【背景和目的】大語(yǔ)言模型（LLMs）在企業(yè)的應(yīng)用正從通用能力展示轉(zhuǎn)向深度業(yè)務(wù)融合。然而，在算力、預(yù)算與人才受限的環(huán)境下，最大化輕量級(jí)模型（如7B及以下）的效能成為關(guān)鍵挑戰(zhàn)。傳統(tǒng)提示詞工程依賴靜態(tài)模板或?qū)＜沂止ぴO(shè)計(jì)，難以應(yīng)對(duì)企業(yè)動(dòng)態(tài)、復(fù)雜的任務(wù)需求。為突破此瓶頸，本文提出了一種提示詞工程的新范式：提示詞即時(shí)生成（Prompt-on-the-Fly Generation）。

【方法】該范式通過(guò)一個(gè)基于超自動(dòng)化（Hyperautomation）理念構(gòu)建的多階段、并行處理的工作流，為每一次任務(wù)動(dòng)態(tài)生成一個(gè)高度結(jié)構(gòu)化、富含深度上下文的系統(tǒng)提示詞。該工作流程序化地融合企業(yè)內(nèi)部知識(shí)庫(kù)、用戶動(dòng)態(tài)輸入乃至外部實(shí)時(shí)數(shù)據(jù)等多源異構(gòu)信息，為輕量級(jí)模型構(gòu)建了一個(gè)“即時(shí)認(rèn)知環(huán)境”，引導(dǎo)其完成超越自身參數(shù)規(guī)模的復(fù)雜推理與生成任務(wù)。

【結(jié)果】實(shí)驗(yàn)證明，該框架在1.8B和7B模型上均取得了顯著的性能提升，輸出準(zhǔn)確率最高可達(dá)92%，用戶滿意度相較于基線提升超過(guò)140%。

【結(jié)論】本研究不僅提供了一套技術(shù)方案，更提煉出一種可復(fù)用的AI應(yīng)用設(shè)計(jì)元模板（Meta-Template），為資源受限企業(yè)開(kāi)辟了一條可行的、高效的AI生產(chǎn)力轉(zhuǎn)化路徑。

引言：

大語(yǔ)言模型（LLMs）的出現(xiàn)為企業(yè)自動(dòng)化和智能化轉(zhuǎn)型注入了新的活力。然而，在資源相對(duì)匱乏的企業(yè)（如筆者所在的傳統(tǒng)行業(yè)的某煙草行業(yè)地市級(jí)商業(yè)公司），將這項(xiàng)技術(shù)投入真實(shí)商業(yè)環(huán)境面臨著獨(dú)特挑戰(zhàn)。這些企業(yè)的IT部門通常以業(yè)務(wù)支撐和系統(tǒng)運(yùn)維為核心，缺乏專門的算法團(tuán)隊(duì)與大規(guī)模AI模型訓(xùn)練、微調(diào)的經(jīng)驗(yàn)。因此，采用輕量級(jí)、可私有化部署的開(kāi)源模型（如參數(shù)規(guī)模在7B及以下）成為一種務(wù)實(shí)選擇。如何在不進(jìn)行復(fù)雜模型改造的前提下，通過(guò)外部工程化的手段，挖掘并提升這些模型的潛力，使其勝任復(fù)雜的業(yè)務(wù)任務(wù)，成為一個(gè)亟待解決的核心問(wèn)題。

提示詞工程（Prompt Engineering）作為一種低成本、高靈活性的模型優(yōu)化技術(shù)備受關(guān)注[5-6, 18]。當(dāng)前主流方法可歸為兩類：

1.手工專家調(diào)優(yōu)：依賴個(gè)人經(jīng)驗(yàn)，效率低下、成本高昂，難以規(guī)?；瘡?fù)制。

2.靜態(tài)框架與模塊化組裝：通過(guò)預(yù)定義模塊進(jìn)行拼接，如CRISPE等框架雖提供了結(jié)構(gòu)化指導(dǎo)[7]，但其“靜態(tài)組裝”的本質(zhì)無(wú)法應(yīng)對(duì)企業(yè)千變?nèi)f化、高度動(dòng)態(tài)的業(yè)務(wù)場(chǎng)景，也難以充分利用企業(yè)沉淀的海量、多源的知識(shí)資產(chǎn)。

