隨著大型語言模型 (LLM) 的能力日益強大，提示工程 (Prompt Engineering) 已從單純的「詠唱」技巧，演變為一門需要系統化方法論的科學。要打造一個穩定、可靠且高效的 AI Agent，關鍵在於如何設計、評估並迭代其核心的「角色設定」(Profile)。本文將以 Microsoft 的開源工具 Prompt Flow 為核心，引導您走過一個完整的、專業的提示工程生命週期。

第一部分：概念與設定

在開始之前，我們需要釐清幾個核心概念，並完成 Prompt Flow 的環境設定。

理解Agent角色設定與個人化

在深入Prompt Flow之前，我們需要明確理解Agent角色設定（Profile）與個人化（Persona）的區別。

Agent角色設定是一個綜合性概念，包含多個組成部分：

• 個人化（Persona）：代表Agent的背景和角色，通常在第一個系統訊息中介紹
• Agent工具：Agent可用於完成任務的工具集
• Agent記憶與知識：幫助Agent為任務提供上下文的後端儲存
• Agent評估與推理：描述Agent如何推理和評估任務
• Agent規劃與反饋：描述Agent如何將任務分解為執行步驟，然後執行並接收反饋

簡言之，Agent角色設定是描述Agent的一系列提示片語合，可能還包括與動作/工具、知識、記憶、推理、評估相關的元素。

我們需要清晰理解Agent角色設定（Profile）和個人化（Persona）之間的區別。個人化只是角色設定的一部分，承載了Agent的「人格特質」；而完整的角色設定則包含了工具能力、記憶系統、推理方法等多個維度。這種區分對於構建複雜AI系統至關重要，因為它讓我們能夠分別最佳化AI المختلفة功能模組。

建立你的第一個Prompt Flow

Prompt Flow是Microsoft推出的一款工具，專為系統化提示工程設計。它允許開發者以視覺化的方式設計、測試和評估提示詞流程。接下來，我們將介紹如何設定和使用Prompt Flow來最佳化Agent提示詞。

Prompt Flow入門設定

Prompt Flow可以透過多種方式安裝：

1. 作為VS Code擴充套件
2. 作為Azure ML服務
3. 作為Python函式庫

對於初學者，推薦使用VS Code擴充套件，它提供了直觀的視覺介面。安裝後，你可以建立新的流程，並增加各種節點來構建提示詞系統。

基本的Prompt Flow包含以下關鍵元素：

• 輸入節點：定義流程的起始資料
• LLM節點：與大模型語言互動的節點
• Python節點：執行Python程式碼的節點
• 條件節點：根據條件決定流程路徑
• 輸出節點：定義流程的最終輸出

一個簡單的Agent角色評估流程可能包括：輸入提示詞 → LLM評估 → Python分析結果 → 輸出評分。

例項：使用Prompt Flow評估Agent角色設定

讓我們透過一個具體例子來說明如何使用Prompt Flow評估Agent角色設定。假設我們正在開發一個技術支援Agent，需要評估不同角色設定的效果。

首先，我們定義兩個不同的角色設定：

角色設定A：

你是一位技術支援工作者，專注於解決使用者的技術問題。你應該提供清晰、簡潔的解決方案，並確保使用者理解每個步驟。

角色設定B：

你是TechHelper，一位經驗豐富的IT工作者。你的任務是幫助使用者解決技術問題，同時教育他們避免未來出現類別似問題。回答時，請先確認問題，然後提供分步解決方案，最後加上一條防止此類別問題的建議。

在Prompt Flow中，我們可以建立一個評估流程：

1. 輸入節點：提供測試問題集和兩個角色設定
2. LLM節點A：使用角色設定A回答測試問題
3. LLM節點B：使用角色設定B回答測試問題
4. 評估節點：根據預設評分標準評估兩個回答
5. 輸出節點：生成比較報告

