生成知识：完整指南

什么是生成知识？

生成知识是一种提示技术，涉及在回答前提示生成上下文。它对于事实准确性特别有效。

何时使用生成知识

在以下情况下使用此技术：

你需要事实准确性

标准提示结果不一致

任务需要在回答前提示生成上下文

你想要更可靠、结构化的输出

工作原理

生成知识的核心思想：

设置：准备带有生成知识结构的提示

执行：使用适当参数发送给LLM

解析：提取结构化响应

验证：检查输出质量和格式

基本示例

python
from openai import OpenAI
client = OpenAI()
def generated_knowledge_prompt(task: str, context: str = "") -> str:
    """应用生成知识技术。"""
    
    # 生成知识提示结构
    system = """你是一位专业的AI助手。
    对每个任务进行系统推理。
    要精确、准确且结构良好。"""
    
    # 生成知识的核心提示
    prompt = f"""任务：{task}
    
{"上下文：" + context if context else ""}
请提示在回答前生成上下文，以准确完成此任务。"""
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": system},
            {"role": "user", "content": prompt}
        ],
        temperature=0.3,
        max_tokens=1500
    )
    
    return response.choices[0].message.content
使用示例
result = generated_knowledge_prompt(
    task="分析微服务架构的优缺点",
    context="对于一家拥有5名开发人员和1000名用户的初创公司"
)
print(result)

高级实现

python
from pydantic import BaseModel
from typing import Optional
class PromptResult(BaseModel):
    output: str
    technique: str = "Generated Knowledge"
    confidence: Optional[float] = None
    reasoning: Optional[str] = None
class GeneratedKnowledgePrompter:
    """生产就绪的生成知识实现。"""
    
    def __init__(self, model: str = "gpt-4o"):
        self.client = OpenAI()
        self.model = model
        self.technique = "Generated Knowledge"
    
    def run(self, task: str, **kwargs) -> PromptResult:
        """执行生成知识提示。"""
        
        response = self.client.chat.completions.create(
            model=self.model,
            messages=self._build_messages(task, **kwargs),
            temperature=kwargs.get("temperature", 0.3),
            max_tokens=kwargs.get("max_tokens", 2000)
        )
        
        content = response.choices[0].message.content
        
        return PromptResult(
            output=content,
            technique=self.technique
        )
    
    def _build_messages(self, task: str, **kwargs) -> list[dict]:
        """构建生成知识特定的消息。"""
        system = f"""你是一位使用{self.technique}解决任务的专家。
        系统地应用{desc}。
        格式：提供清晰、结构化的响应。"""
        
        return [
            {"role": "system", "content": system},
            {"role": "user", "content": self._build_prompt(task, **kwargs)}
        ]
    
    def _build_prompt(self, task: str, **kwargs) -> str:
        """构建生成知识的特定提示。"""
        return f"""使用{self.technique}，完成以下任务：
任务：{task}
应用{desc}以获得高质量答案。"""
使用
prompter = GeneratedKnowledgePrompter()
result = prompter.run("编写一个安全解析JSON的Python函数")
print(result.output)

实际用例

用例1：事实准确性

python
专门用于事实准确性
prompter = GeneratedKnowledgePrompter(model="gpt-4o")
示例：事实准确性任务
result = prompter.run(
    f"解决这个事实准确性问题：[你的具体问题]"
)
print(f"解决方案：{result.output}")

用例2：内容生成

python
应用于内容创作
result = prompter.run(
    "写一篇关于AI代理的技术博客文章引言",
    temperature=0.7,  # 创意任务使用更高温度
    max_tokens=500
)
print(result.output)

与其他技术的比较

技术最适合令牌数可靠性

标准简单任务低中等 生成知识事实准确性中等高 思维链数学/逻辑高高 少样本格式任务高非常高

常见错误

衡量有效性

python
import json
from statistics import mean
def evaluate_prompt_quality(
    prompter: GeneratedKnowledgePrompter,
    test_cases: list[dict],
    n_runs: int = 3
) -> dict:
    """通过多次运行评估提示质量。"""
    scores = []
    
    for test in test_cases:
        run_scores = []
        for _ in range(n_runs):
            result = prompter.run(test["task"])
            # 根据预期输出评分
            score = 1.0 if test.get("expected") in result.output else 0.5
            run_scores.append(score)
        scores.append(mean(run_scores))
    
    return {
        "technique": "Generated Knowledge",
        "avg_score": mean(scores),
        "test_cases": len(test_cases)
    }

资源