同時(shí)，在更廣闊的自動(dòng)化提示詞工程領(lǐng)域，諸如“自動(dòng)提示工程師”（Automatic Prompt Engineer, APE）[14]等研究側(cè)重于算法化生成提示詞的措辭，而以檢索增強(qiáng)生成（Retrieval-Augmented Generation, RAG）為代表的方法[3, 22]及其多種變體則聚焦于優(yōu)化檢索內(nèi)容的相關(guān)性。盡管這些技術(shù)通過(guò)引入少樣本（Few-shot）示例[1]或思維鏈（Chain-of-Thought, CoT）[2]等方式提升了模型性能，但它們通常優(yōu)化的是單一環(huán)節(jié)，較少系統(tǒng)性地探討如何將多源、異構(gòu)的企業(yè)內(nèi)部上下文（如組織結(jié)構(gòu)、崗位職責(zé)、階段性目標(biāo)）與任務(wù)流程進(jìn)行深度、自動(dòng)化的編排。這些方法的共同局限在于，仍將提示詞視為一個(gè)“待設(shè)計(jì)”或“待填充”的靜態(tài)對(duì)象，在處理需要深度上下文理解和復(fù)雜邏輯推理的企業(yè)級(jí)任務(wù)時(shí)往往力不從心。

針對(duì)上述挑戰(zhàn)，本文提出了一種系統(tǒng)性的范式演進(jìn)：從“靜態(tài)組裝”提示詞，躍遷到“動(dòng)態(tài)生成”高度上下文感知的提示詞。我們不再將提示詞視為預(yù)設(shè)模板，而是將其看作一個(gè)應(yīng)需而生的、由智能化流程即時(shí)創(chuàng)造的“信息包”。

本文的主要貢獻(xiàn)如下：

1.提出了一種提示詞工程新范式：以“提示詞即時(shí)生成”（Prompt-on-the-Fly Generation）為核心，旨在為每一次任務(wù)動(dòng)態(tài)構(gòu)建最優(yōu)的指令上下文，突破靜態(tài)方法的局限。

2.設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于超自動(dòng)化理念的動(dòng)態(tài)上下文融合工作流。該工作流能夠?qū)⒂脩艚Y(jié)構(gòu)化輸入、內(nèi)部知識(shí)庫(kù)、場(chǎng)景化范例（Few-shot）[1]、推理路徑（CoT）[2]以及外部實(shí)時(shí)信息等異構(gòu)數(shù)據(jù)源進(jìn)行無(wú)縫融合與智能編排。

3.提煉并驗(yàn)證了一種可復(fù)用的AI應(yīng)用設(shè)計(jì)元模板（Meta-Template）。通過(guò)實(shí)驗(yàn)證明，該框架能顯著提升輕量級(jí)模型的輸出質(zhì)量，其核心設(shè)計(jì)思想可遷移至不同業(yè)務(wù)領(lǐng)域，為業(yè)務(wù)專家與IT人員協(xié)作開(kāi)發(fā)AI應(yīng)用提供了有效的方法論。

1 框架設(shè)計(jì)

1.1 設(shè)計(jì)思想

本框架的設(shè)計(jì)思想完全不同于傳統(tǒng)的模塊化拼接理念，它建立在四個(gè)全新的核心原則之上：

1.上下文至上 (Context is King）：決定模型輸出質(zhì)量的根本因素，是為其提供的上下文的深度、廣度和相關(guān)性。框架的首要目標(biāo)是為模型構(gòu)建一個(gè)豐富、精確、多維度的“認(rèn)知環(huán)境”。