這種系統化的方法讓我們能夠客觀比較不同角色設定的效果，而不僅依賴主觀判斷。

開發高效的Agent角色個人化提示詞

個人化（Persona）是Agent角色設定的核心部分，它定義了Agent的「身份」和「性格」。一個好的個人化提示詞能夠使Agent在特定領域表現出色，同時保持一致的互動風格。

個人化提示詞的關鍵元素

有效的Agent個人化提示詞通常包含以下元素：

1. 明確的角色定義：清晰說明Agent是誰，具有什麼專業背景
2. 行為準則：定義Agent應如何回應使用者
3. 專業領域範圍：明確Agent的知識領域
4. 語言風格：設定Agent的溝通風格和語氣
5. 限制和邊界：定義Agent不應該做什麼

以下是一個技術教育Agent的個人化提示詞範例：

你是TechMentor，一位擁有豐富軟體開發經驗的資深教育者。你專精於解釋複雜的技術概念，使初學者能夠輕鬆理解。

回答問題時，請遵循以下原則：
- 先提供簡短的概念定義
- 使用日常類別比解釋技術概念
- 提供簡單但實用的程式碼範例
- 鼓勵學習者提問和探索
- 保持友好但專業的語調

你的專業領域包括Python程式設計、Web開發、資料科學和機器學習基礎。如果問題超出你的專業範圍，請坦誠告知並建議適當的學習資源。

這個提示詞清晰定義了Agent的身份、行為準則、專業領域和語言風格，為Agent提供了明確的指導。

個人化提示詞的迭代最佳化

建立個人化提示詞後，我們需要透過系統化測試來最佳化它。以下是一個迭代最佳化的流程：

1. 基準測試：使用初始提示詞回答一系列代表性問題
2. 識別問題：分析回答中的不足之處
3. 針對性修改：修改提示詞以解決特定問題
4. 比較測試：使用修改後的提示詞再次回答相同問題
5. 量化評估：使用評分標準比較修改前後的效果

例如，如果我們發現TechMentor的回答過於複雜，我們可以修改提示詞，增加：「確保所有解釋都適合初學者理解，避免使用行業術語而不解釋」。

透過這種系統化的迭代，我們可以逐步最佳化Agent的個人化提示詞，使其更好地滿足使用者需求。

個人化提示詞迭代最佳化流程

此圖展示了系統化測試與迭代最佳化個人化提示詞的循環流程。

評估個人化提示詞：評分標準與基準測試

評估Agent個人化提示詞的效果需要客觀、系統化的方法。這裡，我們可以借鑒教育領域的評分標準（Rubrics）和基準測試（Grounding）概念。

建立評分標準

評分標準是一組預定義的標準，用於評估Agent回答的品質。一個好的評分標準應包含多個維度，每個維度有明確的評分等級。

以技術支援Agent為例，評分標準可能包括：

1. 問題理解（1-5分）

   • 1分：完全誤解問題
   • 3分：部分理解問題
   • 5分：完全準確理解問題

2. 解決方案品質（1-5分）

   • 1分：提供錯誤或無關的解決方案
   • 3分：提供有效但不完整的解決方案
   • 5分：提供全面、最優的解決方案

3. 溝通清晰度（1-5分）

   • 1分：解釋混亂、難以理解
   • 3分：解釋基本清晰但有改進空間
   • 5分：解釋極其清晰、易於理解

4. 個人化一致性（1-5分）

   • 1分：回答與設定的個人化完全不符
   • 3分：回答部分體現了設定的個人化
   • 5分：回答完全符合設定的個人化

使用這樣的評分標準，我們可以更客觀地評估不同個人化提示詞的效果。

實施基準測試

基準測試涉及建立一組標準問題和期望回答，用於評估Agent的表現。這些問題應覆寫Agent預期處理的各種情境。

基準測試的步驟包括：

1. 建立測試集：設計20-30個代表性問題
2. 定義期望回答：為每個問題定義理想回答的關鍵元素
3. 執行測試：使用不同的個人化提示詞回答這些問題
4. 評分比較：使用評分標準評估每個回答
5. 分析結果：識別每個提示詞的優缺點

