企业官网建设流程全解析

目录

一、整体业务背景

二、第一部分：模板化 Prompt 工程实践

1. 什么是模板化 Prompt

2. 模板分层标准（企业通用分层规范）

模板存储方案（工程选型）

3. 模板变量插值规范（避坑要点）

4. 模板化带来的工程收益

三、第二部分：动态拼接上下文（核心工程难点）

1. 上下文组成标准拼接顺序（权重从低到高）

2. 多轮对话历史动态拼接方案

格式统一规范（固定对话结构，避免混乱）

超长上下文截断策略（Token 超限必做）

代码层拼接流程示例（伪代码）

3. 知识库动态拼接避坑点

4. 安全防护：防 Prompt 注入

四、第三部分：输出格式约束 —— 固定 JSON 返回（工程落地核心）

1. Prompt 内强制 JSON 约束写法（两种方案）

方案 1：简单固定 JSON 模板（字段少场景）

方案 2：JSON Schema 标准约束（复杂业务推荐）

2. 解决 LLM 不遵守 JSON 的常见问题

兜底 1：代码预处理清洗（通用）

兜底 2：异常重传机制

兜底 3：工具层强制校验（JSON Schema 校验）

3. 业务异常统一 JSON 规范

4. JSON 约束工程收益

五、完整端到端工程示例（Python 可运行简化版）

1. 统一 Prompt 模板

2. 动态上下文拼接函数

3. JSON 清洗 + 解析工具

4. 调用主流程

六、线上生产环境落地优化要点

七、三大技术组合核心价值总结

一、整体业务背景

在企业级 LLM 落地（知识库问答、数据抽取、智能工单、代码生成、内容审核）中，直接写零散 Prompt 会出现三大痛点：

1. Prompt 硬编码散落在代码各处，改规则要全项目搜字符串，维护成本极高；
2. 用户输入、知识库片段、历史对话、业务参数混杂拼接，极易出现注入、上下文越界、格式错乱；
3. LLM 自由文本输出，后续解析逻辑复杂，正则 / 字符串分割容错差，极易抛异常。

解决方案三层标准化架构：模板层（固定 Prompt 骨架） + 动态变量层（实时上下文插值） + 输出约束层（强制 JSON 返回）

二、第一部分：模板化 Prompt 工程实践

1. 什么是模板化 Prompt

把 Prompt 拆分为固定静态模板+可替换变量插槽，将业务规则、角色设定、任务要求、输出规范统一托管，代码只负责传入变量，不手写大段文本。 类比前端 Vue/React 模板、SQL 预编译语句，核心目的：解耦、统一管控、版本可追溯。

2. 模板分层标准（企业通用分层规范）

一套标准 Prompt 模板分为 5 段，固定顺序不可打乱：

【角色定义】固定不变，描述LLM身份、能力、立场、禁忌 【全局约束】业务通用规则（如禁止幻觉、数据来源仅限给定材料、字数限制） 【任务指令】当前单次要完成的核心任务 【动态变量插槽】{{user_query}}、{{knowledge_chunks}}、{{history_msg}}、{{biz_params}} 【输出格式强制规则】JSON结构、字段类型、必填项、错误返回规范

模板存储方案（工程选型）

1. 轻量项目：常量文件（Python/Java 枚举）统一存放prompt_template.py/PromptTemplate.java，所有模板集中管理，支持注释、版本标记。 示例 Python：

   python

   EXTRACT_DATA_TEMPLATE = """ # 角色定义 你是专业数据抽取专家，仅根据提供的参考文本提取信息，禁止编造不存在内容。 # 全局约束 1. 所有数据必须来源于【参考材料】，无对应信息填空字符串"" 2. 禁止输出解释、思考、多余文字，只返回指定JSON # 任务指令 根据用户问题，从参考材料中抽取目标字段信息 # 输入变量 用户问题：{{query}} 参考材料：{{docs}} # 输出格式要求 {{json_schema}} """

2. 中大型项目：配置中心（Nacos/Apollo/Redis）模板存入配置中心，支持热更新，无需重启服务即可修改 Prompt 规则，适合运营频繁调优场景（客服、审核）。 优势：区分环境（测试 / 生产）、灰度下发、操作日志记录谁修改了模板。

