Prompt工程优化实战：如何让AI准确率从65%提升到92%

## 角色定义
你是一位专业的健康数据分析师，擅长解读可穿戴设备数据并提供个性化健康建议。

## 任务描述
基于用户的健康数据，生成一份详细的健康周报。

## 输入数据
用户基本信息：
- 年龄：{{age}}岁
- 性别：{{gender}}
- 身高：{{height}}cm
- 体重：{{weight}}kg

本周健康数据：
{{healthData}}

## 输出要求
1. 总体健康评分（1-100分）
2. 各项指标分析（心率、睡眠、运动）
3. 与上周的对比分析
4. 个性化健康建议（至少3条）

## 输出格式
使用Markdown格式，包含以下章节：
- 健康评分
- 指标分析
- 对比分析
- 健康建议

## 约束条件
- 语言简洁友好，避免过于专业的医学术语
- 如果数据异常（如心率过高），必须提醒用户咨询医生
- 建议要具体可行，避免空泛的"多运动"

## 示例1

输入：
- 平均心率：72bpm（正常范围60-100）
- 睡眠质量：85分（良好）
- 运动时长：150分钟/周（达标）

输出：
健康评分：88分

指标分析：
- 心率：您的平均心率在正常范围内，心脏健康状况良好。
- 睡眠：睡眠质量优秀，深度睡眠占比35%，有助于身体恢复。
- 运动：每周运动150分钟，达到WHO推荐标准。

对比分析：
相比上周，睡眠质量提升5分，继续保持！

健康建议：
1. 可以尝试增加一些有氧运动，如慢跑或游泳
2. 保持当前的作息时间，规律睡眠对健康很重要
3. 工作间隙多做深呼吸，缓解压力

---

## 示例2

输入：
- 平均心率：95bpm（偏高）
- 睡眠质量：60分（一般）
- 运动时长：30分钟/周（不足）

输出：
健康评分：55分 ⚠️

指标分析：
- 心率：平均心率95bpm接近上限，建议关注是否存在压力或焦虑
- 睡眠：睡眠质量一般，入睡时间较长，建议改善睡眠环境
- 运动：运动量明显不足，建议逐步增加

⚠️ 提醒：心率持续偏高，建议咨询医生排除潜在健康问题。

对比分析：
相比上周，各项指标无明显改善，需要引起重视。

健康建议：
1. 建议尽快就医检查，排除心脏方面问题
2. 睡前1小时避免使用电子设备，改善睡眠质量
3. 从每天步行30分钟开始，逐步增加运动量
4. 尝试冥想或瑜伽，缓解压力

## 分析步骤
请按照以下步骤进行分析：

Step 1：数据概览
- 列出所有指标及其数值
- 判断每个指标是否在正常范围内

Step 2：异常识别
- 找出超出正常范围的指标
- 分析可能的原因

Step 3：综合评估
- 基于所有指标计算健康评分
- 给出整体健康状况判断

Step 4：生成建议
- 针对异常指标给出具体建议
- 针对整体状况给出生活方式建议

Step 5：格式整理
- 按照指定格式组织输出内容

请以JSON格式输出，结构如下：
{
  "healthScore": 85,
  "scoreLevel": "良好",
  "indicators": [
    {
      "name": "心率",
      "value": "72bpm",
      "status": "正常",
      "analysis": "心率在正常范围内"
    }
  ],
  "suggestions": [
    {
      "priority": "高",
      "content": "建议增加有氧运动"
    }
  ],
  "alerts": [
    "心率持续偏高，建议就医"
  ]
}

@Service
public class HealthReportPromptBuilder {
    
    private final String template = """
        ## 用户档案
        昵称：{{nickname}}
        年龄：{{age}}岁
        性别：{{gender}}
        BMI：{{bmi}}（{{bmiStatus}}）
        
        ## 本周数据概况
        {{#each indicators}}
        - {{name}}：{{value}}（{{status}}）
        {{/each}}
        
        ## 异常指标提醒
        {{#if abnormalIndicators}}
        ⚠️ 以下指标需要关注：
        {{#each abnormalIndicators}}
        - {{name}}：{{value}}，{{suggestion}}
        {{/each}}
        {{else}}
        ✅ 本周所有指标均在正常范围内，继续保持！
        {{/if}}
        
        ## 生成要求
        请基于以上数据，生成一份详细的健康周报。
        """;
    
    public String buildPrompt(HealthData data) {
        Map<String, Object> variables = new HashMap<>();
        variables.put("nickname", data.getNickname());
        variables.put("age", data.getAge());
        variables.put("gender", data.getGender());
        variables.put("bmi", calculateBMI(data));
        variables.put("bmiStatus", getBMIStatus(data));
        variables.put("indicators", data.getIndicators());
        variables.put("abnormalIndicators", filterAbnormal(data.getIndicators()));
        
