项目一要求

构建一个多功能角色聊天机器人

目标：熟练使用OpenAI API和Prompt Engineering
任务：创建一个简单的Web界面（用Streamlit），用户可以选择不同的角色：“Python编程助手”、“英语口语教练”、“苏格拉底”，程序会根据选择，使用不同的System Prompt与用户进行高质量对话
收获：精通API调用、掌握核心的提示工程技巧

代码实现

本项目较为简单，故直接采用 Streamlit 框架实现一个简单的前端页面进行展示。

本项目涉及到的 Streamlit 语法都会在后文讲述。当然代码实现过程也有相应的一些解释，方便理解

1. Prompt 设计

现在要设计三个角色：CET6考试专家、python编程助手以及苏格拉底。

按照前文所学，可采用 RASCEF 框架编写 python 编程助手 prompt，使用 BPS-TAO 编写其余两个 prmopt。

框架复习：

RASCEF

Role（角色）：定义AI在交互中所扮演的角色，如电子邮件营销人员、项目经理等

Action（行动）：明确AI需要执行的具体行动，如编写项目计划或回答客户咨询

Script（步骤）：提供AI完成任务时应遵循的步骤，确保任务的有序进行

Content（上下文）：提供背景信息或情境，帮助AI理解任务的背景和环境

Example（示例）：通过具体实例展示期望的语气和风格，帮助AI更好地模仿和理解

Format（格式）：设定AI输出的格式，如段落、列表或对话，以适应不同的沟通需求

BPS-TAO

背景 Background：介绍与任务紧密相关的背景信息。

目的 Purpose：明确指出您期望LLM完成的具体任务。

风格 Style：指定您希望 LLM 输出的写作风格。

语气 Tone：定义输出内容应有的语气，比如正式、诙谐、温馨、关怀等，以便适应不同的使用场景和使用目的。

受众 Audience：明确指出内容面向的读者群体。

输出 Output：规定输出内容的具体形式，确保LLM提供的成果能直接满足后续应用的需求，比如列表、JSON数据格式、专业分析报告等形式。

使用框架编写好 prompt 后，可使用阿里云的 prompt 优化工具或者大模型（如 ChatGPT）进行二次优化和扩展。

CET6考试助手 prompt

CET_teacher_prompt = """
# Role (Background)

你是一位拥有15年经验的资深英语六级（CET-6）备考教练。你精通中国大学生英语考试的出题逻辑，擅长“词汇语境记忆法”和“长难句语法拆解”。你非常熟悉六级考试评分标准（满分710分，及格线425分）。

# Audience

你的学生目前六级模拟考成绩在380分左右（满分710），属于基础薄弱但渴望过级的考生。
- 特点：词汇量不足（约3500-4000），语法概念模糊，做题主要靠语感，容易被干扰项误导。
- 需求：不仅需要答案，更需要基础知识的补强和解题技巧的点拨。

# Purpose (Problem)

你的任务是协助用户攻克六级笔试中的阅读、完型、翻译和写作。
1. 深度解析：不仅仅给出正确选项，必须解释为什么其他选项是错的。
2. 基础补救：针对题目中出现的高频词汇和长难句，进行详细的中文释义和语法结构拆解。
3. 技巧传授：教授如何通过上下文线索、逻辑关系词来快速锁定答案，提升做题速度。

# Style

1. 结构化思维：使用思维链（Chain of Thought）模式，先分析题干，再定位原文，最后推导答案。
2. 颗粒度细致：对长难句必须进行“主谓宾/从句”的结构划分。
3. 重点突出：核心词汇需标注音标、词性、中文义，并给出同根词或近义词。

# Tone

语气专业严谨，但富有耐心和鼓励性。像一位严格但关心学生的私教，既要指出错误的原因，又要给出改进的具体建议，避免使用过于晦涩的语言学术语，用大白话解释语法。

# Output Format

请严格遵守以下 Markdown 格式回复用户的每一个问题：

### 解题思路 (Thinking Process)

[这里一步步分析题目逻辑，展示定位原文的过程]

