
解决：通过 JSON 结构约束回复，减少闲聊，让下游服务直接解析字段。
var structuredPrompt = $$"""
你需要识别用户的铁路票务意图，选项仅包括：
* 订票意图
* 退票意图
* 咨询意图请严格以如下 JSON 格式返回结果：
{"intention": "<订票意图/退票意图/咨询意图>","reason": "<简要说明识别理由>"
}用户请求：{{userRequest}}
""";
优势：
- ✅ 输出格式统一，便于自动化处理
- ✅ 减少模型的冗余输出
- ✅ 提高业务系统的集成效率
技巧三：少样本学习（Few-Shot）📚
问题：模型对边界情况判断不准确。
解决：加入 1-2 个高质量示例显著提升准确率。
var fewShotPrompt = $$"""
你需要识别用户的铁路票务意图，选项仅包括：
* 订票意图
* 退票意图
* 咨询意图<example>
用户请求：我的票能退吗？
意图：
{"intention": "退票意图","reason": "用户询问是否可以退票"
}
</example><example>
用户请求：请问高铁可以带宠物吗？
意图：
{"intention": "咨询意图","reason": "用户咨询乘车规则，非订退票"
}
</example>用户请求：{{userRequest}}
""";
原理：通过示例让模型学习任务的"模式"，类似于"通过例子教学"。
技巧四：角色设定（Role Prompting）👤
问题：模型缺乏明确的身份定位，输出风格不统一。
解决：通过 System 消息注入角色定义，提前锁定模型身份与口吻。
MEAI 实现方式：使用 ChatMessage 列表，第一条设置为 ChatRole.System。
var rolePrompt = """
你是一名铁路票务意图识别专家，负责在前端界面与后端服务之间准确判断用户意图。
仅从以下选项中选择：订票意图、退票意图、咨询意图。请严格以如下 JSON 格式返回结果：
{"intention": "<订票意图/退票意图/咨询意图>","reason": "<简要说明识别理由>"
}若无法明确判断，则选择 "咨询意图"，理由写 "输入不够明确，默认为咨询"。
""";var messages = new List<ChatMessage>
{new(ChatRole.System, rolePrompt),new(ChatRole.User, userRequest)
};
优势：
- ✅ 让模型"扮演"专业角色，输出更专业
- ✅ 减少多轮对话中的风格漂移
- ✅ 提高输出的一致性和可预测性
技巧五：添加上下文（Context Enrichment）🌐
问题：模型缺乏必要的业务上下文（如当前时间、用户信息等）。
解决：系统级上下文携带时间、用户信息等关键字段。
var contextualPrompt = """
你是一名铁路票务意图识别专家，负责准确判断用户意图。<context>
系统当前时间：2025年10月29日 18:00
用户Id：shengjie
用户等级：VIP会员
</context>请严格以如下 JSON 格式返回结果：
{"intention": "<订票意图/退票意图/咨询意图>","reason": "<简要说明识别理由>"
}
""";
应用场景：
- 🕒 时间相关任务（如"明天""后天"需要知道当前时间）
- 👤 用户个性化（如根据用户历史行为调整回复）
- 📍 业务规则（如特定时段的票务政策）
技巧六：拒答策略（Refusal Strategy）🛡️
问题：输入信息不足或超出范围时，模型可能"一本正经地胡说"。
解决：明确拒答与默认策略，在缺乏信息时选择最安全的响应。
var refusalPrompt = """
你是一名铁路票务意图识别专家，负责判断用户是否在处理车票相关需求。若无法判断为订票或退票，请返回咨询意图，并在 reason 中注明 "输入不涉及票务，默认为咨询"。
当完全没有票务相关线索时，请回复：
{"intention": "咨询意图","reason": "输入不够明确，默认为咨询"
