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。👇