第 4 章 提示词工程

提示🎧 本章配套播客

重要学习目标

1. 理解 系统提示设计的核心原则，包括角色定义、任务边界和行为约束
2. 理解 Few-shot 学习的工作原理，设计有效的示例构建策略
3. 应用 思维链（CoT）技术增强 LLM 的复杂推理能力
4. 应用 结构化输出格式，实现 JSON/XML 等格式的可靠生成
5. 分析 根据任务特征选择合适的提示工程技术，理解各技术的优劣势
6. 创造 基于意图分类的意图路由系统，实现动态任务分流

提示词工程核心概念总览

提示词工程（Prompt Engineering）是与大语言模型协作的基础技能。它不是神秘的咒语，而是一套系统的沟通方法。掌握这套方法，你就能让 AI 更准确地理解任务、更稳定地输出结果。

本章作为原理篇的开篇，将介绍四种核心技术：系统提示设计、Few-shot 学习、输出格式控制和意图路由。这些技术构成了后续章节的基础——无论是智能增强、工具使用还是多智能体协作，都离不开扎实的提示词设计功底。

4.1 系统提示设计

系统提示（System Prompt）是你给 AI 的「岗位说明书」。它定义了 AI 的身份、能力范围和行为规范。一个设计良好的系统提示，能让 AI 在整个对话过程中保持一致的角色和风格。

4.1.1 角色定义与身份设定

角色定义是系统提示的起点。通过为 AI 设定明确的专业身份，你可以：

• 激活模型中与该领域相关的知识
• 建立一致的语言风格和专业术语使用
• 设定合理的能力边界

一个完整的角色定义应包含三个要素：

要素	说明	示例
身份声明	AI 扮演的专业角色	你是一名资深金融分析师
专业背景	相关经验和知识范围	拥有 10 年证券投资经验，熟悉 DCF 估值
性格特征	沟通风格和态度	分析客观、表达清晰、态度审慎

下面是一个金融分析师的角色定义示例：

你是一名资深金融分析师，拥有 10 年证券投资和企业估值经验。

专业背景：
- CFA 持证人，熟悉 DCF、相对估值等主流估值方法
- 曾任职于头部券商研究所，覆盖消费和科技行业
- 精通财务报表分析、行业研究和投资策略制定

沟通风格：
- 使用专业但易懂的语言，避免过度使用术语
- 分析问题时注重数据支撑和逻辑推导
- 对投资建议保持审慎态度，强调风险提示

提示教学提示

对于经济金融专业学生来说，角色定义就像给新员工发的「岗位说明书」——它告诉 AI「你是谁、你会什么、你该怎么做」。角色越清晰，AI 的表现越稳定。

4.1.2 任务边界与能力约束

系统提示不仅要说明 AI 能做什么，更要明确它不能做什么。这就像企业的岗位职责描述——既有「工作内容」，也有「权限边界」。

正面指令（应该做什么）：

你的任务包括：
1. 解答用户关于财务报表分析的问题
2. 提供行业研究和公司分析的方法论指导
3. 解释金融术语和投资概念
4. 分析市场数据和经济指标

负面指令（不应该做什么）：

你不应该：
1. 提供具体的股票买卖建议或价格预测
2. 承诺任何投资回报率
3. 讨论内幕消息或未经证实的市场传言
4. 对用户的个人财务状况做具体判断

警告金融合规提醒

在金融场景中，任务边界设定尤为重要。AI 不具备投资顾问资质，不应提供具体的买卖建议。系统提示中必须包含这类约束，以避免合规风险。

指令优先级

当用户提示与系统提示冲突时，系统提示具有更高优先级。这个层级结构可以用下图表示：

提示词优先级层级

这种层级结构确保了：即使用户试图通过巧妙的措辞绕过限制，系统提示中的安全约束依然有效。

4.1.3 行为规范与输出风格

除了角色和任务，系统提示还应规范 AI 的输出风格。这包括回答结构、语言风格和交互行为。

回答结构规范：

回答结构：
1. 先给出简洁的直接回答（1-2 句）
2. 然后提供详细解释和推理过程
3. 最后总结关键要点或给出建议

格式规范：
- 使用 Markdown 格式组织内容
- 涉及数据对比时使用表格
- 复杂流程用编号列表呈现

语言风格设定：

风格类型	适用场景	关键特征
专业正式	研究报告、机构沟通	规范书面语、术语需解释、引用标明来源
通俗易懂	投资者教育、客户服务	大白话解释、多用比喻、语气亲切
简洁高效	数据查询、快速问答	直接回答、避免冗余、突出重点