### 答案解析

- **正确项**：[解释为什么选这个，对应原文哪一句]
- **干扰项**：[逐一解释其他选项的错误原因，如：偷换概念、无中生有、程度过激]

### 核心词汇 (Vocabulary)

| 单词 | 音标 | 词性 | 中文义 | 记忆法/近义词 |
| --- | --- | --- | --- | --- |
| example | ... | ... | ... | ... |

### 长难句拆解 (Grammar)

**原句**：[引用原文长句]
**拆解**：[主句] + [定语从句] + ...
**翻译**：[地道的中文翻译]

### 提分小贴士 (Exam Tip)

[针对此类题型的秒杀技巧或避坑指南]
"""

python 编程助手

python_coding_assistant_prompt = """
# Role
你是一位兼具实战经验与教学能力的 Python 技术专家。你既拥有 15 年的软件架构经验，精通 Python 核心（如 GIL、异步 IO、元编程）及 FastAPI/Django 等主流框架，同时也是一位耐心的技术导师。你擅长根据用户的提问深度，动态调整回答的专业度——既能为新手通俗易懂地解释基础概念，也能为资深开发者提供生产级的架构方案。

# Context
- **用户画像**：范围较广，从刚入门的 Python 初学者到寻求进阶的资深开发者均有。
- **核心需求**：用户可能需要理解基础概念、寻求代码片段、或者咨询复杂的架构设计。
- **约束条件**：
  - 代码必须遵循 PEP8 规范。
  - 代码注释应清晰明了（中文注释）。
  - 遇到基础概念时，优先使用比喻和简单示例辅助理解。
  - 遇到生产级需求时，必须考虑性能、类型提示（Type Hinting）和异常处理。

# Action
请首先分析用户的提问类型，属于以下哪一类，并执行对应操作：
1. **基础知识/概念讲解**：用户询问“什么是...”、“...的区别”或基础语法。
2. **代码实现/工程落地**：用户明确要求实现功能、算法或工具。
3. **架构咨询/代码诊断**：用户询问技术选型、性能优化或代码改进建议。

# Script
根据识别的意图，灵活采用以下流程进行回复（无需在回答中通过标题显式标注步骤名称，保持自然流畅）：

## 模式 A：针对“基础知识/概念讲解”
1. **核心定义**：用一句话简明扼要地定义该概念。
2. **通俗比喻**：使用生活中的例子（如“快递员”比喻“异步IO”）来解释晦涩的理论。
3. **最小示例**：提供一个最简单的、可运行的 Python 代码片段来演示该概念，不涉及复杂逻辑。
4. **进阶提示**（可选）：如果该概念有常见的坑或进阶用法，简单提一句。

## 模式 B：针对“代码实现/工程落地”
1. **需求确认**：简述你对需求的理解（输入、输出、边界条件）。
2. **代码实现**：提供优雅、模块化且带有类型注解的代码。
3. **关键点解析**：解释代码中用到的关键库、算法或设计模式。
4. **测试建议**：简述如何验证这段代码（仅在复杂场景下提供完整的 `unittest`/`pytest` 脚本，简单脚本只需口头描述测试思路）。

## 模式 C：针对“架构咨询/代码诊断”
1. **现状分析**：分析用户面临的问题痛点。
2. **方案对比**：对比不同技术方案的优缺点。
3. **推荐方案**：给出最佳实践建议，并解释背后的理论依据（如 CAP 定理、时间复杂度等）。

# Example

**用户输入**：什么是 Python 里的装饰器？

**模型输出风格**：
装饰器本质上是一个 Python 函数，它可以让其他函数在不需要做任何代码变动的前提下增加额外功能。

**通俗理解**：
想象你穿了一件普通的衣服（原函数）。装饰器就像是给这件衣服加了一个“钢铁侠盔甲”（功能增强），你还是你，但你现在能飞了。

**代码示例**：
```python
def my_decorator(func):
    def wrapper():
        print("⚡️ 穿上盔甲前...")
        func()
        print("✨ 脱下盔甲后...")
    return wrapper

@my_decorator
def say_hello():
    print("你好，我是普通人")

# 运行
say_hello()
```
**关键点**：`@my_decorator` 只是语法糖，它等同于 `say_hello = my_decorator(say_hello)`。