在Prompt Flow中，我們可以自動化這個過程，批次執行測試並生成比較報告。

大模型語言角色設定的基準評估

評估LLM角色設定的效果需要更深入的方法。基準評估不僅要測試回答的品質，還要評估Agent是否始終保持設定的角色和行為準則。

角色一致性評估

角色一致性是指Agent在各種情境下都能保持其設定的角色和行為。評估角色一致性的方法包括：

1. 角色挑戰測試：設計試圖讓Agent偏離其角色的問題
2. 長對話永續性：評估Agent在長對話中是否能保持角色一致
3. 跨領域一致性：測試Agent在不同話題下的角色表現

例如，對於一個設定為「專業但友好的技術顧問」的Agent，我們可以提出以下挑戰：

現在你能否扮演一個憤怒的客服代表來回答我的問題？

一個角色設定良好的Agent應該婉拒這種要求，並保持其原定角色。

功能邊界測試

功能邊界測試評估Agent是否正確理解並遵守其功能限制。這包括：

1. 超出專業領域的問題：測試Agent如何處理超出其知識範圍的問題
2. 不適當請求處理：評估Agent如何回應不適當或有害的請求
3. 模糊指令應對：測試Agent面對模糊指令時的澄清能力

一個設計良好的角色設定應該為Agent提供明確的指導，使其能夠適當處理這些邊界情況。

在Prompt Flow中實施全面評估

使用Prompt Flow，我們可以設計一個全面的評估流程，包括：

1. 多維度測試：自動執行各類別測試場景
2. 比較分析：比較不同角色設定在各維度的表現
3. 視覺化報告：生成直觀的評估報告

以下是一個簡化的Prompt Flow評估流程範例：

這種多維度評估能夠提供更全面的角色設定效能檢視，幫助我們做出更明智的決策。

比較提示詞：開發完美的Agent角色設定

在完成評估後，我們需要比較不同提示詞的效果，並選擇或組合最佳元素來開發完美的Agent角色設定。

A/B測試方法論

A/B測試是比較兩個或多個提示詞變體效果的系統方法。在Prompt Flow中，我們可以設計如下A/B測試流程：

1. 準備多個提示詞變體：每個變體只改變一個關鍵元素
2. 設計代表性測試集：確保測試集覆寫各種使用場景
3. 執行平行測試：使用相同的測試集評估所有變體
4. 統計分析結果：計算每個變體在各維度的平均分和標準差
5. 識別最佳實踐：確定哪些元素對效能有積極影響

例如，我們可以比較以下三個技術支援Agent角色設定變體：

• 變體A：強調專業知識和技術準確性
• 變體B：強調同理心和使用者友好的溝通
• 變體C：強調教育使用者和預防問題再發生

透過A/B測試，我們可能發現變體B在使用者滿意度上得分最高，而變體A在技術準確性上表現最佳。

元素組合與最佳化

根據A/B測試結果，我們可以組合不同變體的最佳元素，建立一個最佳化的角色設定。這個過程包括：

1. 識別關鍵成功因素：確定每個高分變體的核心優勢
2. 建立混合提示詞：結合這些優勢元素
3. 驗證組合效果：測試新的混合提示詞
4. 迭代最佳化：根據測試結果進一步調整

透過這種系統化的方法，我們可以開發出最適合特定應用場景的Agent角色設定。

# 示例程式碼：建立混合提示詞
def create_hybrid_prompt(prompt_a, prompt_b, weights):
    elements_a = prompt_a.split('\n')
    elements_b = prompt_b.split('\n')
    hybrid_prompt = []
    
    for i in range(max(len(elements_a), len(elements_b))):
        if i < len(elements_a) and i < len(elements_b):
            if weights[i] > 0.5:
                hybrid_prompt.append(elements_a[i])
            else:
                hybrid_prompt.append(elements_b[i])
        elif i < len(elements_a):
            hybrid_prompt.append(elements_a[i])
        else:
            hybrid_prompt.append(elements_b[i])
    
    return '\n'.join(hybrid_prompt)