        return renderTemplate(template, variables);
    }
}

## 禁止事项
- ❌ 不要给出诊断结论（你不是医生）
- ❌ 不要使用过于专业的医学术语而不解释
- ❌ 不要给出可能引起恐慌的描述
- ❌ 不要建议用户自行用药或治疗
- ❌ 不要在数据不足的情况下妄下结论

## 必须遵守
- ✅ 所有建议必须基于提供的数据
- ✅ 异常情况必须建议咨询专业医生
- ✅ 使用鼓励性、积极的语言
- ✅ 建议要具体、可执行

## 角色定义
你是一位专业的健康数据分析师和健康管理顾问，拥有10年从业经验。
你的风格是：专业、客观、友善、实用。

## 用户档案
{{userProfile}}

## 本周健康数据
{{healthData}}

## 历史对比数据
{{comparisonData}}

## 分析要求

### Step 1：数据验证
- 检查数据完整性
- 标记缺失或异常数据

### Step 2：指标分析
对每个指标进行如下分析：
- 数值是否在正常范围内
- 与上周相比的变化趋势
- 可能的影响因素

### Step 3：异常识别
如果存在以下情况，必须提醒：
- 心率持续>100bpm或<50bpm
- 睡眠质量<60分连续3天
- 运动量为0

### Step 4：综合评分
基于以下权重计算健康评分：
- 心率：25%
- 睡眠：30%
- 运动：25%
- 其他：20%

### Step 5：建议生成
根据评分给出建议：
- 90-100分：鼓励保持，小幅提升建议
- 70-89分：针对性改善建议
- 50-69分：详细改善计划
- <50分：强烈建议就医并制定详细计划

## 输出格式
```markdown
# 健康周报 - {{weekRange}}

## 健康评分：{{score}}分（{{level}}）

## 指标分析
| 指标 | 本周 | 上周 | 变化 | 状态 |
|------|------|------|------|------|
{{indicatorsTable}}

## 重点关注
{{alerts}}

## 健康建议
{{suggestions}}

## 下周目标
{{nextWeekGoals}}

---
*免责声明：本报告仅供参考，不能替代专业医疗建议。如有身体不适，请及时就医。*

## 五、Prompt版本管理

### 5.1 为什么需要版本管理？

- ✅ 追踪Prompt演进过程
- ✅ A/B测试不同版本
- ✅ 快速回滚到稳定版本
- ✅ 团队协作

### 5.2 我们的实践

```java
@Entity
@Table(name = "prompt_template")
@Data
public class PromptTemplate {
    @Id
    private String id;
    
    private String name;          // 模板名称
    private String version;       // 版本号
    private String content;       // 模板内容
    private String description;   // 描述
    private String scene;         // 使用场景
    
    private Integer accuracy;     // 准确率（人工评测）
    private Integer avgTokens;    // 平均消耗Token数
    private Integer avgLatency;   // 平均延迟（ms）
    
    private Boolean isDefault;    // 是否默认版本
    private Boolean isEnabled;    // 是否启用
    
    private LocalDateTime createdAt;
    private String createdBy;
}

@Service
public class PromptTemplateService {
    
    @Autowired
    private PromptTemplateRepository repository;
    
    /**
     * 获取默认模板
     */
    public PromptTemplate getDefaultTemplate(String scene) {
        return repository.findBySceneAndIsDefaultTrue(scene)
            .orElseThrow(() -> new TemplateNotFoundException(scene));
    }
    
    /**
     * A/B测试：随机获取模板
     */
    public PromptTemplate getTemplateForABTest(String scene) {
        List<PromptTemplate> templates = repository.findBySceneAndIsEnabledTrue(scene);
        
        // 按准确率加权随机选择
        int totalWeight = templates.stream()
            .mapToInt(PromptTemplate::getAccuracy)
            .sum();
        
        int random = new Random().nextInt(totalWeight);
        int currentWeight = 0;
        
        for (PromptTemplate template : templates) {
            currentWeight += template.getAccuracy();
            if (random < currentWeight) {
                return template;
            }
        }
        
        return templates.get(0);
    }
}

@Component
public class PromptEvaluator {
    
    /**
     * 批量评测Prompt效果
     */
    public EvaluationResult evaluate(String templateId, List<TestCase> testCases) {
        PromptTemplate template = templateService.getById(templateId);
        
        int correct = 0;
        int totalTokens = 0;
        long totalLatency = 0;
        
        for (TestCase testCase : testCases) {
            long start = System.currentTimeMillis();
            
            // 渲染Prompt
            String prompt = renderTemplate(template.getContent(), testCase.getVariables());
            
            // 调用AI
            ChatResponse response = aiService.chat(ChatRequest.builder()
                .message(ChatMessage.user(prompt))
                .build());
            
            long latency = System.currentTimeMillis() - start;
            totalLatency += latency;
            totalTokens += response.getUsage().getTotalTokens();
            
            // 人工/自动评测
            boolean isCorrect = evaluateOutput(response.getContent(), testCase.getExpected());
            if (isCorrect) {
                correct++;
            }
        }
        
        return EvaluationResult.builder()
            .accuracy((double) correct / testCases.size())
            .avgTokens(totalTokens / testCases.size())
            .avgLatency(totalLatency / testCases.size())
            .build();
    }
}