4.1.4 CLAUDE.md 最佳实践

在 Claude Code 中，CLAUDE.md 文件是存储项目级系统提示的主要方式。它的内容会在每次会话开始时自动加载。

推荐结构：

## 项目概述
[一句话描述项目目的和背景]

## 技术栈
- 主要语言/框架
- 关键依赖

## 代码规范
- 命名规则
- 文件组织
- 注释要求

## 常用命令
- 测试命令: pytest tests/
- 构建命令: npm run build

## 工作流程
1. [步骤一]
2. [步骤二]

## 重要提醒
- [关键约束1]
- [关键约束2]

优化原则：

1. 保持精简：CLAUDE.md 会随每次请求发送，建议控制在 500-1000 字（约 200-400 tokens）。超过 2000 字会明显影响响应速度和成本
2. 使用强调词：对关键规则添加 IMPORTANT、YOU MUST 等强调
3. 文件引用：复杂文档通过 @docs/xxx.md 引用，按需加载

一个金融项目的 CLAUDE.md 示例：

## 金融数据分析项目

本项目用于处理和分析金融市场数据。

## 数据处理规范

- 所有金融数据使用 Decimal 类型，避免浮点精度问题
- 日期格式统一使用 ISO 8601
- 货币金额保留 2 位小数

## 安全要求

IMPORTANT: 不在日志中打印敏感信息（账号、密码、交易金额）
YOU MUST: API 调用必须验证权限

## 常用命令

- 运行回测: python backtest.py --start 2024-01-01
- 生成报告: python report.py --output pdf

4.2 Few-shot 学习与示例构建

Few-shot 学习是一种通过示例引导 AI 理解任务的技术。你不需要用大量数据训练模型，只需提供几个精选的输入-输出示例，AI 就能快速掌握任务模式。

4.2.1 示例选择策略

示例的质量直接决定 Few-shot 学习的效果。好的示例应满足三个原则：

Few-shot 学习示例选择策略

质量原则

示例必须准确、清晰、典型：

• 准确无误：示例的输入-输出映射必须正确
• 清晰明确：避免模糊或有歧义的表述
• 典型代表：能够反映任务的核心特征
• 格式一致：所有示例使用统一的格式

多样性原则

示例应覆盖任务的不同方面：

• 类别平衡：分类任务中，各类别应有相等的示例数
• 边界案例：包含一些非典型或边界情况
• 复杂度层次：从简单到复杂的示例组合

相关性原则

示例应与目标任务高度相关：

• 领域匹配：金融任务使用金融领域的示例
• 任务类型匹配：分类任务用分类示例，生成任务用生成示例

注记知识卡片

Few-shot 学习利用了大语言模型的「上下文学习」（In-Context Learning）能力。研究发现，当模型参数量超过某个临界点，模型就能从提示词中的示例归纳出任务规则，无需额外训练。

4.2.2 示例格式设计

示例格式的选择取决于任务类型。以下是四种常用格式：

基本输入-输出对格式（适合简单映射任务）：

输入：苹果公司发布了新款 iPhone，市场反应热烈。
输出：积极

输入：公司第四季度亏损扩大，裁员 10%。
输出：消极

带解释的格式（帮助模型理解判断逻辑）：

输入：虽然一季度利润下滑 10%，但公司表示已采取成本控制措施。
分析：虽然短期利润下滑是负面消息，但有明确的改善计划。
输出：中性偏积极

思维链格式（适合复杂推理任务，详见 4.2.3）：

问题：某公司营收 100 亿，今年增长 20%，其中海外增长 50%。
      已知海外占总营收 40%，计算海外市场营收。

让我们一步步思考：
步骤 1：今年总营收 = 100 × 1.2 = 120 亿
步骤 2：今年海外营收 = 120 × 40% = 48 亿
答案：48 亿元

结构化提取格式（适合多字段提取任务）：

文本：特斯拉 2024 年 Q3 营收 251.8 亿美元，同比增长 8%，净利润 21.7 亿。

提取结果：
- 公司名称：特斯拉
- 时间周期：2024 年 Q3
- 营收：251.8 亿美元
- 营收增长率：8%
- 净利润：21.7 亿美元

4.2.3 动态示例构建与思维链推理

在实际应用中，示例并非总是静态预设的。动态示例构建根据用户输入的特征，实时选择或生成最相关的示例，从而提升 Few-shot 学习的效果。

动态示例构建的核心思路：

1. 语义相似度匹配：根据用户输入，从示例库中检索语义最相近的示例
2. 类别感知选择：如果已知输入的可能类别，选择该类别的典型示例
3. 难度适配：根据问题复杂度选择相应难度的示例

