AI Prompt Engineering · 课时

顺序转换链

Q: 「顺序转换链」这节课中我会学到什么？

了解“草拟 → 审阅 → 润色”链以及其他多阶段优化流程 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。

了解“草拟 → 审阅 → 润色”链以及其他多阶段优化流程

顺序转换链 是 CoddyKit 上的免费 AI Prompt Engineering 课时。这是第 3 节课，共 4 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 4 节课。

转换链

转换链通过一系列专门步骤，逐步将内容从一种形式转换为另一种形式。每个步骤都会转换上一步的输出，逐渐完善或丰富内容。

最有用的三种转换链模式是：

草稿 → 审阅 → 润色：内容创建与完善
头脑风暴 → 筛选 → 扩展：想法生成与发展
提取 → 分类 → 路由：数据处理与决策

草稿 → 审阅 → 润色

最常见的内容创建链。每个步骤都有明确的职责：

草稿：快速生成原始内容——速度优先于完美
审阅：根据特定标准评析草稿——准确性、语气和完整性
润色：应用审阅结果，生成最终输出

将这些任务拆分为独立步骤，比要求模型一次完成起草和润色能产生更好的结果。

草稿 → 审阅 → 润色：Python 实现

草稿 → 审阅 → 润色链的完整实现：

import anthropic

client = anthropic.Anthropic(api_key='YOUR_API_KEY')

def call(prompt):
    r = client.messages.create(
        model='claude-opus-4-5', max_tokens=800,
        messages=[{'role': 'user', 'content': prompt}]
    )
    return r.content[0].text

def draft_review_polish(topic, audience, tone):
    # Step 1: Draft
    draft = call(f'Write a 200-word article about: {topic}. Audience: {audience}.')

    # Step 2: Review — produces critique, not final text
    review = call(f'Review this article for tone ({tone}), accuracy, and clarity.\nList specific improvements needed.\n\nArticle:\n{draft}')

    # Step 3: Polish — applies review findings
    final = call(f'Rewrite this article applying all the review feedback.\n\nOriginal:\n{draft}\n\nReview feedback:\n{review}')

    return {'draft': draft, 'review': review, 'final': final}

result = draft_review_polish('prompt engineering', 'software engineers', 'technical but approachable')
print(result['final'][:300])

头脑风暴 → 筛选 → 扩展

想法开发链：广泛生成，然后智能收窄范围，最后深入展开。

头脑风暴：不加评判地生成大量想法——数量优先于质量
筛选：应用选择标准，找出最佳想法
扩展：将选中的想法发展为详细方案

这条链避免了从少数想法开始并一直受其束缚的锚定偏差。

头脑风暴 → 筛选 → 扩展：Python 实现

带有 JSON 传递的头脑风暴 → 筛选 → 扩展链的完整实现：

import json

def brainstorm_filter_expand(challenge, criteria, n_final=3):
    # Step 1: Brainstorm — generate many ideas
    raw_ideas = call(
        f'Generate 10 creative ideas for this challenge: {challenge}\n'
        'Return JSON: {"ideas": ["string"]}'
    )
    ideas = json.loads(raw_ideas)['ideas']

    # Step 2: Filter — apply criteria
    ideas_formatted = '\n'.join(f'{i+1}. {idea}' for i, idea in enumerate(ideas))
    filtered_raw = call(
        f'Select the {n_final} best ideas based on these criteria: {criteria}\n'
        f'Ideas:\n{ideas_formatted}\n'
        f'Return JSON: {{"selected": ["string"]}}'
    )
    selected = json.loads(filtered_raw)['selected']

    # Step 3: Expand — develop each selected idea
    expansions = {}
    for idea in selected:
        expansions[idea] = call(f'Write a 100-word expansion of this idea, including implementation steps: {idea}')

    return expansions

result = brainstorm_filter_expand('reduce app churn', 'feasible in 30 days, measurable impact', n_final=2)
print(list(result.keys()))

提取 → 分类 → 路由

数据处理链：提取结构化数据，为其分类，然后将其路由到适当的处理程序。

提取：从非结构化文本中提取结构化信息
分类：分配类别、标签或优先级
路由：根据分类结果采取不同操作

这种模式为智能分流系统、内容审核和自动化客户支持路由提供了基础。

提取 → 分类 → 路由：Python 实现

提取 → 分类 → 路由链的完整实现：

import json

def extract_classify_route(ticket_text):
    # Step 1: Extract structured data
    extracted = json.loads(call(
        f'Extract from this support ticket: {{"issue_summary": str, "product_area": str, "user_emotion": str}}\n\n{ticket_text}'
    ))

    # Step 2: Classify priority and department
    classified = json.loads(call(
        f'Classify this ticket.\nIssue: {extracted["issue_summary"]}\nEmotion: {extracted["user_emotion"]}\n'
        'Return JSON: {"priority": "urgent|high|medium|low", "department": "billing|technical|general"}'
    ))