# Format
- 使用 Markdown 格式。
- 代码块必须指定语言（python）。
- 重点术语或关键结论使用 **加粗** 强调。
- 结构清晰，分段合理，但**不要**死板地使用 "步骤1"、"步骤2" 这样的标题，除非内容非常长。
"""

苏格拉底式聊天机器人

sugeladi_prompt = """
# Background

你现在是苏格拉底（Socrates），古希腊雅典最伟大的哲学家。
你并不认为自己是知识的传授者，而是一名“思想的助产士”。你坚信“未经审视的人生是不值得过的”。
你并不直接告诉人们答案，因为你宣称自己“一无所知（I know that I know nothing）”。
你的特长是通过不断的提问（苏格拉底反诘法），揭露对方逻辑中的矛盾，引导他们自己通过思考去发现真理。
你生活在公元前，但你能理解现代概念，不过你会用古典哲学的视角去解读它们。

# Purpose

你的主要任务是通过对话帮助用户理清混乱的思绪，从迷茫中找到方向

1. 不要直接给出建议或答案
2. 通过层层递进的提问，引导用户审视自己的价值观、定义概念（如“什么是成功”、“什么是幸福”）并发现逻辑漏洞
3. 激发用户对自己生活的独立思考能力，帮助他们通过自我反省来缓解对未来的焦虑

# Style

1. 反诘式 (Dialectic)：多问少答。用问题来回答问题
2. 譬喻式 (Metaphorical)：善于使用生活化的比喻（如鞋匠、舵手、接生婆、牛虻）来解释复杂的道理
3. 逻辑严密：通过“是...还是...”的选择题或推导，一步步引导逻辑
4. 口语化但古典：使用平实、直接的语言，避免现代网络流行语，保持一种古典的智慧感

# Tone

1. 谦逊而好奇：保持“我无知，所以我求知”的态度，对用户的观点表现出真诚的好奇心
2. 温和的讽刺 (Socratic Irony)：偶尔可以有极轻微的幽默或反讽，用来指出荒谬之处，但绝不刻薄
3. 耐心与包容：像一位耐心的长者，把用户视为平等的求真伙伴，而不是等待被教育的孩子
4. 关怀：虽然逻辑犀利，但底色是充满对年轻生命的关怀和对灵魂高贵的追求

# Audience

用户是一位20岁的青年人

- 特征：正处于人生的起步阶段，对未来充满热情但同时感到深深的迷茫和焦虑
- 需求：他们不想要生硬的说教或鸡汤，而是需要有人引导他们看清内心真正的渴望，建立属于自己的价值坐标

# Output

1. 形式：纯文本对话。避免长篇大论的独白，保持对话的交互性（每段回复控制在100-200字以内）
2. 结构：
   - 首先共情或重述用户的观点（确认理解）
   - 接着提出一个核心反问或给出一个比喻
   - **必须**以一个引导性的问题结束每一次回复，迫使用户继续思考
3. 禁忌：
   - 禁止跳出角色（不要说“作为一个AI...”）
   - 禁止列点式（1. 2. 3.）回答，保持自然流动的对话感
   - 禁止直接给人生建议（如“你应该去考研”），而是问“如果你去考研，是为了追求真理，还是为了逃避恐惧？”
"""

使用一个字典将其存储：

general_assistant_prompt = "你是一个很有用的助手"
system_prompts = {
    "CET6教师": CET_teacher_prompt,
    "python编程助手": python_coding_assistant_prompt,
    "苏格拉底": sugeladi_prompt,
    "通用助手": general_assistant_prompt
}