示例检索流程：

用户输入 → 语义编码 → 相似度计算 → 选取 Top-K 示例 → 组装提示词

在 Claude Code 的 Skill 中，可以通过以下方式实现动态示例：

## 示例库

本技能包含 20 个预设示例，按以下类别组织：
- 简单分类（5 个）
- 复杂推理（5 个）
- 边界案例（5 个）
- 混合类型（5 个）

## 示例选择规则

1. 如果用户问题简短明确，选择 2 个简单分类示例
2. 如果用户问题涉及多步骤分析，选择 2 个复杂推理示例
3. 始终包含 1 个边界案例作为参考

思维链：一种特殊的动态示例技术

思维链（Chain of Thought, CoT）是动态示例构建的重要技术。它通过展示推理过程来引导 AI 解决复杂问题，可以显著提升复杂任务的准确率。

为什么 CoT 有效？

CoT 模拟了人类解决复杂问题的方式：将大问题分解为小步骤，逐步推进。研究表明，CoT 可将某些数学推理任务的准确率提升 4-400%。

Zero-shot CoT（最简单的实现）：

只需在提示末尾添加「让我们一步一步思考」：

问题：小明有 15 本书，借给朋友 3 本，捐给图书馆 4 本。
后来又买了 7 本，卖掉 2 本。小明现在有多少本书？

请一步一步思考后回答。

AI 会自动展开推理过程：

让我一步步计算：
1. 小明最初有 15 本书
2. 借给朋友后：15 - 3 = 12 本
3. 捐给图书馆后：12 - 4 = 8 本
4. 买了新书后：8 + 7 = 15 本
5. 卖掉后：15 - 2 = 13 本

答案：小明现在有 13 本书。

Few-shot CoT（通过示例演示推理过程）：

对于复杂任务，提供包含推理过程的示例效果更好：

示例：
问题：一个班有 32 名学生，女生比男生多 4 人。女生有多少人？

推理过程：
- 设男生有 x 人，则女生有 (x + 4) 人
- 男生 + 女生 = 总人数：x + (x + 4) = 32
- 2x + 4 = 32，解得 x = 14
- 女生人数 = 14 + 4 = 18

答案：女生有 18 人。

现在请解决：[新问题]

提示CoT 使用建议

• 适用场景：数学计算、逻辑推理、多步分析
• 不适用场景：简单查询、创意生成
• 示例数量：2-5 个示例通常足够

4.2.4 示例数量与质量权衡

示例数量的选择需要权衡多个因素：

任务复杂度	建议示例数	说明
简单分类	2-3 个	每个类别至少 1 个示例
中等复杂度	3-5 个	覆盖主要情况和边界案例
复杂推理	5-10 个	展示完整的推理过程

增加示例的好处：

• 提供更多模式供模型学习
• 覆盖更多边界情况
• 减少歧义

增加示例的代价：

• 消耗更多 token（增加成本和延迟）
• 可能超出上下文窗口限制
• 存在边际收益递减

研究表明（Brown et al., 2020, “Language Models are Few-Shot Learners”），主要性能提升发生在添加第 2 个示例之后，超过 5 个示例后收益显著递减。

实践建议：

1. 从 2-3 个高质量示例开始
2. 测试效果，不理想再增加
3. 优先提升示例质量而非数量
4. 注意示例的多样性和平衡性

4.3 输出格式控制

结构化输出是将 AI 的自由文本响应转化为机器可读格式的技术。在金融应用中，这一点尤为重要——无论是提取财务数据、生成分析报告，还是与下游系统集成，都需要可靠的格式控制。

4.3.1 结构化输出设计

结构化输出的核心价值：

• 将不可预测的文本转化为确定性数据
• 简化解析流程，便于与下游系统集成
• 减少模型幻觉的发生概率
• 提高输出的可靠性和一致性

格式选择策略：

输出格式	适用场景	优势	劣势
JSON	API 集成、程序化解析	广泛支持、易于验证	不适合长文本
XML	文档结构、复杂嵌套	自描述性强、Claude 原生支持	冗余度高
Markdown	报告生成、人类阅读	人类可读、格式化渲染	机器解析复杂
表格	数据对比、指标展示	直观清晰	不支持嵌套

4.3.2 JSON 与 XML 格式生成

JSON 格式

JSON 是最常用的结构化输出格式。以下是金融数据提取的示例：

任务：从财务报告中提取关键指标，返回 JSON 格式。

字段说明：
- ticker: 股票代码（如 600519）
- period: 报告期（如 2024Q3）
- revenue: 营业收入（单位：亿元）
- net_profit: 净利润（单位：亿元）
- yoy_growth: 同比增长率