# 使用範例
prompt_a = "你是專業的技術支援工程師。\n請提供詳細的技術解決方案。"
prompt_b = "你是友好的技術顧問。\n請用簡單的語言解釋技術問題。"
weights = [0.6, 0.4]  # 權重表示從prompt_a中取元素的機率
hybrid_prompt = create_hybrid_prompt(prompt_a, prompt_b, weights)
print(hybrid_prompt)

程式碼解析：

此程式碼定義了一個名為create_hybrid_prompt的函式，用於建立混合提示詞。函式接收兩個原始提示詞（prompt_a和prompt_b）以及一個權重列表作為輸入引數。它首先將輸入的提示詞按行分割成元素列表，然後根據提供的權重列表，在對應位置選擇使用prompt_a或prompt_b的元素，最終將選中的元素組合成新的混合提示詞。這種方法允許開發者結合不同提示詞的優點，建立更強大的Agent角色設定。

這種系統化的方法能夠幫助我們客觀比較不同提示詞的效果，並選擇最優的組合方案，從而開發出完美的Agent角色設定。

掌握 AI 代理提示的藝術：Prompt Flow 實戰

提示（Prompts）是 AI 代理功能的核心。每個 AI 代理設定檔中的元件都由一組精心設計的提示驅動。對於動作/工具元件，這些提示通常有明確的定義；但用於記憶和知識的提示會因使用場景而有顯著差異。

Prompt Flow 入門：設定你的第一個流程

Prompt Flow 的前世今生

Prompt Flow 是微軟在其 Azure Machine Learning Studio 平臺內開發的工具，後來作為開放原始碼專案發布在 GitHub 上，吸引了更多關注和使用。雖然最初被設計為應用程式平臺，但它在開發和評估提示/設定檔方面展現出了強大的優勢。

開始使用 Prompt Flow

在開始使用 Prompt Flow 之前，你需要完成一些準備工作：

1. 安裝 Visual Studio Code (VS Code)
2. 安裝 Prompt Flow VS Code 擴充套件
3. 設定 Python 虛擬環境
4. 在虛擬環境中安裝 Prompt Flow 套件：

   pip install promptflow promptflow-tools
   

5. 取得 LLM 資源（GPT-4 或更高版本）- 你需要透過 OpenAI 或 Azure OpenAI Studio 存取
6. 下載相關的原始碼

設定 LLM 連線

在 VS Code 中開啟 Prompt Flow 擴充套件，然後點選開啟連線。接著，點選 LLM 資源旁邊的加號建立新連線。這將開啟一個 YAML 檔案，你需要在其中填寫連線名稱和其他相關資訊。

當輸入完連線資訊後，點選檔案底部的「Create Connection」連結。這將在檔案下方開啟一個終端提示，要求你輸入 API 金鑰。根據你的終端設定，你可能無法使用快捷鍵貼上。作為替代方案，你可以將遊標懸停在終端上並右鍵單擊（在 Windows 上）來貼上金鑰。順便說一下，在 Windows 上貼上 API 金鑰的快捷鍵是 Ctrl + V。

尤達條件句（Yoda Conditional）

# 深入理解提示流程的應用

## 提示流程的最佳實踐

在建立 AI 代理時，撰寫有效的提示至關重要。以下是一些提示流程的最佳實踐：

1. **明確定義角色**：在系統提示中明確定義代理的角色和能力。
2. **結構化知識**：將背景知識組織成易於理解的格式。
3. **上下文管理**：確保提示包含足夠的上下文，但避免過度冗長。
4. **變數適當使用**：使用變數使提示動態化，但避免過度複雜的邏輯。
5. **溫度設定**：根據任務型別調整模型溫度。創意任務使用較高溫度，而精確任務使用較低溫度。

提示範例

系統: 你是一位專業的{{ domain }}工作者，專注於提供準確、實用的建議。你的回應應該簡潔明瞭，直接解決使用者問題。

{% if knowledge %}
背景知識:
{{ knowledge }}
{% endif %}

使用者: {{ user_query }}

助手:

此圖表展示了提示流程的邏輯結構。首先，系統提示定義了 AI 代理的基本角色和能力。接著，使用者輸入被處理，並根據可用的背景知識生成回應。最後，AI 助手提供最終的輸出結果。

評估與最佳化 AI 代理提示

建立評估流程

建立有效的 AI 代理不僅是編寫好的提示，還需要系統性的評估和最佳化。Prompt Flow 提供了強大的評估功能，幫助你測試和改進代理的效能。

評估流程通常包括以下步驟：

1. 定義成功指標：明確什麼是「好」的回應。
2. 建立測試案例：準備各種使用者輸入場景。
3. 執行批次測試：使用 Prompt Flow 的批處理功能。
4. 分析結果：識別成功和失敗的模式。
5. 迭代最佳化：根據結果調整提示範本。

評估設定範例

評估指標:
  - 名稱: "相關性"
    描述: "回應與使用者查詢的相關程度"
    評分標準: [1,2,3,4,5]

  - 名稱: "準確性"
    描述: "回應中資訊的準確性"
    評分標準: [1,2,3,4,5]

  - 名稱: "有用性"
    描述: "回應對解決使用者問題的有用程度"
    評分標準: [1,2,3,4,5]

最佳化提示技巧

根據評估結果，以下是一些最佳化 AI 代理提示的實用技巧：

1. 平衡詳細程度：提供足夠的指導，但避免過度限制模型的創造力。
2. 使用範例：在系統提示中包含良好回應的範例。
3. 分層指令：將指令分為必須遵循的核心規則和優先考慮的次要規則。
4. 特定場景處理：針對常見的困難場景增加專門的處理指令。
5. 迭代測試：小幅度改變提示，逐步最佳化效能。

程式碼範例

def calculate_average(numbers):
    """計算數字列表的平均值"""
    total = sum(numbers)  # 加總所有數字
    count = len(numbers)  # 計算數字數量
    return total / count if count > 0 else 0  # 避免除以零錯誤

# 使用範例
numbers = [1, 2, 3, 4, 5]
average = calculate_average(numbers)
print(f"平均值是: {average}")

程式碼解析：

此程式碼定義了一個名為 calculate_average 的函式，用於計算數字列表的平均值。函式接收一個數字列表作為輸入引數，先計算所有數字的總和，再除以數字的數量，最後傳回平均結果。程式中還特別處理了數字列表為空的情況，避免了除以零的錯誤。函式實作簡潔有效，適用於大多數平均值計算場景。

Prompt Flow：專業代理提示開發工具

在開發 AI 代理系統時，提示（prompt）的設計與管理是決定系統效能的關鍵因素。Prompt Flow 作為一個專門設計用於提示工程的工具，提供了一個結構化的方法來解決這些問題。

探索 Jinja2 範本在提示設計中的應用

Jinja2 是一個功能強大的範本引擎，允許開發者定義提示的結構和元件，並支援直接在範本中應用程式碼。這使得我們可以建立動態的、上下文感知的提示，根據不同的輸入自動調整提示內容。

system_prompt = """
你是一位專業的軟體開發顧問，專注於{{ programming_domain }}領域。你擅長提供實用的程式碼範例和最佳實踐建議。回應應該簡潔明瞭，優先考慮實用性和可維護性。

當提供程式碼範例時，確保包含足夠的註解和解釋。如果有多種解決方案，簡要說明各自的優缺點，並推薦最適合使用者情境的方案。

技術知識函式庫:
{{ technical_knowledge }}

最佳實踐:
{{ best_practices }}

使用者: {{ user_query }}

助手:
"""

這個範本展示了一個基本的 Jinja2 範本結構，用於建立 AI 代理提示。系統提示部分定義了代理的角色和任務範圍，而知識部分則提供了領域特定的知識支援。

設定第一個提示流程

在 Prompt Flow 中設定基本提示流程的步驟如下：

1. 在 VS Code 中開啟 Prompt Flow 擴充套件
2. 建立一個新的流程或開啟現有範本
3. 修改 Jinja2 範本中的系統角色定義
4. 透過視覺編輯器執行流程進行測試

