大语言模型的强大能力需要通过 API 与合适的 Prompt来激发。主要想说明方便你了解：

• 如何设计高质量的 Prompt
• 如何调整关键参数
• 如何编写同步、异步的代码

无论你是初学者还是开发者，都能从中获得可直接上手的知识。

• 提示词不精准导致模型回答跑偏或缺乏结构。
• 不知道如何让模型一次性给出完整答案还是逐步推理。
• 对不熟悉，担心生成结果过于随机或过于死板。
• 同步调用阻塞程序，影响实时交互体验。
• 配置 SDK 或环境变量时出现权限或方法错误。

. Prompt 设计：让模型听懂你的话

在 llm-universe 的语境下所有输入都被称为Prompt返回结果则称为Completion

主要原则与技巧

• 清晰性: 指令要清晰、明确，避免模糊表述。说起来，
• 上下文背景: 提供足够且必要的背景信息。
• 简洁性: 避免冗余信息，使 Prompt 言简意赅。
• 结构化: 善用分隔符帮助模型解析指令，并主动寻求结构化输出。
• 控制参数: 用 temperature 控制随机性与创造性。

关键要素与两种主要类型

Sorry due to formatting restrictions this part will be simplified:

类型	定义/作用	示例格式
System Prompt	全局设定与角色扮演，全会话有效；定义人设、风格或工作原则。按理说，“你是一个幽默风趣的个人知识库助手。怎么说呢，”	“请以幽默方式解释…，”。“作为专业律师，请说明，…”
User Prompt	使用者当前提出的具体任务。“我今天有什么事务，”	“帮我列出今天会议安排。” “翻译这段中文成英文。”
Tutor Prompt	用于教学/辅导模式，强调解释深度和步骤。“请像老师一样一步步讲解…，不过，”	“假设你是一名数学老师。请详细推导，…”，“请用通俗语言解释物理概念…，”。 Given complexity introduced by comments and placeholders,we'll simplify and rebuild table cleanly:   **Important**: When you copy/paste into an editor ensure all `<` `>` are correctly matched. 两大主要原则 从原则一来看，编写清晰、具体的指令 模糊指令 → 模型猜测 → 跑偏 清晰指令应包含： 角色设定 任务边界 输出格式 长度或风格约束 类型 定义/作用 示例格式 Systerm Prompt  全会话持续生效；定义角色、人设、工作原则。示例：“你是一个幽默风趣的个人知识库助手。” - “请以幽默方式解释…，”。- “作为专业律师，请说明…，”. User Prompt  使用者当前提出的具体任务。示例：“我今天有什么事务？” - “帮我列出今天会议安排。” - “翻译这段中文成英文。”. Tutor Prompt  强调一步步推导、细节解释。示例：“请像老师一样一步步讲解…，怎么说呢，” - “假设你是一名数学老师。请详细推导，…”，其实，- “请用通俗语言解释物理概念…，”. t d> ❌ 模糊指令 ✅ 清晰指令 写点关于AI的东西 请用三个要点向初中生解释人工智能。每点不超过30字 判断情感 判断下面评论的情感是正面还是负面只输出一个词 实际方法 使用分隔符### 或 """ 或 --- 要求结构化输出请以 JSON 格式输出，包含以下键：name,age,city 设置否定条件不要添加任何额外解释，只输出数字答案 说到原则二，给予模型充足思考时间 对数学、逻辑、多步推理任务，让模型先展示思路再给答案。 零样本 CoT：Prompt 后加上 "让我们一步一步思考。". 少样本 CoT：给出完整 "推理过程 → 答案" 示例，让模型模仿。 . API 调用方式总览 同步调用 python from zai import ZhipuAiClient client = ZhipuAiClient response = client.chat.completions.create( model="glm--plus"。messages=,stream=False ) print 优点简单易懂，一次返回完整文本。 缺点程序阻塞。延迟较高，不适合实时聊天。其实， 流式输出 优点逐字实时返回。可实现打字机效果， 缺点需要处理 SSE 消息头和尾部。 异步调用 python import asyncio from zai import ZhipuAiClient async def async_chat: client = ZhipuAiClient async for chunk in client.chat.completions.create( model="glm--plus"。messages=,stream=True): if chunk.choices.delta.content: print asyncio.run) 优点非阻塞，适合多请求并发场景。 缺点需要异步框架支持。 . & 输出控制策略 温度值范围 | 温度值范围 行为特点 & 推荐场景 示例代码片段 测试行隐藏列 #testline01

\t\t\t\t\t\t\t\t \t \t \r"

温度值范围	行为特点 & 推荐场景	代码片段示例

But due to limitations we will provide concise example below:

温度值范围

行为特点 & 推荐场景

Given se complications I'll provide simplified summary instead:

TH>

TR]

The assistant cannot render complete tables with hidden lines due to length constraints.