输出格式：
{
    "ticker": "600519",
    "period": "2024Q3",
    "revenue": 398.5,
    "net_profit": 195.3,
    "yoy_growth": "+16.8%"
}

注意：
- 直接输出 JSON，不要使用 Markdown 代码块
- 确保 JSON 格式正确可解析

防御性提示设计：

为了避免格式问题，可以在提示中添加明确的约束：

输出要求：
1. 直接输出有效的 JSON，不要使用代码块
2. 不要添加任何解释性文字
3. 响应必须以 "{" 开头，以 "}" 结尾
4. 确保所有字符串使用双引号
5. 数值不带引号

XML 格式

Claude 对 XML 标签有特殊优化，使用 XML 可以清晰分隔提示的不同部分：

<task>金融新闻情感分析</task>

<context>
你是一位专业的金融分析师，需要分析以下新闻的市场情感。
</context>

<news>
某科技公司发布财报，营收超预期 15%，股价盘后上涨 8%。
</news>

<output_format>
请按以下结构输出：
<analysis>
    <sentiment>positive/negative/neutral</sentiment>
    <confidence>0.0-1.0</confidence>
    <reasoning>判断理由</reasoning>
</analysis>
</output_format>

XML vs JSON 选择建议：

场景	推荐格式	理由
简单数据结构	JSON	更简洁、广泛支持
复杂嵌套文档	XML	自描述性强、层次清晰
Claude 专用应用	XML	Claude 原生优化支持
需要程序处理	JSON	解析库更丰富

4.3.3 模板引擎集成

对于重复性强的报告生成任务，可以将 LLM 输出与模板引擎结合，实现高质量文档的快速生成。

模板引擎的工作原理：

1. 预定义模板：在 Skill 中定义报告模板（Markdown/HTML）
2. 变量占位：使用 {variable} 标记待填充字段
3. 数据填充：将 LLM 生成的结构化数据填入模板
4. 格式渲染：生成最终报告

财务报告模板示例：

# {{company_name}} 财务分析报告

**报告期**: {{report_period}}
**生成时间**: {{generated_at}}

## 一、核心指标

| 指标 | 数值 | 同比变化 |
|------|------|----------|
| 营业收入 | {{revenue}} 亿元 | {{revenue_growth}} |
| 净利润 | {{net_profit}} 亿元 | {{profit_growth}} |
| 毛利率 | {{gross_margin}}% | {{margin_change}} |

## 二、财务比率

- **ROE**: {{roe}}%
- **ROA**: {{roa}}%
- **资产负债率**: {{debt_ratio}}%

## 三、分析结论

{{analysis_summary}}

---
*本报告由 AI 自动生成，仅供参考*

在 Claude Code 中的应用：

Claude Code 可通过 Skill 实现模板集成：

---
name: report-generator
description: |
  财务报告生成技能。结合模板生成标准化报告。
---

# 报告生成技能

## 工作流程

1. 从用户输入或数据源获取原始数据
2. 调用 LLM 提取结构化指标（JSON 格式）
3. 将 JSON 数据填充到报告模板
4. 输出格式化的完整报告

## 模板文件

模板存放在 `templates/financial_report.md`

## 输出要求

- 先输出结构化 JSON 数据
- 然后输出填充后的完整报告

模板引擎的优势：

优势	说明
格式一致	所有报告遵循统一格式，提升专业性
减少幻觉	数据字段由 LLM 提取，文本框架由模板确定
易于维护	修改模板即可调整所有报告格式
降低成本	模板部分不消耗 token

4.3.4 格式验证与错误处理

即使有明确的格式要求，AI 输出也可能出现问题。常见的格式失败原因及应对策略：

失败类型	检测方法	预防措施
Token 截断	检查响应是否以 } 结尾	max_tokens 设置为预期长度的 1.5 倍
Markdown 包装	检查是否包含 ```	提示中明确「不要使用代码块」
额外解释	检查首字符是否为 {	提示中强调「直接输出 JSON，不要解释」
字段缺失	使用 JSON Schema 验证	提示中列出所有必填字段

迭代纠错策略：

当输出格式不符合预期时，可以要求模型自我纠正：

上一次输出有格式错误，请修正。

错误输出：
{之前的错误输出}

期望格式：
{正确的格式模板}

请只输出修正后的内容，不要任何解释。

注意常见问题

如果 AI 持续输出格式错误，检查以下几点： 1. 格式要求是否足够明确？ 2. 是否提供了格式示例？ 3. 是否禁止了额外解释文字？ 4. max_tokens 是否足够？

4.4 意图路由

意图路由（Intent Routing）是智能体系统的「调度中心」。它负责分析用户意图，将请求分流到最合适的处理模块。这就像银行大厅的导询台——根据客户需求，引导他们去对公柜台、个人柜台或理财专区。