2.流程即智能 (Process as Intelligence）：智能不應(yīng)僅被視為模型內(nèi)部的黑箱能力。我們主張，數(shù)據(jù)在系統(tǒng)中的流轉(zhuǎn)、處理與融合的流程本身，就是一種更高維度的、可設(shè)計(jì)的智能。這正是超自動(dòng)化（Hyperautomation）理念的體現(xiàn)，即通過(guò)協(xié)同多種技術(shù)（LLM節(jié)點(diǎn)、知識(shí)庫(kù)、解析器等）來(lái)智能地自動(dòng)化端到端的業(yè)務(wù)流程。

3.動(dòng)態(tài)生成 (On-the-Fly Generation）：放棄“一詞多用”的模板庫(kù)思想。最優(yōu)的提示詞是為特定任務(wù)即時(shí)生成的、一次性的。它由自動(dòng)化工作流在用戶需求的驅(qū)動(dòng)下實(shí)時(shí)創(chuàng)造，而非從靜態(tài)庫(kù)中調(diào)用。

4.多源融合 (Multi-Source Fusion）：框架的核心能力在于打破企業(yè)內(nèi)部的知識(shí)孤島，將結(jié)構(gòu)化、非結(jié)構(gòu)化、內(nèi)部、外部的各類信息無(wú)縫地、自動(dòng)化地融合到提示詞的構(gòu)建過(guò)程中。

1.2 體系架構(gòu)

基于上述思想，我們構(gòu)建了一個(gè)以“超自動(dòng)化工作流引擎”為核心的體系架構(gòu)。該引擎（本文基于開(kāi)源平臺(tái)Dify實(shí)現(xiàn)，但架構(gòu)本身具有平臺(tái)無(wú)關(guān)性）作為系統(tǒng)的“大腦”，負(fù)責(zé)調(diào)度各類工具和LLM節(jié)點(diǎn)，執(zhí)行數(shù)據(jù)融合與提煉，最終動(dòng)態(tài)生成提示詞。

圖1 基于超自動(dòng)化工作流的提示詞工程體系架構(gòu)

1.3? 核心工作流詳解

本框架的核心是一個(gè)包含五個(gè)階段、內(nèi)部并行處理的復(fù)雜工作流，旨在實(shí)現(xiàn)提示詞上下文的極致豐富與精準(zhǔn)。

圖2 提示詞即時(shí)生成超自動(dòng)化工作流

工作流階段詳解：

階段一：結(jié)構(gòu)化需求解析：用戶通過(guò)UI表單將模糊的業(yè)務(wù)意圖轉(zhuǎn)化為多維度的結(jié)構(gòu)化輸入。

階段二：并行上下文獲取與初加工：工作流并行啟動(dòng)四個(gè)子流，高效地從知識(shí)庫(kù)和互聯(lián)網(wǎng)中抓取與崗位、領(lǐng)域、場(chǎng)景范例和外部熱點(diǎn)相關(guān)的信息，并進(jìn)行初步提煉。

階段三：宏觀規(guī)劃與推理路徑構(gòu)建 (CoT）：此階段是賦予模型“思考能力”的關(guān)鍵。工作流結(jié)合微觀的任務(wù)步驟（局部CoT）和宏觀的部門計(jì)劃、工作方法論（全局CoT），為模型提供從戰(zhàn)術(shù)到戰(zhàn)略的完整思考框架。

階段四：系統(tǒng)性上下文組裝與執(zhí)行：將前序所有階段提煉出的上下文信息全部聚合，形成一個(gè)包含多源信息、結(jié)構(gòu)化的系統(tǒng)提示詞 (System Prompt），為模型預(yù)設(shè)一個(gè)詳盡的“虛擬專家”人格和知識(shí)背景。同時(shí)，將用戶原始需求構(gòu)造成用戶提示詞 (User Prompt），一同送入核心LLM執(zhí)行。

階段五：基于少樣本的結(jié)構(gòu)化輸出：根據(jù)需要，從知識(shí)庫(kù)檢索格式化語(yǔ)法作為少樣本示例，引導(dǎo)模型生成符合業(yè)務(wù)規(guī)范的、即所得的最終交付物。

2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

2.1 實(shí)驗(yàn)設(shè)置

1.任務(wù)集

核心任務(wù)：生成一份專業(yè)的煙草市場(chǎng)分析報(bào)告。

泛化任務(wù)：生成Python API調(diào)用代碼、生成客服標(biāo)準(zhǔn)回復(fù)。

2.模型與平臺(tái)