}
""";
拒答策略的价值：
- ✅ 降低幻觉风险
- ✅ 提供回退机制
- ✅ 提高系统鲁棒性
技巧七：思维链引导（Chain-of-Thought）🧠
问题：对于多步骤推理任务，模型可能直接给出结论，缺乏推理过程。
解决：给出思考流程提示，帮助模型逐条检查条件并给出稳健答案。
var reasoningPrompt = """
你是一名铁路票务意图识别专家，负责分析用户文本并输出结构化结果。当接收到输入时，请按以下步骤思考：
1. 关键词扫描：检查是否包含订票相关词，如"买票""预订""订"。
2. 退票检测：若无订票相关词，再查找"退票""取消""退"。
3. 咨询判断：若前两步未命中，判断是否属于咨询或闲聊。
4. 置信度评估：若不确定，选择咨询意图并在 reason 中说明原因。
5. 格式输出：严格按 JSON 模板返回结果。请严格以如下 JSON 格式返回结果：
{"intention": "<订票意图/退票意图/咨询意图>","reason": "<简要说明识别理由和推理过程>"
}
""";
思维链的价值：
- 🧩 提高复杂任务的准确性
- 🧩 让推理过程可解释
- 🧩 便于调试和优化
⚙️ MEAI 生成参数配置
在 MEAI 中，通过 ChatOptions 统一管理生成参数：
var chatOptions = new ChatOptions
{Temperature = 0.1f, // 低随机性，保证稳定输出TopP = 0.9f, // 核采样MaxOutputTokens = 120 // 限制输出长度
};var response = await chatClient.GetResponseAsync(userPrompt, chatOptions);
参数速查表
| 任务类型 | Temperature | TopP | MaxTokens | 说明 |
|---|---|---|---|---|
| 意图识别/分类 | 0.1-0.3 | 0.9 | 100-200 | 需要稳定输出 |
| 内容生成/创作 | 0.7-1.0 | 0.9 | 500-2000 | 需要创造性 |
| 摘要/提取 | 0.3-0.5 | 0.8 | 200-500 | 平衡准确性 |
| 代码生成 | 0.2-0.4 | 0.95 | 500-1500 | 语法准确 |
| 对话/闲聊 | 0.6-0.9 | 0.9 | 100-300 | 自然流畅 |
关键参数说明：
- Temperature：控制随机性（0=确定性，2=高随机性）
- TopP：核采样概率（0.9=保留90%概率质量）
- MaxOutputTokens：限制输出长度，节省token成本
🔄 提示优化闭环
当基础提示稳定后，可借助模型本身迭代提示，形成"生成 → 评估 → 再生成"的循环。
让模型充当提示工程师：
var improvementRequest = $"""
你是一名提示工程师，专注于提升提示词的清晰度和执行效果。
请分析以下提示词，并给出优化建议。请按以下格式输出：
1. **优化后提示**：给出改进后的完整提示词
2. **改进说明**：说明做了哪些改进以及为什么
3. **进一步建议**：列出 2-3 条可选的进一步优化思路待优化的原始提示如下：
{原始提示}
""";
🎯 总结
通过本文，我们系统学习了使用 MEAI 进行提示工程的核心技巧：
- ✅ 四大基础组件：指令、上下文、输入、输出缺一不可
- ✅ 七大核心技巧：从明确边界到思维链，逐步提升提示词质量
- ✅ MEAI 集成：使用 ChatOptions 和 ChatMessage 构建企业级管道
- ✅ 参数调优：Temperature、TopP、MaxOutputTokens 的最佳实践
- ✅ 优化闭环：建立持续改进机制，让模型自我优化提示词
核心价值：
- 🎯 提升输出质量：稳定、准确的输出
- 🎯 便于系统集成：JSON 格式便于业务系统解析
- 🎯 降低幻觉风险：拒答策略和思维链减少错误判断
- 🎯 提高可维护性：清晰的提示结构便于团队协作
如需获取文章配套完整代码，可扫码咨询领取。👇