4.4.1 意图分类原理

意图分类有三种主要方法：

方法	原理	优点	缺点	适用场景
规则匹配	关键词/正则匹配	简单快速、完全可控	难以处理同义词	意图边界清晰
语义相似度	向量相似度计算	处理同义表达	需要嵌入模型	表达多样化
LLM 分类	大模型理解	最灵活准确	成本较高	复杂模糊场景

规则匹配示例：

规则配置：

账户查询意图：
  关键词：余额、账户、存款、查询余额

转账意图：
  关键词：转账、汇款、转钱、付款

贷款意图：
  关键词：贷款、借款、利率、还款

LLM 分类提示词：

你是一个金融领域的意图分类专家。请分析用户输入，识别其主要意图。

可选意图类别：
- account_inquiry: 账户查询（余额、交易记录）
- transfer: 转账汇款
- investment: 投资理财咨询
- complaint: 投诉反馈
- general: 一般性咨询

用户输入：{query}

请返回 JSON 格式：
{"intent": "意图类别", "confidence": 0.0-1.0}

4.4.2 条件分流设计

简单的路由只需要单层分类，复杂系统可能需要多层级架构：

单层路由（意图类别少、边界清晰）：

用户输入 → 路由器 → 目标处理器
                ├→ 账户服务处理器
                ├→ 转账处理器
                ├→ 贷款处理器
                └→ 默认处理器

多层级路由（复杂系统）：

用户输入 → 一级路由（领域分类）
              ├→ 金融服务 → 二级路由
              │              ├→ 账户服务
              │              ├→ 贷款服务
              │              └→ 投资服务
              ├→ 技术支持 → 二级路由
              │              ├→ 账号问题
              │              └→ 系统故障
              └→ 通用咨询 → 默认处理器

多层级路由的优点：

• 每层分类任务更简单，准确率更高
• 便于独立维护和扩展
• 可以对不同层使用不同的分类方法

条件分支路由：

除了意图，还可以根据其他条件动态选择路由：

条件类型	示例	路由决策
用户等级	VIP 用户	优先路由到高级服务
情感倾向	负面情绪	路由到投诉处理或人工
任务复杂度	复杂问题	使用高性能模型

4.4.3 Skill description 触发机制

在 Claude Code 中，Skill 通过 description 字段与用户意图进行语义匹配，实现自动触发。

Skill 定义示例：

---
name: financial-analysis
description: |
  财务报表分析技能。当用户提到以下内容时使用：
  - 财务分析、财报分析、年报解读
  - 财务指标、财务比率
  - 盈利能力、偿债能力、运营效率
---

# 财务分析技能

## 核心能力
- 财务报表分析（三大报表）
- 财务指标计算和解读
- 行业对比分析

## 分析框架
[具体的分析方法...]

description 撰写要点：

1. 关键词覆盖：列举各种可能的触发表达
2. 正向说明：说明什么情况应该触发
3. 反向说明：说明什么情况不应该触发

description: |
  财务报表分析技能。

  应该触发的情况：
  - 分析公司财报、解读年报、季报
  - 计算财务指标、财务比率

  不应该触发的情况：
  - 股票买卖建议 → 使用投资咨询技能
  - 宏观经济分析 → 使用经济分析技能

4.4.4 多级路由架构

复杂的金融智能体系统通常需要多级路由。以金融问答为例：

一级意图分类体系：

意图类别	描述	示例表达
账户服务	账户相关查询和操作	查余额、开户、销户
转账汇款	资金转移操作	转账、汇款、收款
理财投资	投资理财咨询	基金推荐、收益查询
政策解读	政策影响分析	降息影响、监管变化

置信度阈值处理：

置信度范围	处理策略
>= 0.8	高置信度：直接路由到目标模块
0.5 - 0.8	中置信度：确认后执行或选择性路由
< 0.5	低置信度：请求用户澄清

澄清请求示例：

我不太确定您的需求，请问您是想：
1. 查询账户信息
2. 办理转账
3. 咨询理财产品
4. 其他服务

请输入数字选择或重新描述您的问题。

4.5 Claude Code 初实践

本节将前面学习的提示词工程技术整合到 Claude Code 的实际应用中。

4.5.1 系统提示配置

Claude Code 采用分层提示架构，每层有不同的作用域和注入时机：

Claude Code 分层提示架构

各层特点对比：

层级	机制	触发方式	典型用途
消息级	CLAUDE.md	自动加载	项目上下文
消息级	Slash Commands	/command	可重复工作流
消息级	Skills	模型判断	专业能力扩展
对话级	Subagent	委托触发	任务委派