3. LLM 平台化项目：独立 Prompt 管理后台可视化编辑模板、内置变量校验、在线调试插值效果、绑定模型版本、A/B 测试多套模板。

3. 模板变量插值规范（避坑要点）

1. 统一占位符语法：使用{{变量名}}，和业务文本区分，避免和普通括号冲突；
2. 变量命名规范：user_query用户输入、history_context历史对话、knowledge_list检索知识库、biz_config业务参数；
3. 转义防护：动态内容自动转义{{}}、换行符、引号，防止变量内容破坏模板结构（Prompt 注入防护）；
4. 模板校验机制：启动 / 调用前校验模板内所有占位符是否都有入参，缺失直接抛参数异常，不送入 LLM。

4. 模板化带来的工程收益

• 可维护：所有业务规则一处修改，全服务生效；
• 可迭代：多套模板并存（标准版 / 高精度版 / 低成本版），快速切换对比效果；
• 可审计：模板变更留痕，定位输出异常不用翻业务代码；
• 可复用：抽取、总结、分类等通用模板跨模块复用。

三、第二部分：动态拼接上下文（核心工程难点）

动态上下文 = 所有运行时可变输入：用户实时提问、向量库召回知识库、多轮对话历史、业务标签、时间参数、用户权限等。 拼接核心目标：信息完整、长度可控、顺序规范、防污染、防超限截断。

1. 上下文组成标准拼接顺序（权重从低到高）

固定拼接顺序，保证 LLM 优先关注最新、最核心信息：

1. 静态 Prompt 模板（角色 / 规则，最高优先级，放最前）
2. 业务固定参数（用户等级、行业、时间范围）
3. 检索知识库片段（参考资料，历史静态数据）
4. 多轮对话历史（按时间从旧→新排序）
5. 当前用户最新提问（放在最后，LLM 重点处理）

2. 多轮对话历史动态拼接方案

格式统一规范（固定对话结构，避免混乱）

每条历史消息强制结构化：

【用户】：xxx 【助手】：xxx

示例拼接结果：

# 历史对话 【用户】：充电桩收费标准是什么？ 【助手】：峰时1.2元/度，谷时0.5元/度 【用户】：谷时时间段？ 【助手】：23:00-次日7:00 # 当前用户问题 【用户】：充电一小时多少钱？

超长上下文截断策略（Token 超限必做）

LLM 有输入 token 上限（如 GPT4 128k、通义千问 8k），动态拼接必须做窗口滑动：

1. 滑动窗口策略（主流）保留最新 N 轮对话，丢弃最久远历史；优先保留知识库内容，次要丢弃老旧对话。
2. 摘要压缩策略（长文档场景）知识库片段过多时，先调用小模型对召回文档做摘要，压缩 token 再拼接；
3. 优先级权重截断权重排序：当前提问 > 最新 3 轮对话 > 知识库 > 老旧历史，超限按权重从低到高删除。

代码层拼接流程示例（伪代码）

python

def build_prompt(query, history, knowledge_chunks, biz_params): # 1. 加载静态模板 template = EXTRACT_DATA_TEMPLATE # 2. 拼接知识库，统一分段 docs_text = "\n---\n".join([f"文档{i+1}：{chunk}" for i, chunk in enumerate(knowledge_chunks)]) # 3. 拼接对话历史 history_text = "" for msg in history[-5:]: # 滑动窗口只保留最近5轮 history_text += f"【用户】{msg.user}\n【助手】{msg.assistant}\n" # 4. 插值填充模板变量 prompt = template.replace("{{query}}", query)\ .replace("{{docs}}", docs_text)\ .replace("{{history_msg}}", history_text)\ .replace("{{biz_params}}", str(biz_params)) # 5. Token长度校验，超限自动截断知识库 if count_token(prompt) > MAX_INPUT_TOKEN: prompt = truncate_knowledge(prompt) return prompt