模型：Qwen-1.8B, Qwen-7B, Mistral-7B-Instruct-v0.2。

平臺(tái)：Dify。

3.對(duì)比策略

傳統(tǒng)提示詞 (Baseline）：模擬普通用戶輸入的簡(jiǎn)單指令。

靜態(tài)模板提示詞 (Static Template）：使用預(yù)設(shè)模板。

標(biāo)準(zhǔn)RAG框架 (Standard RAG）：基礎(chǔ)的檢索增強(qiáng)生成。

本文框架 (Our Framework）：基于超自動(dòng)化工作流的動(dòng)態(tài)生成提示詞。

4.評(píng)估：由50名終端用戶和15名領(lǐng)域?qū)＜医M成的混合小組進(jìn)行雙盲評(píng)估，并對(duì)評(píng)分結(jié)果進(jìn)行配對(duì)樣本t檢驗(yàn)和效應(yīng)大小（Cohen's d）分析。

2.2 主要實(shí)驗(yàn)：市場(chǎng)分析報(bào)告生成任務(wù)

表1 不同策略在“市場(chǎng)分析報(bào)告”任務(wù)上的性能對(duì)比

結(jié)果分析：本文框架在所有維度上均顯著優(yōu)于其他策略（p < 0.01），且效應(yīng)大小值（Cohen's d > 2.0）表明這種優(yōu)勢(shì)在實(shí)踐中具有重大意義。以Qwen-7B為例，用戶滿意度相對(duì)增幅高達(dá)140.4%。與RAG對(duì)比尤為關(guān)鍵：RAG能找到原始數(shù)據(jù)，但在業(yè)務(wù)邏輯和結(jié)構(gòu)上表現(xiàn)差。這證明，對(duì)于需要深度結(jié)構(gòu)化和強(qiáng)邏輯推理的企業(yè)任務(wù)，一個(gè)精心編排、融合了領(lǐng)域方法論的確定性工作流，是穩(wěn)定產(chǎn)出專家級(jí)內(nèi)容的關(guān)鍵。

2.3 消融實(shí)驗(yàn)：探究框架組件的有效性

表2 本文框架（基于Qwen-7B）在核心任務(wù)上的消融實(shí)驗(yàn)結(jié)果

結(jié)果分析：消融實(shí)驗(yàn)清晰地揭示了框架的內(nèi)部?jī)r(jià)值構(gòu)成：1）內(nèi)部知識(shí)庫(kù)是基石；2）CoT是邏輯的靈魂；3）Few-shot是結(jié)構(gòu)的骨架。這證明了框架的成功源于多組件的協(xié)同效應(yīng)，而非單一元素的簡(jiǎn)單疊加。

2.4 泛化能力測(cè)試

我們將為市場(chǎng)分析報(bào)告設(shè)計(jì)的工作流“元模板”，經(jīng)過(guò)少量適配，應(yīng)用到了技術(shù)和客服兩個(gè)全新領(lǐng)域，同樣取得了顯著的性能提升（代碼正確率從45.5%提升至89.6%，客服回復(fù)準(zhǔn)確性從60.3%提升至94.7%）。這驗(yàn)證了本框架所蘊(yùn)含的方法論具有高度的可遷移性。

3 討論

3.1 框架價(jià)值

1.從“賦能”到“賦魂”：傳統(tǒng)RAG是給模型“賦能”——給予知識(shí)。本框架通過(guò)融入崗位職責(zé)、領(lǐng)域方法論（CoT）、部門計(jì)劃等，為模型“賦魂”——構(gòu)建一個(gè)具備專家心智模型的“數(shù)字員工”。消融實(shí)驗(yàn)證明，正是這種深度的上下文融合帶來(lái)了性能的質(zhì)變。

