📝 写稿AI助手技术原理深度解析：从提示词到智能Agent的完整技术链条

 传统方式：基于关键词匹配的文本模板生成
import random

def generate_weather_report_old(city, temperature):
    """传统的天气报道生成：基于固定模板+关键词替换"""
    templates = [
        f"{city}今日天气晴好，气温{temperature}℃，适合出行。",
        f"{city}目前气温{temperature}℃，天气状况良好。",
        f"{city}天气预报显示今日气温为{temperature}℃，注意防晒。",
    ]
    return random.choice(templates)

 调用示例
print(generate_weather_report_old("北京", "25"))
 输出：北京今日天气晴好，气温25℃，适合出行。

用户提问：“请根据公司最新的考勤制度回答……”
    ↓
① 检索：从知识库中召回与问题最相关的文档片段
    ↓
② 融合：将检索结果与原始问题拼接成上下文
    ↓
③ 生成：大模型基于上下文（而非仅凭参数知识）生成回答

 安装依赖
 pip install openai python-dotenv chromadb langchain
import json
import os
from datetime import datetime
from dotenv import load_dotenv
from openai import OpenAI
import chromadb
from chromadb.utils import embedding_functions

load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def basic_writing_assistant(topic: str, style: str = "技术科普", length: int = 300):
    """基础写稿AI助手：根据主题和风格生成文章"""
    
     步骤1：构建提示词（体现提示词工程的核心要素）
    prompt = f"""
 角色设定
你是一位资深的{style}类文章作者，写作风格专业但不晦涩。

 任务
请围绕主题「{topic}」撰写一篇{length}字左右的短文。

 约束条件
- 语言通俗易懂，避免过多专业术语
- 结构清晰，使用小标题分段
- 如果涉及技术概念，请举例说明
- 每段控制在3-5行之间

 输出格式
请使用Markdown格式输出，确保可读性。
    """
    
     步骤2：调用LLM API
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "你是一位专业的技术写作者。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.7,   控制创造性（0=确定，1=随机）
        max_tokens=length  2   预留足够token
    )
    
     步骤3：返回生成结果
    return response.choices[0].message.content

 测试
article = basic_writing_assistant("RAG技术原理", style="技术科普", length=200)
print(article)

def rag_writing_assistant(topic: str, knowledge_base: list):
    """
    RAG增强版写稿AI助手：
    先在知识库中检索相关素材，再基于素材生成文章
    """
    
     ====== 第一步：检索相关素材（RAG的核心） ======
     使用简单的关键词匹配作为检索策略（生产环境可用向量检索）
    relevant_docs = []
    for doc in knowledge_base:
         检查文档是否与主题相关
        if any(keyword in doc.lower() for keyword in topic.lower().split()):
            relevant_docs.append(doc)
    
     限制最多使用5篇相关文档
    context = "\n\n---\n\n".join(relevant_docs[:5])
    
     ====== 第二步：基于检索结果生成 ======
    prompt = f"""
 角色设定
你是一位严谨的技术写作者。

 任务
请根据以下参考资料，撰写一篇关于「{topic}」的技术科普文章。

 参考资料
{context if context else "（未找到相关参考资料，请基于你的知识回答）"}

 核心要求
- 如果参考资料足够，请基于参考资料作答，引用来源
- 如果参考资料不足，请明确告知读者
- 严禁编造不存在的技术事实
- 文章结构：引言 → 核心内容 → 总结
    """
    
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "你是一位严谨的技术写作者。请在输出前核实事实，对于不确定的信息请注明。\n" + 
             "如果参考资料中没有相关信息，请直接回复'根据现有资料无法确认这个问题'。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.5   RAG场景下降低temperature，减少幻觉
    )
    
    return response.choices[0].message.content

 ====== 第一步：定义工具函数 ======
def get_current_weather(city: str) -> dict:
    """模拟天气查询API"""
    mock_weather = {
        "北京": "晴，18-25℃",
        "上海": "多云，20-27℃",
        "广州": "阵雨，24-30℃"
    }
    return {"city": city, "weather": mock_weather.get(city, "数据暂缺")}

def save_draft(content: str, filename: str) -> dict:
    """保存草稿到本地文件"""
    with open(f"{filename}.txt", "w", encoding="utf-8") as f:
        f.write(content)
    return {"status": "success", "filename": f"{filename}.txt"}

 ====== 第二步：定义工具描述（给模型看的元数据） ======
tools = [
    {
        "type": "function",
        "function": {
            "name": "get_current_weather",
            "description": "查询指定城市的实时天气信息",
            "parameters": {
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名称"}
                },
                "required": ["city"]
            }
        }
    },
    {
        "type": "function",
        "function": {
            "name": "save_draft",
            "description": "将生成的文章草稿保存到文件",
            "parameters": {
                "type": "object",
                "properties": {
                    "content": {"type": "string", "description": "文章内容"},
                    "filename": {"type": "string", "description": "文件名（不含扩展名）"}
                },
                "required": ["content", "filename"]
            }
        }
    }
]

 ====== 第三步：工具调用执行器 ======
def execute_function_call(name: str, args: dict):
    """根据模型返回的调用指令执行对应的工具函数"""
    if name == "get_current_weather":
        return get_current_weather(args)
    elif name == "save_draft":
        return save_draft(args)
    return {"error": f"Unknown function: {name}"}

 ====== 第四步：完整的Function Calling流程 ======
def assistant_with_tools(user_input: str):
    """
    写稿AI助手——支持工具调用
    流程：模型决策 → 执行工具 → 模型整合 → 返回结果
    """
    
     第一次调用：模型判断是否需要使用工具
    response = client.chat.completions.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "你是一位智能写作助手，可以调用工具获取实时信息或保存内容。"},
            {"role": "user", "content": user_input}
        ],
        tools=tools,   告诉模型可用的工具
        tool_choice="auto"   让模型自动判断是否调用工具
    )
    
    response_message = response.choices[0].message
    tool_calls = response_message.tool_calls
    
     如果有工具调用请求
    if tool_calls:
         执行所有工具调用
        for tool_call in tool_calls:
            function_name = tool_call.function.name
            function_args = json.loads(tool_call.function.arguments)
            print(f"🔧 模型正在调用工具: {function_name}，参数: {function_args}")
            
             执行工具函数
            function_response = execute_function_call(function_name, function_args)
            
             将工具执行结果追加到对话中
            response_message.tool_calls = tool_calls
             ... 此处可将function_response发回模型继续处理
        return {"tool_executed": function_name, "result": function_response}
    else:
         不需要工具，直接返回模型生成的文本
        return response_message.content

 测试
 result = assistant_with_tools("帮我写一篇关于北京天气的短文，并保存为weather_article")