使用外部数据进行提示
学习将用户提供或动态检索的数据直接纳入提示的技术
使用外部数据进行提示 是 CoddyKit 上的免费 AI Prompt Engineering 课时。 这是第 1 节课，共 3 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 AI Prompt Engineering 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Prompt Engineering 课程共包含 3 节课。
简介：外部数据
欢迎！在本课中，我们将学习如何通过加入外部数据，让 LLM 提示词更加智能。这意味着提供不属于 LLM 训练数据、但与特定任务相关的信息。
您可以把它想象成在特定情境下，为 LLM 提供“全新的视角”或“上下文线索”。
外部数据为何重要
引入外部数据可以带来多个重要益处：
- 准确性：提供 LLM 可能不了解的最新或特定事实。
- 个性化：根据不同用户或情境调整回答。
- 相关性：确保 LLM 专注于您真正关心的准确信息。
- 减少幻觉：让 LLM 以真实数据为依据，从而降低编造内容的可能性。
常见数据来源
外部数据可以来自许多地方。以下是一些常见示例：
- 用户输入：用户输入的文本、偏好或个人资料信息。
- 数据库/应用程序接口：产品目录、客户记录、天气数据和新闻源。
- 文件：文档、电子表格、日志或其他存储的信息。
- 传感器：来自设备的实时数据（例如温度、位置）。
基本数据注入
加入外部数据最简单的方法，是直接将其插入提示词字符串中。通常可以使用字符串格式化或拼接来完成。
请始终清楚地标注所注入的数据，以帮助 LLM 理解其作用。
请尝试运行此示例：
user_name = "Alice"
product_name = "Smartwatch"
prompt = f"User: {user_name}\n" \
f"Product: {product_name}\n" \
f"Please write a short, friendly product review for the {product_name}."
print(prompt)构造外部数据
对于更复杂的数据，以结构化格式提供数据至关重要。这样可以帮助 LLM 更可靠地解析和理解信息。
常见的数据结构化方式包括：
- 分隔符：使用特殊字符（例如
---、###）分隔各个部分。 - 键值对：明确命名数据字段（例如
"Name": "Alice"）。 - JSON/XML：使用标准的数据交换格式表示复杂对象。
关键在于保持一致性和清晰性。
使用数据进行个性化
让我们看看如何使用结构化的用户数据来个性化消息。我们将在提示词中使用简单的键值格式。
请注意，LLM 获得了明确的“用户资料”数据，可以据此完成任务。
请尝试运行此示例：
user_profile = {
"name": "Bob",
"membership_level": "Gold",
"last_purchase_date": "2023-10-26"
}
prompt = f"User Profile:\n" \
f"Name: {user_profile['name']}\n" \
f"Membership: {user_profile['membership_level']}\n" \
f"Last Purchase: {user_profile['last_purchase_date']}\n\n" \
f"Write a personalized welcome back message for Bob, " \
f"mentioning his Gold status and recent activity."
print(prompt)动态数据与上下文
外部数据还可以提供动态的“实时”上下文。设想一下，获取当前的股票价格或天气数据，并将其直接提供给提示词。
这样可以让 LLM 的回答更加相关且及时。
请尝试运行此示例：
current_stock_price = "$150.25"
company_name = "TechCo"
market_status = "Up 1.5% today"
prompt = f"Current Market Data:\n" \
f"Company: {company_name}\n" \
f"Price: {current_stock_price}\n" \
f"Status: {market_status}\n\n" \
f"Summarize TechCo's current market performance for an investor."
print(prompt)数据验证与安全
引入外部数据时，尤其是用户输入的数据时，务必考虑数据验证和安全性。
- 清理输入：移除或转义可能有害的字符，以防止提示词注入攻击。
- 验证数据类型：确保数字是数字、日期是日期，等等。
- 限制大小：防止过长的输入消耗过多令牌或导致错误。
- 隐私：注意敏感信息；如果没有必要，请避免将其发送给 LLM。
快速检查：外部数据
您正在构建一个用于生成产品描述的提示词。您有一个包含产品详细信息的字典：{'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}。
哪种方式最适合将这些数据纳入提示词，以便 LLM 清晰地理解？
回顾与后续步骤
做得很好！您已经学会了如何将外部数据集成到提示词中，以增强 LLM 的回答。
- 外部数据可以提供准确性、个性化和相关性。
- 它可以来自用户输入、数据库、应用程序接口等。
- 对于复杂数据，清晰的结构（例如键值对或 JSON）至关重要。
- 使用外部来源时，务必考虑数据验证和安全性。
接下来，我们将深入了解检索增强生成（RAG）。它建立在这些概念之上，可以获取并使用更加丰富的外部知识！
常见问题解答
「使用外部数据进行提示」课时是免费的吗？
是的 — 「使用外部数据进行提示」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Prompt Engineering 课程的其余内容，请升级到 CoddyKit PRO。 AI Prompt Engineering 课程共包含 3 节课。
「使用外部数据进行提示」这节课中我会学到什么？
学习将用户提供或动态检索的数据直接纳入提示的技术 你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 AI Prompt Engineering 需要有经验吗？
无需任何先前经验。CoddyKit 上的 AI Prompt Engineering 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 3 节。
「使用外部数据进行提示」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 AI Prompt Engineering 课中编写并运行代码吗？
能。每节 AI Prompt Engineering 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 使用外部数据进行提示
- 检索增强生成（RAG）
- 用于提示的向量数据库