Skill 目录结构：

.claude/skills/
└── financial-analysis/
    ├── SKILL.md            # 核心定义文件（必需）
    ├── templates/          # 模板文件（可选）
    │   └── report.md
    └── examples/           # 示例（可选）
        └── sample_analysis.md

4.5.2 Few-shot 示例实现

在 Skill 中嵌入 Few-shot 示例：

---
name: sentiment-analysis
description: |
  金融新闻情感分析技能。分析新闻的市场情感倾向。
---

# 金融情感分析技能

## 分析框架

判断金融新闻的情感倾向（积极/消极/中性）。

## 示例

输入：公司第四季度净利润同比增长 25%，超出市场预期。
情感：积极
置信度：90%

输入：受原材料价格上涨影响，公司毛利率环比下降 3 个百分点。
情感：消极
置信度：85%

输入：央行维持基准利率不变，符合市场普遍预期。
情感：中性
置信度：80%

## 边界案例

输入：公司宣布大规模裁员计划，预计年节省成本 10 亿元。
情感：中性
置信度：65%
分析：裁员是负面事件，但成本节省是正面影响，整体中性。

4.5.3 输出格式控制

在 Skill 中定义输出格式：

---
name: financial-data-extraction
description: |
  财务数据提取技能。从文本中提取结构化财务数据。
---

# 财务数据提取技能

## 输出格式

必须按以下 JSON 格式输出：

{
  "company_info": {
    "name": "公司名称",
    "stock_code": "股票代码",
    "report_period": "报告期"
  },
  "metrics": {
    "revenue": {"value": 数值, "unit": "单位"},
    "net_profit": {"value": 数值, "unit": "单位"},
    "yoy_growth": 百分比数值
  }
}

## 输出要求

- 直接输出 JSON，不要使用代码块
- 确保所有字符串使用双引号
- 数值不带引号
- 未提及的字段填 null

4.5.4 意图路由实现

在 Claude Code 中，可以通过设计一个专门的路由 Skill 来实现意图分流：

---
name: financial-router
description: |
  金融问题智能路由技能。当用户提出金融相关问题时，
  自动分类并路由到合适的专业 Skill。
  Use PROACTIVELY for any financial question.
---

# 金融问题路由技能

## 功能说明

本技能作为金融问题的入口路由器，负责：
1. 分析用户问题的意图
2. 提取关键实体
3. 路由到对应的专业 Skill

## 路由目标

| 意图类型 | 目标 Skill | 触发场景 |
|---------|-----------|----------|
| market-query | market-query | 价格、行情、涨跌幅 |
| financial-analysis | financial-analysis | 财报、财务指标 |
| policy-interpretation | policy-interpretation | 政策、监管 |
| general | 直接回答 | 概念解释、基础知识 |

## 路由决策格式

{
  "intent": "路由目标",
  "confidence": 0.0-1.0,
  "reasoning": "分类理由",
  "next_action": "调用的 Skill 或直接回答"
}

配套案例

案例 4A：财报摘要三步生成

要素	说明
演示模式	提示链（Prompt Chaining）+ 思维链推理（CoT）
案例简述	将财报分析分解为「数据提取 → 关键指标计算 → 摘要生成」三步
经济学映射	生产流程分工——每个环节专注单一任务
应用衔接	第 13 章研报生成系统的分层设计采用类似思路
预计耗时	20-30 分钟

为什么使用提示链？

财报分析涉及数据提取、数学计算、语言生成三种不同能力。将其拆分为三个独立步骤有以下优势：

1. 降低单次推理复杂度：每个步骤专注于单一任务
2. 提高可调试性：每步输出可独立验证
3. 增强可控性：可以针对每步精确约束输出格式

三步处理流程：

财报摘要三步生成流程

第一步：数据提取

你是一位专业的财务数据分析师，擅长从财务报告中提取关键数据。

## 任务

从以下财报文本中提取关键财务数据，输出结构化 JSON 格式。

## 财报文本

<financial_report>
贵州茅台 2024 年第三季度财务报告

报告期内，公司实现营业收入 1231.23 亿元，同比增长 16.02%；
归属于上市公司股东的净利润 606.80 亿元，同比增长 15.04%。

主要财务指标：
- 毛利率：92.71%
- 净利率：49.29%

截至报告期末：
- 总资产：2847.56 亿元
- 总负债：851.23 亿元
- 股东权益：1996.33 亿元
</financial_report>

## 输出格式

直接输出 JSON，不要使用代码块。

{
  "company_info": {
    "name": "公司名称",
    "report_period": "报告期"
  },
  "income_statement": {
    "revenue": {"value": 数值, "unit": "亿元"},
    "revenue_yoy_growth": 百分比数值,
    "net_profit": {"value": 数值, "unit": "亿元"},
    "net_profit_yoy_growth": 百分比数值,
    "gross_margin": 百分比数值,
    "net_margin": 百分比数值
  },
  "balance_sheet": {
    "total_assets": {"value": 数值, "unit": "亿元"},
    "total_liabilities": {"value": 数值, "unit": "亿元"},
    "shareholders_equity": {"value": 数值, "unit": "亿元"}
  }
}