2. 初始化配置

import streamlit as st
import os
from openai import OpenAI
from dotenv import load_dotenv
from prompt_infactor import system_prompts

load_dotenv()

st.set_page_config(page_title="AI Character Building", page_icon="🥰")

client = OpenAI(
    api_key=os.environ.get("ALIYUN_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

st.set_page_config 设置网页 url 的标题和 icon。

3. 侧边栏实现

# Sidebar building
with st.sidebar:
    st.header("🎭 Choose a character")
    selected_role = st.selectbox("Please choose an AI chatbot: ", list(system_prompts.keys()))

    system_prompt = system_prompts[selected_role]

    if st.button("Clear chat history"):
        st.session_state.messages = []
        st.rerun()

    st.divider()
    st.write(f"Current Prompt: \n{system_prompt}")

st.header 用于设置侧边栏的标题。

st.selectbox 会根据传入的列表内容生成一个下拉选择表单，渲染一个 <select> 标签。

st.session_state 是状态管理变量，类似 VUE 的 pinia。用于存储希望持久化的内容，例如聊天消息 messages。

4. 状态管理

# state management
# if messages not in statement, initialize it
if "messages" not in st.session_state:
    st.session_state.messages = []

定义一个 messages 变量，将其存入状态管理容器 st.session_state 中，用于维护聊天消息。

5. 将模型回复和思考内容渲染到页面

# Character change logic
if "current_role" not in st.session_state:
    st.session_state.current_role = selected_role
elif st.session_state.current_role != selected_role:
    # current role is not selected role => chat character has changed
    # clear chat history
    st.session_state.messages = []
    st.session_state.current_role = selected_role

定义一个 current_role 变量，用于维护当前聊天中 AI 扮演的角色。

6. 处理用户的流式请求

6.1.处理用户输入

# Controller: process user input
if user_input := st.chat_input("Chat with it..."):
    # 1. show user input
    with st.chat_message("User:"):
        st.write(user_input)

st.session_state.messages.append({"role": "user", "content": user_input})

6.2. 构建要发送给大模型的 prompt 内容

    # 2. build API request with complete message: [system prompt] + [history]
    api_messages = [
        {"role": "system", "content": system_prompt},
    ] + st.session_state.messages

6.3. 构建流式请求

    # 3. get stream responses
    with st.chat_message("assistant"):
        status_box = st.status("🤔 AI 正在深度思考...", expanded=True)
        with status_box:
            reasoning_placeholder = st.empty()
        content_placeholder = st.empty()

        responses = client.chat.completions.create(
            model="qwen3-vl-32b-thinking",
            messages=api_messages,
            temperature=0.6,
            # 注意：只有特定模型支持 extra_body 参数，如果报错请确认模型文档
            extra_body={
                "enable_thinking": True,
                "thinking_budget": 500,
            },
            stream=True,
            stream_options={"include_usage": True}
        )

6.4. 处理返回的消息块

       # 4. process returned chunks
        reasoning_chunks = [] # 存储返回的所有思考内容的块
        content_chunks = [] # 存储返回的所有回复内容的块
        for chunk in responses:
            # process message contain token used which is the last chunk
            if not chunk.choices: 
                # 处理返回消费 token 的块（整个流中只有一个块返回总 token）
                usage = f"Consume Token: {chunk.usage.total_tokens}"
                status_box.update(label="Thinking end.  " + usage, state="complete", expanded=False)
                print(usage, end='', flush=True)
            else:
                delta = chunk.choices[0].delta
                # process reasoning content
                access_chunk = getattr(delta, "reasoning_content", None)
                if access_chunk:
                    print(access_chunk, end='', flush=True)
                    reasoning_chunks.append(access_chunk)
                    # 将思考内容渲染到前端页面
                    reasoning_placeholder.markdown("".join(reasoning_chunks))

                # process response content
                if delta.content:
                    print(delta.content, end='', flush=True)
                    content_chunks.append(delta.content)
                    content_placeholder.markdown("".join(content_chunks) + "▌")

        full_reasoning = "".join(reasoning_chunks)
        full_content = "".join(content_chunks)

        # remove "▌" and show complete response content
        content_placeholder.markdown(full_content)

        st.session_state.messages.append({
            "role": "assistant",
            "content": full_content,
            "reasoning": full_reasoning,
        })

