近年来，GPT-4、Gemini等大型语言模型（LLMs）已成为许多AI驱动应用的核心。它们能回答问题、生成文本、提供建议，甚至辅助复杂的决策过程。但和任何先进工具一样，LLM需要精心管理才能确保输出可靠、安全且有用的结果。

本文将探讨使用LLM的三项关键技术：

1. 提示链（Prompt Chaining）
2. 响应净化（Response Sanitization）
3. 结构化输出（Structured Outputs）

理解并结合这些技术，能提升AI系统的效能，使其更精准、可靠且易用。

基于LLM的工作流

什么是基于LLM的工作流？

基于LLM的工作流是一种分步流程，它利用Gemini、GPT-4或Claude等大型语言模型，以模块化、可靠且可控的方式执行任务。

它不是发送一个提示就获取完整答案，而是设计一条流程：

输入 → 推理 → 响应 → 验证 → 输出

为何重要？

当代理执行任务（如订票、答疑或知识检索）时，会在内部遵循工作流。因此，理解如何手动设计工作流能帮你洞察：

• 代理如何规划任务
• 代理如何决定下一步行动
• 代理如何回应反馈

提示链：核心思想

概念：

提示链是一系列相互关联的提示，前一个提示的输出会成为后一个提示的输入。这模仿了人类解决问题的方式——将问题拆分成步骤。

这种技术能提升准确性、可解释性、安全性和灵活性。

为何使用提示链？

• 分解复杂任务：每个子任务更简单，准确率更高。
• 促进推理：帮助LLM逐步思考（思维链提示法）。
• 支持模块化设计：便于调试或复用流程中的部分环节。
• 增强安全性：可对每个中间响应进行过滤、验证或净化。

代码详细解析

%pip install -qU langchain-google-genai
from dotenv import load_dotenv
import os
load_dotenv()
os.environ["GOOGLE_API_KEY"] = os.getenv("GEMINI_API_KEY")
from dotenv import load_dotenv
import os
load_dotenv()
os.environ["GOOGLE_API_KEY"] = os.getenv("GEMINI_API_KEY")
response = llm.invoke("What is the weather in Tokyo?")
print(response.content)

提示链 + 响应净化

n = input("Enter the question: ")
list_of_prompts = [
    n,
    f"Output the response '{n}' in a way that is safe for kids. Any bad response should be avoided."
]

• 第一个提示 = 用户的原始输入。
• 第二个提示 = 优化第一个提示的输出，增加安全约束。

n = len(list_of_prompts)
for i, j in enumerate(list_of_prompts):
    print(f"Prompt {i}: {j}")
    llm_response = llm.invoke(j)
    print(llm_response.content)

🔹 遍历提示链。 🔹 为每个提示调用LLM，并打印中间响应。

注意：if i==n:的判断逻辑有误，因为循环会在i==n前结束（若要打印最终输出，可能需要if i==n-1）。

这展示了什么？

实际应用：

假设你在开发一个儿童AI导师，绝不能让它返回有害内容。

通过提示链，你可以：

• 先让模型提供原始信息。
• 再净化或重新组织输出，使其适合目标受众（儿童）。

AI代理的基础：

代理系统通常依赖多步骤任务分解，例如：

规划要做什么。

搜索或检索知识。

总结结果。

验证输出。

响应用户。

这些步骤本质上都是通过提示链实现的。

示例工作流

可视化一个典型的链式工作流：

用户查询："Tell me about war in history"
→ 步骤1：理解查询
→ 步骤2：检索历史事实
→ 步骤3：过滤暴力或不适合特定年龄的内容
→ 步骤4：简化为适合10岁儿童的表述
→ 最终响应：“很久以前，一些国家有过分歧，他们用不同的方式解决了这些问题……”

每个步骤都是一个提示。这就是提示链。

提示链类似迷你代理行为

虽然代理具备记忆、工具、上下文感知等能力，但这种链式流程模仿了代理的推理过程，是构建完整代理的关键基础。

“

掌握提示链是构建代理系统的必要前提，因为代理也依赖分步规划和执行。

响应净化：确保输出安全且符合伦理

什么是响应净化？

响应净化是对LLM的输出进行过滤或修改，确保其对目标受众而言适当、安全且符合伦理。这在教育、医疗和客服等领域尤为重要——不当或有害的响应可能造成严重后果。

为何重要？

在许多实际应用中，LLM可能生成不适当、冒犯性或误导性的响应。净化响应能确保其对用户安全且相关，尤其是处理敏感话题时。

如何工作：

输入过滤：评估原始用户输入中是否有关键敏感词。

安全优先提示：生成最终响应前，提示LLM以更符合伦理或更适当的方式重写/过滤内容。

反馈循环：可通过额外的审核或反馈系统进一步评估响应。

示例：

假设儿童向LLM询问“战争”这类复杂话题，可使用响应净化——不让模型提供详细、血腥的解释，而是提示它以适合儿童的方式说明：

n = input("Enter the question: ")
list_of_prompts = [
    n,
    f"Output the response {n} in a way that is safe for kids learning any bad response should be avoided"
]
# 调用带净化功能的LLM
for i, j in enumerate(list_of_prompts):
    print(f"Prompt {i}: {j}")
    llm_response = llm.invoke(j)
    print(llm_response.content)
    if i == len(list_of_prompts) - 1:
        print("Final response: ", llm_response.content)

结构化输出：组织响应以提升清晰度和可操作性

什么是结构化输出？

结构化输出是将LLM的输出格式化为预定义结构（如JSON、Pydantic模型）的做法。这确保响应不仅是自由文本，还能用于下游任务，如数据分析、报告生成或决策制定。

为何重要？

结构化输出让处理、分析和基于LLM生成的数据行动变得更简单。通过Pydantic或TypedDict等模型，可定义输出结构并施加约束，使其更可预测、更易用。

如何工作：

定义模型：确定响应的结构，如answer（答案）、rating（评分）、safety_rating（安全评分）等字段。

生成输出：LLM生成响应并按定义的结构格式化。

访问数据：结构化后，能更轻松地访问特定字段并将数据用于后续流程。

示例：

假设要生成一首关于印度的诗歌，同时包含质量评分和安全评分（表明其符合预期的程度），操作如下：

from typing import Annotated
from pydantic import BaseModel, Field

class Response(BaseModel):
    "Answer to the question"
    answer: Annotated[str, Field(description="The answer to the question")]
    rating: Annotated[int, Field(description="The rating of the answer from 1 to 10")]
    safety_rating: Annotated[int, Field(
        description="The safety rating of the answer from 1 to 10 for kids, 10 being the safest"
    )]

structured_llm = llm.with_structured_output(Response)
response = structured_llm.invoke("Poem on India")
print(response.answer)
print(response.rating)
print(response.safety_rating)

这里，LLM会以结构化格式生成诗歌，包括答案、质量评分和确保适合所有受众的安全评分。

结论

构建基于LLM的应用时，确保AI系统可靠、安全且可操作至关重要。通过提示链、响应净化和结构化输出等技术，能打造更复杂的工作流，让LLM处理复杂任务、生成安全内容，并产出结构化、可操作的见解。

随着我们着手构建能自主交互、应对现实挑战的AI代理，这些基础技术将成为确保AI伦理且高效运行的基石。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】