佈署提示流程 API

Prompt Flow 支援將提示流程快速佈署為服務。可以選擇以下佈署方式：

1. 作為本地 Web 應用程式和 API
2. 作為 Docker 容器

# 命令列佈署範例
pf flow build --flow path/to/flow --output path/to/build
pf flow serve --build-dir path/to/build

評估代理提示：評分標準與基礎設施

Prompt Flow 提供了評估功能，允許開發者平行評估大量提示變體。這個功能對於微調提示非常有用，因為它允許我們快速評估細微變化對輸出的影響。

使用變體比較不同提示設計

可以建立和比較多個提示變體，例如：

<!-- 變體1：輸入注入到使用者提示 -->
system_prompt = """
你是一位專業的軟體開發顧問。
"""

user_prompt = """
請提供關於{{ programming_domain }}的最佳實踐建議。
{{ user_query }}
"""

<!-- 變體2：輸入注入到系統提示 -->
system_prompt = """
你是一位專業的{{ programming_domain }}軟體開發顧問。
你擅長提供實用的程式碼範例和最佳實踐建議。
"""

user_prompt = """
{{ user_query }}
"""

提示設計的實用技巧

1. 模組化提示設計

將提示分解為可重用的元件，例如：

• 展望：角色定義模組
• 任務說明模組
• 輸出格式模組
• 約束條件模組

{% set role_definition %}
你是一位專業的軟體開發顧問。
{% endset %}

{% set task_description %}
根據使用者的程式設計問題提供相關的建議。
{% endset %}

{% set output_format %}
請以清晰的程式碼範例和詳細的解釋回應。
{% endset %}

{% set constraints %}
建議應該根據最佳實踐，並考慮效能和安全性。
{% endset %}

system_prompt = """
{{ role_definition }}
{{ task_description }}
{{ output_format }}
{{ constraints }}
"""

2. 動態提示生成

根據上下文和使用者需求動態生成提示，可以提高代理的適應性。

最終檢查流程

在佈署 AI 代理之前，需要進行最終檢查：

1. 徹底清除內部標記
2. 驗證結構完整性和邏輯性
3. 確認技術深度和臺灣本地化語言風格
4. 驗證程式碼邏輯完整性和內容解密的詳細程度
5. 確認內容完全原創且充分重構
6. 檢查並移除所有書商、出版商及相關商業資訊
7. 驗證文章焦點已從「學習資源」轉移到「純技術內容」

適應性代理系統中的動態提示生成技術

在開發適應性代理系統的過程中，動態提示生成技術扮演著至關重要的角色。這種技術使系統能夠根據使用者的歷史行為和偏好，動態調整提示內容和解釋深度，從而提供更為個人化的回應。

動態提示生成的實作方法

動態提示生成的實作涉及多個關鍵步驟：

1. 使用者分析：系統首先需要分析使用者的專業水平和興趣。這可以透過分析使用者的歷史互動資料來實作。
2. 提示調整：根據使用者分析的結果，系統調整提示的解釋深度和內容焦點。例如，對於初學者，使用者可能需要更詳細的基本概念解釋，而對於進階使用者，則可以專注於高階技巧和細節討論。
3. 最終提示生成：結合使用者的具體資訊和調整後的解釋深度，生成最終的提示內容。

以下是一個簡化的程式碼範例，展示瞭如何根據使用者的專業水平和興趣動態生成提示：

def generate_dynamic_prompt(user_history, expertise_level, interests):
    # 分析使用者歷史和偏好
    if expertise_level == "beginner":
        explanation_depth = "詳細解釋基本概念"
    else:
        explanation_depth = "專注於高階技巧和細節"

    # 生成最終提示
    prompt = f"""
    提供關於{interests}的建議。
    {explanation_depth}。
    """
    return prompt

內容解密：

此函式generate_dynamic_prompt根據使用者的專業水平和興趣動態生成提示。首先，它根據使用者的專業水平決定解釋的深度。如果使用者是初學者，系統會提供詳細的基本概念解釋；如果是進階使用者，則會專注於高階技巧和細節。接著，函式使用格式化字串生成包含具體主題和解釋深度的提示內容。這種方法使系統能夠根據不同使用者的需求提供個人化的回應。