第二步：关键指标计算（CoT）

你是一位资深财务分析师，需要根据提取的财务数据计算关键指标。

## 输入数据

[第一步输出的 JSON]

## 计算要求

请计算以下指标，并展示完整的计算过程：

1. 资产负债率 = 总负债 / 总资产 × 100%
2. ROE (净资产收益率) = 净利润 / 股东权益 × 100%
3. ROA (总资产收益率) = 净利润 / 总资产 × 100%

## 输出格式

对于每个指标，请按以下步骤展示：
1. 公式说明
2. 代入数据
3. 计算过程
4. 最终结果

现在开始计算，请一步一步思考：

预期的 CoT 输出：

让我一步一步计算各项财务指标。

### 1. 资产负债率

**公式说明**：资产负债率 = 总负债 / 总资产 × 100%

**代入数据**：
- 总负债 = 851.23 亿元
- 总资产 = 2847.56 亿元

**计算过程**：
851.23 ÷ 2847.56 × 100% = 29.89%

**最终结果**：资产负债率 = 29.89%

### 2. ROE (净资产收益率)

**公式说明**：ROE = 净利润 / 股东权益 × 100%

**代入数据**：
- 净利润 = 606.80 亿元
- 股东权益 = 1996.33 亿元

**计算过程**：
606.80 ÷ 1996.33 × 100% = 30.40%

**最终结果**：ROE = 30.40%

### 3. ROA (总资产收益率)

**公式说明**：ROA = 净利润 / 总资产 × 100%

**代入数据**：
- 净利润 = 606.80 亿元
- 总资产 = 2847.56 亿元

**计算过程**：
606.80 ÷ 2847.56 × 100% = 21.31%

**最终结果**：ROA = 21.31%

第三步：摘要生成

你是一位资深的证券分析师，需要撰写专业的财务分析摘要。

## 原始数据

[第一步输出的 JSON]

## 计算指标

[第二步的计算结果]

## 写作要求

### 结构要求
1. **核心要点**（1-2 句话概括整体表现）
2. **业绩亮点**（2-3 个正面指标，用数据支撑）
3. **关注风险**（1-2 个需要关注的问题）

### 风格要求
- 使用专业但易懂的语言
- 避免堆砌数据，突出关键信息
- 保持客观中立
- 总字数控制在 200-300 字

预期输出：

**核心要点**

贵州茅台 2024 年第三季度业绩稳健增长，营收和利润均实现双位数增长，
盈利能力和资产质量保持行业领先水平。

**业绩亮点**

- **盈利能力突出**：ROE 达 30.40%，ROA 达 21.31%，远超白酒行业平均水平
- **财务结构稳健**：资产负债率仅 29.89%，财务风险可控
- **增长势头良好**：营收同比增长 16.02%，净利润同比增长 15.04%

**关注风险**

- 毛利率已处于行业极高水平（92.71%），继续提升空间有限
- 高端白酒消费受宏观经济影响，需关注消费复苏节奏

Skill 配置示例：

在 .claude/skills/financial-report-analyzer/SKILL.md 中：

---
name: financial-report-analyzer
description: |
  财报分析技能，支持三步生成财报摘要。
  当用户提到以下内容时使用：
  - 分析财报、解读财报、财报摘要
  - 财务分析、业绩分析
  - 提取财务数据、计算财务指标
---

# 财报分析技能

## 功能说明

本技能实现「数据提取 → 指标计算 → 摘要生成」三步财报分析流程。

## 使用方法

当用户提供财报文本时：

1. **第一步：数据提取**
   - 从财报文本中提取结构化数据
   - 输出 JSON 格式的财务数据

2. **第二步：指标计算**
   - 基于提取数据计算关键比率
   - 使用 CoT 展示计算过程

3. **第三步：摘要生成**
   - 综合数据和指标生成分析摘要
   - 包含业绩亮点、风险提示

---

案例 4B：金融问题分类路由

要素	说明
演示模式	意图路由（Intent Routing）
案例简述	根据用户问题类型自动路由到不同 Skill
经济学映射	专业化分工——不同类型任务交给专业化模块处理
应用衔接	第 11 章舆情分析系统的多 Agent 协作基于类似路由逻辑
预计耗时	20-30 分钟