3. 知识库动态拼接避坑点

1. 文档分隔符统一：用---分割多份检索文本，让 LLM 区分不同资料来源；
2. 去重：召回知识库存在重复片段，拼接前做文本相似度去重，节省 token；
3. 边界隔离：知识库、历史、用户提问用明确标记隔离，防止 LLM 混淆输入和输出；
4. 禁止原始 HTML/Markdown 乱码直接拼接：提前清洗换行、特殊标签，减少无效 token。

4. 安全防护：防 Prompt 注入

用户输入、外部知识库文本可能包含{{、# 角色、输出不要JSON等篡改指令，破坏模板逻辑：

• 变量插值前转义特殊标记，将{{替换为\{\{；
• 模板固定规则放在最顶部，权重高于所有动态输入，用户无法覆盖角色约束；
• 增加校验：动态内容中出现 “忽略前面所有指令”“不要按照要求输出” 等注入关键词，直接拦截。

四、第三部分：输出格式约束 —— 固定 JSON 返回（工程落地核心）

自由文本输出会导致下游解析崩溃，工业级 LLM 系统必须强制结构化 JSON 返回，分三层约束：模板强指令 + Schema 约束 + 代码容错解析。

1. Prompt 内强制 JSON 约束写法（两种方案）

方案 1：简单固定 JSON 模板（字段少场景）

直接在模板末尾给出完整返回示例，明确必填 / 空值规则：

## 输出硬性要求 1. 禁止输出任何解释、思考、前言、markdown、多余文字，只能返回纯JSON； 2. 不存在的数据字段值填空字符串""，数字填0，数组为空[]； 3. JSON不能有注释、不能换行错乱，键名严格和下面一致； 返回示例： { "charge_price": "1.2", "valley_time": "23:00-7:00", "remark": "" }

方案 2：JSON Schema 标准约束（复杂业务推荐）

直接将 JSON Schema 写入 Prompt，标准化字段类型、枚举、必填项，LLM 遵守 Schema 生成结果，稳定性远高于简单示例。 模板示例片段：

# 输出JSON Schema规范，严格遵守，不允许新增字段、修改键名 { "$schema": "http://json-schema.org/draft-07/schema#", "type": "object", "required": ["name", "phone", "address"], "properties": { "name": {"type": "string", "description": "用户姓名，无则为空"}, "phone": {"type": "string"}, "age": {"type": "integer", "minimum": 0} } } 规则： 1. 所有required字段必须存在； 2. 类型严格匹配，age必须是数字，不能写字符串； 3. 禁止返回```json ```代码块标记，直接裸JSON。

2. 解决 LLM 不遵守 JSON 的常见问题

即使加约束，模型仍可能输出 markdown 代码块、额外说明、残缺 JSON，多层兜底方案：

兜底 1：代码预处理清洗（通用）

python

def clean_llm_output(raw_text): # 移除 ```json 、``` 代码块标记 raw_text = re.sub(r"```(json)?", "", raw_text) # 去除首尾多余文字，只截取第一个{到最后一个}之间内容 start = raw_text.find("{") end = raw_text.rfind("}") if start == -1 or end == -1: return None json_str = raw_text[start:end+1] # 处理换行、制表符、中文空格 json_str = json_str.replace("\n", "").replace("\t", "").strip() return json_str

兜底 2：异常重传机制

JSON 解析失败时，构造纠错二次 Prompt，重新调用模型：

上一轮输出不符合JSON规范，报错：xxx 严格按照Schema重新生成纯JSON，不要任何多余文字。

兜底 3：工具层强制校验（JSON Schema 校验）

清洗完成后，用 jsonschema 库校验结构、字段类型、必填项，校验不通过直接触发重试或返回业务错误码。

3. 业务异常统一 JSON 规范

需要统一错误返回结构，避免模型随机返回空 / 乱码： 在模板中明确无数据、无法回答的标准返回：

当参考材料无对应信息、无法回答用户问题时，固定返回： {"code": 1001, "msg": "暂无相关资料", "data": {}} 正常返回code=0，data存放业务数据

4. JSON 约束工程收益

1. 下游解析标准化：统一用 JSON 库解析，无需复杂正则，减少线上 50% 以上解析异常；
2. 结构化数据便于入库：直接映射数据库实体 / DTO，无需手动文本提取；
3. 监控告警简单：JSON 字段缺失、类型错误可自动化埋点统计，快速定位 Prompt 缺陷；
4. 多模型兼容：切换通义、文心、GPT 等模型，下游解析代码无需改动。

