#Prompt Engineering 基础：如何通过文本指令引导模型

from openai import OpenAI
client = OpenAI(api_key="your-api-key")

def zero_shot(prompt):
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# 文本分类
result = zero_shot("""
判断以下评论的情感（正面/负面）：
"这个产品太棒了，质量很好！"
""")
print(result)  # 正面

# 翻译
result = zero_shot("将以下中文翻译成英文：今天天气很好")
print(result)  # The weather is nice today.

# 摘要
result = zero_shot("请用一句话总结：人工智能是计算机科学的一个分支...")
print(result)

def few_shot(prompt):
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# 示例：在 Prompt 中给出几个例子
prompt = """
将成语翻译成英文：

塞翁失马，焉知非福
→ A loss may turn out to be a gain

纸上谈兵
→ To talk idly about theoretical matters

亡羊补牢
→ Repair the pen after the sheep are lost (It's never too late to fix)

破镜重圆
→ """

result = few_shot(prompt)
print(result)
# To reunite after a separation or rift

# 好的示例：多样化、有代表性
examples = """
情感分类：

文本："今天心情很好"
情感：正面

文本："这个东西太差了"
情感：负面

文本："一般般，没什么特别的"
情感：中性
"""

# 差的示例：重复、歧义
bad_examples = """
情感：
好 → 正
好 → 正
差 → 负
"""

"""
标准 Prompt：
问：小明有5个苹果，他买了3个，吃了2个，还剩几个？
答：6个

错误！小模型会直接跳步计算

CoT Prompt：
问：小明有5个苹果，他买了3个，吃了2个，还剩几个？
答：
- 起始：5个
- 买了3个：5 + 3 = 8个
- 吃了2个：8 - 2 = 6个
- 最终：6个

大模型被引导着一步步思考，正确率大大提升！
"""

def cot_prompt(question):
    prompt = f"""
请逐步推理，回答以下问题：

问题：{question}

推理步骤：
1. """
    return cot_prompt

# 示例
question = "一个商店有50个苹果，上午卖了20个，下午又进货30个，现在有多少个？"
result = few_shot(cot_prompt(question))
print(result)
# 1. 起始有50个苹果
# 2. 卖了20个：50 - 20 = 30个
# 3. 进货30个：30 + 30 = 60个
# 4. 最终：60个

"""
2022 年发现：只需在 Prompt 末尾加一句"让我们一步一步思考"
模型就会自动进行思维链推理！
"""
prompt = """
小明有10个球，丢了3个，又买了5个，现在有多少个球？
让我们一步一步思考。
"""
# 模型自动分步推理，不需要 Few-shot 示例！

def structured_prompt(task_description, context, question):
    return f"""
【任务】
{task_description}

【背景信息】
{context}

【问题】
{question}

【输出格式】
请用以下 JSON 格式输出：
{{
    "answer": "答案",
    "confidence": 0.0-1.0,
    "reasoning": "推理过程"
}}
"""

"""
System Prompt = 给模型设定身份和行为约束
"""

messages = [
    {
        "role": "system",
        "content": "你是一位资深Python程序员，擅长写出简洁、高效、可读性强的代码。"
    },
    {
        "role": "user",
        "content": "写一个快速排序算法"
    }
]

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=messages
)