2.確定性流程駕馭不確定性模型：與Agent的自由探索相比，本框架的超自動(dòng)化工作流代表了一種“確定性智能”。在規(guī)則明確的企業(yè)級(jí)任務(wù)中，這種確定性流程能有效引導(dǎo)大模型，確保輸出的穩(wěn)定性、可靠性和專業(yè)性。

3.知識(shí)資產(chǎn)的協(xié)同效應(yīng)：框架的能力上限來(lái)自于各個(gè)信息源的協(xié)同效應(yīng)（Synergy）。是崗位職責(zé)定義“我是誰(shuí)”，領(lǐng)域知識(shí)告知“我知道什么”，CoT指明“我該怎么想”，場(chǎng)景范例展示“我該怎么做”，它們?cè)诠ぷ髁鞯木幣畔滦纬闪?+1>2的增強(qiáng)效果。

4.提供可復(fù)用的設(shè)計(jì)元模板：本研究的核心產(chǎn)出不僅是一個(gè)具體的工作流，更是一種可被復(fù)用的“工作流設(shè)計(jì)元模板”。它降低了業(yè)務(wù)人員應(yīng)用AI的門檻，使AI應(yīng)用開(kāi)發(fā)更像是一個(gè)業(yè)務(wù)流程優(yōu)化項(xiàng)目。業(yè)務(wù)專家可以將他們的隱性知識(shí)和判斷邏輯，通過(guò)這個(gè)元模板“翻譯”成高效的AI工作流。

3.2 挑戰(zhàn)與展望

工作流的生命周期管理：初期設(shè)計(jì)需要業(yè)務(wù)與技術(shù)團(tuán)隊(duì)深度協(xié)作，且隨著業(yè)務(wù)變化，工作流需要持續(xù)地維護(hù)與迭代，這對(duì)傳統(tǒng)IT團(tuán)隊(duì)提出了新的要求。

對(duì)知識(shí)庫(kù)質(zhì)量的高度依賴：框架的輸出上限取決于輸入知識(shí)庫(kù)的質(zhì)量。建立一套完善的企業(yè)知識(shí)治理和持續(xù)更新機(jī)制是成功的關(guān)鍵前提。

未來(lái)方向：可探索將此框架與更復(fù)雜的Multi-Agent系統(tǒng)結(jié)合，由超自動(dòng)化工作流擔(dān)任“指揮官”角色，編排多個(gè)專用Agent協(xié)同完成更宏大的任務(wù)。同時(shí)，研究如何利用AI自動(dòng)優(yōu)化和生成工作流本身，將是降低應(yīng)用門檻的下一步關(guān)鍵。

4 結(jié)論

本文針對(duì)資源受限企業(yè)在應(yīng)用大語(yǔ)言模型時(shí)面臨的困境，提出了一種從“靜態(tài)組裝”轉(zhuǎn)向“動(dòng)態(tài)生成”的提示詞工程新范式。通過(guò)設(shè)計(jì)并實(shí)現(xiàn)一個(gè)基于超自動(dòng)化理念的智能工作流，我們?yōu)檩p量級(jí)模型即時(shí)構(gòu)建了深度定制的認(rèn)知上下文。實(shí)驗(yàn)結(jié)果表明，該框架顯著增強(qiáng)了輕量級(jí)模型的任務(wù)完成質(zhì)量和邏輯推理能力，使其在特定業(yè)務(wù)場(chǎng)景下能夠媲美大型模型的表現(xiàn)。本研究為企業(yè)如何低成本、高效率地將AI技術(shù)與核心業(yè)務(wù)深度融合，提供了一套經(jīng)過(guò)驗(yàn)證、可遷移、可落地的系統(tǒng)性解決方案和設(shè)計(jì)思想。

參考文獻(xiàn)

[1] Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., ... & Amodei, D. (2020). Language models are few-shot learners. In *Advances in Neural Information Processing Systems, 33*, 1877-1901.

[2] Wei, J., Wang, X., Schuurmans, D., Bosma, M., Chi, E., Le, Q., & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. In *Advances in Neural Information Processing Systems, 35*, 24824-24837.

[3] Lewis, P., Pérez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., ... & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. In *Advances in Neural Information Processing Systems, 33*, 9459-9474.