五、完整端到端工程示例（Python 可运行简化版）

1. 统一 Prompt 模板

python

KNOWLEDGE_QA_TEMPLATE = """ # 角色 你是充电桩智能客服，仅依据提供的参考文档回答用户问题，严禁编造信息。 # 全局约束 1. 回答简洁，不输出冗余描述；无相关信息直接返回空数据； 2. 输出只能是纯JSON，禁止注释、代码块、额外文字； # 参考文档 {{knowledge}} # 历史对话 {{history}} # 用户当前问题 {{query}} # 强制输出JSON Schema { "type": "object", "required": ["code", "answer", "source"], "properties": { "code": {"type": "integer", "description": "0正常，1001无资料"}, "answer": {"type": "string", "description": "回答内容"}, "source": {"type": "array", "description": "引用文档编号，无则空数组"} } } 无资料标准返回：{"code":1001,"answer":"暂无相关充电规则","source":[]} """

2. 动态上下文拼接函数

python

import re import json def build_full_prompt(user_query, history_msg_list, recall_docs): # 1. 拼接知识库 doc_text = "" for idx, doc in enumerate(recall_docs): doc_text += f"文档{idx+1}：{doc}\n---\n" # 2. 拼接对话历史，滑动窗口保留最近3轮 history_text = "" for item in history_msg_list[-3:]: history_text += f"【用户】{item['user']}\n【客服】{item['assistant']}\n" # 3. 插值填充模板 prompt = KNOWLEDGE_QA_TEMPLATE prompt = prompt.replace("{{knowledge}}", doc_text) prompt = prompt.replace("{{history}}", history_text) prompt = prompt.replace("{{query}}", user_query) return prompt

3. JSON 清洗 + 解析工具

python

def parse_json_output(raw_resp): # 清洗代码块标记 clean_str = re.sub(r"```.*?```", "", raw_resp, flags=re.S) left = clean_str.find("{") right = clean_str.rfind("}") if left < 0 or right < 0: return None json_str = clean_str[left:right+1] try: data = json.loads(json_str) # 基础字段校验 assert "code" in data and "answer" in data and "source" in data return data except Exception: return None

4. 调用主流程

python

# 输入上下文 query = "谷时充电多少钱一小时" history = [{"user":"峰时电价","assistant":"1.2元/度"}] docs = ["谷时电价0.5元/度，时段23:00-7:00，1小时充电约5元"] # 1. 拼接完整Prompt full_prompt = build_full_prompt(query, history, docs) # 2. 调用LLM（模拟返回） llm_raw = '根据文档，谷时充电一小时约5元\n{"code":0,"answer":"谷时充电一小时约5元","source":["文档1"]}' # 3. 清洗解析 result = parse_json_output(llm_raw) print(result)

六、线上生产环境落地优化要点

1. 模板版本管理：每套模板记录 version，日志打印使用的模板版本，便于回溯 bad case；
2. Token 监控埋点：统计每次拼接后输入 token 长度，监控截断频率，优化知识库召回数量；
3. JSON 解析失败告警：接入监控系统，解析失败次数突增自动告警，大概率是模板约束失效；
4. 多模板灰度：同一业务配置两套模板，按用户流量灰度下发，对比 JSON 准确率；
5. 缓存优化：固定业务参数、静态知识库摘要可缓存，减少重复拼接计算；
6. 限流与重试：JSON 解析失败重试 1 次，避免无限循环调用 LLM 浪费成本。

七、三大技术组合核心价值总结

1. 模板化 Prompt：统一管控业务规则，消除硬编码，支持热更新、可维护；
2. 动态上下文拼接：标准化多源信息整合，滑动窗口控制 token，防注入、防超限；
3. JSON 格式强约束：输出结构化、下游解析零复杂逻辑，线上异常大幅降低，适配自动化数据处理。

三者结合是企业 LLM 系统标准化、工业化落地的标配架构，几乎所有知识库问答、抽取、自动化业务系统都会采用这套方案。