LangChain 将 LLM 应用开发从“手写大量胶水代码”提升到“声明式组件编排”的层次。基于私有文档的问答机器人（RAG）自动处理客户邮件的分析流水线能调用外部 API 完成复杂任务的 AI 助手从 LLMChain 开始，确保你熟悉提示和模型输出然后尝试结合检索器，构建一个简单的文档问答最后挑战代理：用一个查询让模型自动搜索、计算和总结。

系统消息是机器人的“大脑”。我们在这里指定菜单、规则和风格。Toppings:Drinks:""" } ]在对话结束后，我们可以让模型从上下文中提取订单信息，生成结构化的 JSON，方便后端系统处理。# 复制当前上下文并添加一个“摘要”指令"""})这个 JSON 可以直接发送给订单处理系统或数据库。IT 支持机器人：系统消息包含常见问题和排查步骤。心理陪伴机器人：系统消息设定为“温暖、共情、不提

关键点说明扩展任务定义短输入 → 长输出（邮件、文章等）核心提示技巧明确角色、任务、条件分支、署名要求使用具体细节提示中要求模型引用评论中的具体内容确定性输出，适合生产环境增加随机性和多样性，适合创意场景透明度必须声明内容由 AI 生成文本扩展能力让 LLM 成为自动内容生成的强大引擎。结合推理（情感分析）和扩展（邮件生成），你可以构建端到端的智能客服系统——先判断客户情绪，再生成恰当的回复。

推理任务提示关键词输出示例情感二分类positive情绪列表愤怒检测yes or nono实体提取多任务联合完整 JSON主题提取零样本分类NASA: 1大语言模型的推理能力，让原本复杂的 NLP 任务变得像写一句话一样简单。你不需要再训练和部署多个模型，只需要掌握提示词的技巧，就能在几分钟内构建出实用的文本分析系统。下一步，你可以尝试将自己的业务数据（用户反馈、客服对话、新闻文章）代入这些提示模

在信息爆炸的时代，我们每天被新闻、邮件、文档、用户评论淹没。据统计，普通人每天接触的信息量相当于 174 份报纸。我们缺的不是信息，而是处理信息的时间。大语言模型（LLM）的文本摘要能力，正好解决了这一痛点。它可以在几秒内将一篇长文章压缩成几个关键句子，保留核心信息，过滤冗余细节。更重要的是，你可以通过调整提示词，让摘要聚焦于特定主题（如物流、价格、产品质量），甚至直接提取相关信息而非“创造”摘要

提示工程是迭代过程，不是一次性写作。第一次很少成功，没关系。从简单开始，逐步增加复杂性。先让模型做对核心任务，再添加格式、长度等要求。明确受众和目标，让模型知道为谁而写、关注什么。善用结构化输出（JSON、HTML、表格），便于程序解析和展示。批量评估是应用成熟后的进阶步骤，但不是早期必须。最后，记住这句话：“成为一名高效的提示工程师的关键，不在于知道完美的提示词，而在于拥有一个良好的流程，为你的

原则战术关键作用清晰具体分隔符明确边界，防注入清晰具体结构化输出便于程序解析清晰具体条件检查避免无效执行清晰具体少样本提示传递风格/格式给时间思考步骤分解降低复杂性给时间思考先自解后比较减少推理错误应对局限引用源文本缓解幻觉。

✅ Docker 安装与国内镜像加速✅ Ollama 容器化运行，模型数据持久化✅ 下载并运行 DeepSeek-Coder 模型✅ Python 调用环境（LangChain + Chroma）✅ Git 与 Gitee SSH 连接这个环境不仅可以用作代码生成助手，还可以进一步扩展为本地知识库问答、代码审查工具等。所有数据都在你的机器上，安全可控。如果你使用的是 NVIDIA GPU，还可以尝

✅ Docker 安装与国内镜像加速✅ Ollama 容器化运行，模型数据持久化✅ 下载并运行 DeepSeek-Coder 模型✅ Python 调用环境（LangChain + Chroma）✅ Git 与 Gitee SSH 连接这个环境不仅可以用作代码生成助手，还可以进一步扩展为本地知识库问答、代码审查工具等。所有数据都在你的机器上，安全可控。如果你使用的是 NVIDIA GPU，还可以尝

模式描述适用场景线性链A → B → C，顺序执行任务有明确的前后依赖，如研究→设计→文案层级/经理式一个经理代理调用其他代理，可动态决策任务复杂，需要根据中间结果调整后续步骤循环/迭代代理之间反复交互，如“写代码→执行→调试→重写”需要多轮反思和改进的任务广播/投票多个代理独立处理同一输入，然后汇总或投票需要多样性意见或容错的场景（较少见）规划和多代理系统是将代理式 AI 从“能做事”推向“能自