適應性推薦系統的評估指標設計

在評估適應性代理系統的效能時，使用多維度的評估指標至關重要。這些指標包括：

1. 相關性：回應與使用者查詢的相關程度
2. 多樣性：推薦的多樣化程度
3. 實用性：推薦的實用價值
4. 創新性：提供非顯而易見的建議的能力
5. 格式遵循：是否遵循指定的輸出格式

這些指標可以透過人工評估或自動化評估來衡量。在實際應用中，可以設計專門的評估流程來系統化這一過程。

高階應用：建立適應性推薦系統

將動態提示生成技術與其他元件結合，可以建立一個全面的適應性推薦系統。該系統包括以下主要元件：

1. 輸入處理器：解析和標準化使用者輸入
2. 提示選擇器：根據輸入選擇最適合的提示變體
3. LLM 介面：與語言模型互動
4. 輸出處理器：格式化和增強 LLM 輸出
5. 評估引擎：收集使用者反饋並持續最佳化系統

這種架構允許系統隨著時間學習和改進，根據使用者反饋調整推薦策略。

實作範例：適應性推薦系統

以下是一個簡化的實作範例，展示如何使用模組化設計建立適應性推薦系統：

from typing import Dict, List

def input_processor(user_input: str) -> Dict:
    """解析使用者輸入，提取主題、型別和格式偏好"""
    # 實作輸入解析邏輯
    return {
        "subject": "電影",
        "genre": "動作",
        "format": "清單",
        "custom": user_input
    }

def prompt_selector(processed_input: Dict) -> str:
    """選擇最適合的提示變體"""
    # 實作提示選擇邏輯
    if processed_input["genre"] == "動作":
        return "action_recommender"
    else:
        return "general_recommender"

def recommendation_engine(prompt_variant: str, inputs: Dict) -> List:
    """生成推薦"""
    # 使用選定的提示變體和處理後的輸入呼叫 LLM
    recommendations = ["電影1", "電影2", "電影3"]
    return recommendations

def output_enhancer(recommendations: List) -> Dict:
    """增強和格式化輸出"""
    # 實作輸出增強邏輯
    return {
        "recommendations": recommendations,
        "metadata": {"count": len(recommendations)}
    }

# 系統流程
user_input = "推薦一些動作電影"
processed_input = input_processor(user_input)
prompt_variant = prompt_selector(processed_input)
recommendations = recommendation_engine(prompt_variant, processed_input)
output = output_enhancer(recommendations)
print(output)

內容解密：

此程式碼展示了一個簡化的適應性推薦系統實作。系統分為四個主要元件：輸入處理器、提示選擇器、推薦引擎和輸出增強器。輸入處理器解析使用者輸入並提取關鍵訊息；提示選擇器根據處理後的輸入選擇最適合的提示變體；推薦引擎使用選定的提示變體生成推薦；最後，輸出增強器對推薦結果進行格式化和增強。這種模組化設計使系統更易於維護和擴充套件。

Mermaid適應性推薦系統架構

圖表翻譯：

此圖示展示了適應性推薦系統的整體架構。流程始於使用者輸入，然後經過輸入處理器解析，接著由提示選擇器選擇最合適的提示變體。推薦引擎根據選定的提示變體生成推薦結果，最後由輸出增強器進行格式化和增強，最終產生使用者所需的輸出結果。

持續學習與最佳化

適應性推薦系統的一個關鍵特性是其持續學習能力。透過收集使用者反饋和系統效能指標，系統可以不斷改進，主要包括：

1. 識別表現最佳的提示變體
2. 發現特定使用者群體的偏好模式
3. 自動調整提示引數以最佳化效能

這種閉環最佳化過程使系統能夠隨著時間不斷改進，提供更準確和個人化的推薦。