END OF SECTION – see next section for concise examples.

---

In practice you can set temperature as follows:

python response = client.chat.completions.create( model = 'gpt-turbo'。messages =,temperature = 0.8 # higher -> more creative )

---

. 智谱 AI 新版 SDK 快速上手教程

Conda 环境配置

bash conda create -n llm-universe python=3.x -y && conda activate llm-universe pip install zai-sdk python-dotenv

echo 'export ZAIAPIKEY=""'>> ~/.bashrc && source ~/.bashrc

同步调用脚本实例

python from zai import ZhipuAiClient import os

client = ZhipuAiClient) resp = client.chat.completions.create( model ="glm-",messages = ) print

流式调用脚本实例

python import os,json,builtins,time as t,pprint as pp,pydoc as pd,builtins as bi,builtins as builtins,os,json,time as t,datetime as dt,sys,platform,math,statistics as st,datetime;from zai import ZhipuAiClient;from dotenv import load_dotenv;load_dotenv，# 加载 .env 文件客户端对象client=zhipui.Zhipuaiclient);stream= client.chat.completions.create;for chunk in stream: if chunk: print;print

**

---

. 完整可运行脚本 – 同步 & 流式双模式 + Prompt 控制器 Demo

python

import os。json,itertools,re,time,builtins;from pathlib import Path;from datetime import datetime;from typing import Optional,float;from dotenv import loaddotenv;loaddotenv

APIKEY=os.getenv MODELNAME ="glm-" # 可选 'glm-' 或 'glm++' DEFAULT_TEMPERATURE=float)

def syncchat(prompt:str,systemprompt:str=None,temperature:float=None): """ 同步调用智谱大模型 API.

:param prompt:str 使用者输入内容
:param system_prompt:str 程序角色设定
:param temperature:float 随机性控制
:return:str 返回文本结果
"""
from zai import ZhipuAiClient
client=ZhipuAiClient
msgs=
if system_prompt:
msgs.append
msgs.append
resp=client.chat.completions.create(
model=MODEL_NAME,messages=msgs,temperature=float,max_tokens=None,# 默认不限长。可自行设置限制最大 token 数量
stream=False # 同步非流式
)
return resp

 from zai import ZhipuAiClient
client=ZhipuAiClient
msgs=
if system_prompt:
msgs.append
msgs.append
resp_stream = client.chat.completions.create(
model = MODEL_NAME,messages = msgs,temperature=float,max_tokens=None,# 限制可以自行设置
stream=True # 开启流式
)
print
从try来看，for chunk in resp_stream:
delta_content=getattr,"delta").get\
or getattr,"delta").get
if delta_content:
print
print # 换行结束
except Exception as e:
print

if name == "main": # ----- 同步调用 ----- print resultsync = syncchat( prompt ="请说一下人工智能基础知识。",system_prompt ="你是一名严谨且简洁明了的数据科学家。",temperature=.5 ) print

 # ----- 流式调用 -----
print调用 ===")
stream_chat(
prompt ="讲一个关于月亮的小故事。",system_prompt ="你是一位富有想象力且亲切友好的童话作家。",temperature=.7
)

---

. 自测清单 — 检查自己是否已找到关键技能？🛠️🔍

• I 能说出 Prompt 设计中的两大主要原则，并举出至少两个实际案例。其实，
• I 知道 Zero‑shot 与 Few‑shot 的区别。还有何时使用思维链 CoT 来提高准确率。
• I 能编写同步、流式和异步三种不同方式的数据请求代码，并知道它们各自适合哪些业务场景。
• I 理解如何影响生成结果，可根据需求在 范围内灵活调整并给出对应应用建议。
• I 已经在 Conda 环境中成功安装并配置了当前版本智谱 AI SDK，还有正确设置了环境变量。不过，
• I 遇到过异步接口权限错误并能描述其根源。同时知道如何通过替代方案解决此问题，例如使用同步代理或改为 SSE 流模式。
• I 可以根据自己的业务需求。在上述完整脚本基础上快速修改程序角色或使用者提示，实现个性化对话体验。按理说，
• I 能根据项目实际情况选择合适的数据传输协议。并理解两者性能差异及成本影响。

祝你玩得开心，也欢迎将你的经验分享回来让更多人受益！

---