[4] Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2022). ReAct: Synergizing reasoning and acting in language models. *arXiv preprint arXiv:2210.03629*.

[5] Sahoo, P., Singh, A. K., Saha, S., Jain, V., Mondal, S., & Chadha, A. (2024). A systematic survey of prompt engineering in large language models: Techniques and applications. *ACM Computing Surveys, 56*(9), 1-38.

[6] Schulhoff, S., Ilie, M., Balepur, N., Hug, K., McKane, A., Yan, L., ... & Resnik, P. (2024). The prompt report: A systematic survey of prompting techniques. *arXiv preprint arXiv:2406.06608*.

[7] White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., ... & Schmidt, D. C. (2023). A prompt pattern catalog to enhance prompt engineering with ChatGPT. *arXiv preprint arXiv:2302.11382*.

[8] Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T. L., Cao, Y., & Narasimhan, K. (2023). Tree of thoughts: Deliberate problem solving with large language models. *arXiv preprint arXiv:2305.10601*.

[9] Yao, Y., & Li, Z. (2023). Beyond chain-of-thought, effective graph-of-thought reasoning in large language models. *arXiv preprint arXiv:2305.16582*.

[10]? Wang, X., Wei, J., Schuurmans, D., Le, Q., Chi, E., & Zhou, D. (2022). Self-consistency improves chain of thought reasoning in language models. *arXiv preprint arXiv:2203.11171*.

[11]? Dhuliawala, S., Komeili, M., Xu, J., Raileanu, R., Li, X., Celikyilmaz, A., & Weston, J. (2023). Chain-of-verification reduces hallucination in large language models. *arXiv preprint arXiv:2309.11495*.

[12]? Wang, B., Ping, H., Xu, M., Min, J., Li, Y., Hu, Y., ... & Chen, M. (2024). Chain-of-table: Evolving tables in the reasoning chain for table understanding. In *Proceedings of the AAAI Conference on Artificial Intelligence, 38*(17), 19138-19146.

[13] Asai, A., Wu, Z., Wang, Y., Sil, A., & Hajishirzi, H. (2023). Self-RAG: Learning to retrieve, generate, and critique through self-reflection. *arXiv preprint arXiv:2310.11511*.

[14]? Zhou, Y., Muresanu, A. I., Han, Z., Paster, K., Pitis, S., Chan, H., & Ba, J. (2022). Large language models are human-level prompt engineers. *arXiv preprint arXiv:2211.01910*.

[15]? Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., ... & Wang, X. (2023). A survey on large language model based autonomous agents. *arXiv preprint arXiv:2308.11432*.

[16]? Qin, Y., Patil, S. D., Gui, T., Lin, Y., Zhang, J., Qin, Y., ... & Nouriborji, M. (2023). ToolLLM: Facilitating large language models to master 16000+ real-world APIs. *arXiv preprint arXiv:2307.16789*.

[17]? Liu, Y., Yao, Y., Zhang, J., Gong, Y., Duan, T., Li, B., ... & Xiong, D. (2023). AgentBench: Evaluating LLMs as agents. *arXiv preprint arXiv:2308.03688*.

[18]? Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. *ACM Computing Surveys, 55*(9), 1-35.

[19] Zaharia, M., Chen, A., Zou, J., & Stoica, I. (2023). Operationalizing large language models: An engineering view. *arXiv preprint arXiv:2311.08119*.

[20]? Tonmoy, S. M. T. I., Zaman, S. M. M., Phan, V., Krishnamurthy, P., Domeniconi, C., & Evans, D. (2024). A comprehensive survey of hallucination mitigation techniques in large language models. *arXiv preprint arXiv:2401.01313*.

[21]? Liu, Y., Zhang, S., Zhang, S., Gong, C., Wang, J., Pang, K., ... & Wu, L. (2023). A survey of large language models for healthcare: From data, technology, and applications to accountability and ethics. *Meta-Radiology, 1*(3), 100047.

[22]? Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., ... & Sun, K. (2023). Retrieval-augmented generation for large language models: A survey. *arXiv preprint arXiv:2312.10997*.