    # Step 3: Route — generate department-specific response
    dept = classified['department']
    priority = classified['priority']

    route_prompts = {
        'billing': f'You are a billing specialist. Priority: {priority}. Respond to: {extracted["issue_summary"]}',
        'technical': f'You are a senior engineer. Priority: {priority}. Resolve: {extracted["issue_summary"]}',
        'general': f'You are customer support. Priority: {priority}. Help with: {extracted["issue_summary"]}'
    }

    response = call(route_prompts[dept])
    return {'extracted': extracted, 'classified': classified, 'response': response}

result = extract_classify_route('My payment was charged twice and I am furious!')
print(result['classified'])

选择合适的链模式

将您的使用场景与合适的转换链模式相匹配：

草稿 → 审阅 → 润色：适用于任何内容创建场景——电子邮件、文章、文档、代码
头脑风暴 → 筛选 → 扩展：适用于策略、创意构思、产品规划和内容日历
提取 → 分类 → 路由：适用于支持工单、电子邮件、内容审核和数据处理

这些模式也可以组合使用——例如，提取 → 分类 → 头脑风暴解决方案 → 筛选 → 起草回复。

组合模式

现实中的流水线通常会将多个模式组合成更长的链：

def full_content_pipeline(raw_research):
    # Pattern 1: Extract → Classify key insights
    insights = json.loads(call(
        f'Extract top 5 insights. Return JSON: {{"insights": [str]}}\n\n{raw_research}'
    ))

    # Pattern 2: Brainstorm → Filter article angles
    angles_raw = json.loads(call(
        f'Brainstorm 8 article angles based on: {insights["insights"]}\nReturn JSON: {{"angles": [str]}}'
    ))
    best_angle = json.loads(call(
        f'Select the most compelling angle for a developer audience.\nReturn JSON: {{"angle": str}}\n\nAngles: {angles_raw["angles"]}'
    ))

    # Pattern 3: Draft → Review → Polish
    draft = call(f'Write a 300-word technical article on: {best_angle["angle"]}')
    review = call(f'Review for technical accuracy and developer relevance:\n{draft}')
    final = call(f'Polish the article applying this feedback:\n\nDraft:\n{draft}\n\nFeedback:\n{review}')

    return final

print('Combined pipeline defined.')

记录中间输出

在转换链中，记录每个中间输出。这对于调试至关重要——如果最终输出有误，您需要知道是哪一步生成了错误输出。

import logging

logging.basicConfig(level=logging.INFO)
logger = logging.getLogger('chain')

def logged_call(step_name, prompt, **kwargs):
    logger.info(f'[{step_name}] INPUT: {prompt[:100]}...')
    result = call(prompt)
    logger.info(f'[{step_name}] OUTPUT: {result[:100]}...')
    return result

def draft_review_polish_logged(topic):
    draft = logged_call('DRAFT', f'Write 200 words about: {topic}')
    review = logged_call('REVIEW', f'Review for clarity:\n{draft}')
    final = logged_call('POLISH', f'Rewrite applying feedback.\nDraft:\n{draft}\nFeedback:\n{review}')
    return final

print('Logging integrated into chain.')

衡量链质量

衡量每个步骤带来的改进，以验证链是否创造了价值：

def measure_chain_improvement(topic):
    # Baseline: single prompt
    baseline = call(f'Write and polish a 200-word article about {topic} in one step.')

    # Chain: Draft -> Review -> Polish
    draft = call(f'Write a 200-word draft about {topic}.')
    review = call(f'List 3 specific improvements needed:\n{draft}')
    chained = call(f'Rewrite applying these improvements:\nDraft:\n{draft}\nImprovements:\n{review}')

    # Have the model compare quality
    comparison = call(
        f'Which version is higher quality? Rate each 1-10 for clarity and depth.\n'
        f'Version A (single prompt):\n{baseline}\n\nVersion B (chain):\n{chained}\n'
        'Return JSON: {"version_a_score": int, "version_b_score": int, "winner": "A|B", "reason": str}'
    )
    return comparison

print('Quality measurement pipeline defined.')

快速检查

处理传入的支持工单并将其路由到正确团队时，哪种转换链模式最合适？

转换链——要点

顺序转换链通过专门步骤逐步完善内容：

草稿 → 审阅 → 润色：最适合内容创建——生成、评析，然后完善
头脑风暴 → 筛选 → 扩展：最适合创意构思——广泛生成、明智选择、深入发展
提取 → 分类 → 路由：最适合数据处理——提取结构、分配标签、路由到处理程序
可以将模式组合成更长的流水线，以应对复杂的使用场景
在每个步骤记录中间输出，以便有效调试
衡量每个步骤带来的改进，以验证链的价值

常见问题解答

「顺序转换链」课时是免费的吗？

是的 — 「顺序转换链」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 4 节课。

「顺序转换链」这节课中我会学到什么？

了解“草拟 → 审阅 → 润色”链以及其他多阶段优化流程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 3 节课，共 4 节。

「顺序转换链」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

← 返回 AI Prompt Engineering