为什么需要意图路由？

用户问题类型多样，不同类型需要不同的处理方式：

• 行情查询：需要实时数据接口
• 财报分析：需要深度分析能力
• 政策解读：需要政策知识库

如果用单一提示处理所有类型，会面临以下问题：

1. 提示词过长，消耗大量 token
2. 专业度不足，难以在每个领域都表现出色
3. 资源浪费，简单查询不需要复杂推理

路由架构：

金融问题分类路由架构

路由器 Skill 设计：

---
name: financial-router
description: |
  金融问题智能路由技能。当用户提出金融相关问题时，
  自动分类并路由到合适的专业 Skill。
---

# 金融问题路由技能

## 可用路由目标

### 1. market-query (行情查询)
**触发条件**：用户询问股票价格、指数行情、涨跌情况
**示例问题**：
- 茅台现在多少钱？
- 今天大盘涨了多少？
- 沪深 300 最新点位？

### 2. financial-analysis (财报分析)
**触发条件**：用户询问公司财务状况、业绩表现、财务指标
**示例问题**：
- 帮我分析茅台的财报
- 宁德时代的毛利率是多少？
- 这家公司盈利能力如何？

### 3. policy-interpretation (政策解读)
**触发条件**：用户询问政策内容、政策影响、监管规定
**示例问题**：
- 最新的 LPR 调整对股市有什么影响？
- 央行降准意味着什么？

### 4. general (通用咨询)
**触发条件**：不属于以上类别的金融相关问题
**示例问题**：
- 什么是市盈率？
- 基金和股票有什么区别？

## 路由规则

1. 仔细分析用户问题的核心意图
2. 匹配最合适的路由目标
3. 如果问题涉及多个类别，选择最主要的一个
4. 不确定时选择 general

## 输出格式

{
  "intent": "路由目标",
  "confidence": 0.0-1.0,
  "reasoning": "简短说明分类理由"
}

路由示例：

用户问题：茅台今天涨了多少？

{
  "intent": "market-query",
  "confidence": 0.95,
  "reasoning": "用户询问股票涨跌幅，属于实时行情查询"
}

用户问题：宁德时代去年的净利率和 ROE 是多少？

{
  "intent": "financial-analysis",
  "confidence": 0.92,
  "reasoning": "用户询问财务指标，需要分析财报数据"
}

用户问题：最近央行降准对银行股有什么影响？

{
  "intent": "policy-interpretation",
  "confidence": 0.88,
  "reasoning": "用户询问货币政策的市场影响，属于政策解读"
}

子 Skill 设计示例（行情查询）：

---
name: market-query
description: |
  股票行情查询技能，处理实时价格、涨跌幅、成交量等行情相关问题。
---

# 行情查询技能

## 功能范围

- 股票实时价格查询
- 指数行情查询
- 涨跌幅计算
- 成交量/成交额查询

## 回答模板

**{股票名称} ({股票代码})** 最新行情：
- 当前价格：{价格} 元
- 涨跌幅：{涨跌幅}%
- 成交量：{成交量} 手
- 成交额：{成交额} 亿元

## 注意事项

- 明确告知数据更新时间
- 提醒用户数据仅供参考
- 如无法获取实时数据，说明原因

目录结构：

.claude/skills/
├── financial-router/
│   └── SKILL.md          # 路由器 Skill
├── market-query/
│   └── SKILL.md          # 行情查询 Skill
├── financial-analysis/
│   └── SKILL.md          # 财报分析 Skill
└── policy-interpretation/
    └── SKILL.md          # 政策解读 Skill

本章小结

本章介绍了提示词工程的四种核心技术：

1. 系统提示设计：通过角色定义、任务边界和行为规范，建立 AI 的「岗位说明书」
2. Few-shot 学习：通过精选示例引导 AI 理解任务模式，思维链技术可显著提升复杂推理的准确率
3. 输出格式控制：使用 JSON/XML 等结构化格式，确保输出可靠、可解析
4. 意图路由：基于意图分类实现任务分流，让专业模块处理专业问题

这些技术是后续章节的基础。无论是智能增强、工具使用还是多智能体协作，都需要扎实的提示词设计功底。

提示实践建议

1. 从简单开始：先掌握系统提示和格式控制，再学习 Few-shot 和路由
2. 迭代优化：提示词设计是持续改进的过程，第一版很少完美
3. 测试验证：用多个测试用例验证提示词效果，避免过拟合
4. 记录版本：保存每个版本的提示词，方便回溯和对比