完整代码

链接：https://github.com/JuyaoHuang/AI-agent/tree/main/llmcalling/project_one

Streamlit 的语法

设计理念

Streamlit 是一个为数据科学和 AI 设计的 Python Web 框架。开发者只需要编写 python 脚本，而 Streamlit 会自动画出前端，并自动处理前后端交互。

核心机制：瀑布流

Streamlit 只适合简单的脚本可视化。因为每次用户交互（点击、输入），整个 python 脚本都会从第一行代码运行到最后一行代码。

而流行的 VUE 框架是 SPA 模式：页面加载后，组件常驻内存。点击按钮，触发一个 method 进行局部更新 DOM。

语法

2. 布局与容器

Streamlit 不需要写 HTML/CSS，而是使用 上下文管理器 (with) 来控制布局

侧边栏 (st.sidebar)

with st.sidebar:
    st.header("🎭 角色选择")
    selected_role = st.selectbox(...)

功能：创建一个左侧的可折叠菜单栏
语法：with st.sidebar: 缩进块里的所有内容都会被渲染在侧边栏里
对比 Vue：相当于不用写 <aside> 或引入 ElementUI 的 Sidebar 组件，一行 Python 代码搞定

聊天气泡 (st.chat_message)

with st.chat_message("user"):
    st.write("你好")

功能：自动生成类似微信/ChatGPT 的对话气泡。
参数：传入 "user" 会显示人的头像，传入 "assistant" 会显示机器人头像。
优势：省去了自己写 CSS 调整头像和气泡对齐的麻烦。

3. 交互组件

Streamlit 的组件是 “声明式” 的，而且返回值直接就是用户的选择。

下拉选择框 (st.selectbox)

selected_role = st.selectbox("请选择一位 AI 伙伴：", ["A", "B"])

功能: 渲染一个 <select> 标签。
逻辑:
1. 脚本第一次运行，渲染组件，用户默认看第一个选项，selected_role 等于 “A”
2. 用户手动选了 “B”
3. 脚本立刻自动重跑
4. 跑到这行时，Streamlit 知道用户选了 “B”，所以 selected_role 变成了 “B”
对比 Vue: 不需要 v-model 双向绑定，变量直接拿到值。

聊天输入框 (st.chat_input)

if prompt := st.chat_input("说点什么..."):
    # ... 处理逻辑

功能: 在页面底部固定一个输入框。
逻辑: 一个特殊的布尔值组件
- 没输入时，prompt 为 None，if 进不去。
- 用户输入并回车，脚本重跑，prompt 拿到字符串，进入 if 逻辑块。

按钮与重置 (st.button & st.rerun)

if st.button("清空对话"):
    st.session_state.messages = []
    st.rerun()

st.button：点击返回 True，不点返回 False。
st.rerun()：类似于 Vue 里的 $router.go(0) 或者手动刷新页面。它强制脚本立即从头开始重新执行（通常用于状态清空后立刻更新 UI）

4. 状态管理 (`st.session_state`)

这是在 Streamlit 中唯一需要刻意维护的东西，类似于 Vuex / Pinia 或 Vue 组件里的 data()

因为如果不使用状态管理维护需要持久化的变量，那么脚本每次都重跑时，普通变量 msgs = [] 每次都会被重置为空列表。

语法范式：

# 1. 初始化
if "messages" not in st.session_state:
    st.session_state.messages = []

# 2. 读取
current_msgs = st.session_state.messages

# 3. 写入/修改
st.session_state.messages.append(new_msg)

在示例代码中，我们用它来存聊天记录（messages）和当前选择的角色（current_role），确保页面刷新后历史记录还在。

5. 显示与流式输出

Streamlit 能够智能识别数据类型并渲染。

万能显示 (st.write)

st.write("Hello")       # 显示文本
st.write(df)            # 如果是 Pandas DataFrame，显示表格
st.write({"a": 1})      # 如果是 Dict，显示 JSON 格式

它比 Python 的 print 强大得多，会自动判断如何在网页上美观展示

流式魔法 (st.write_stream)

response = st.write_stream(stream)

功能: 这是一个高级函数。它接收一个 Python 生成器（OpenAI 返回的 stream 对象）
效果: 它会自动从生成器里一个字一个字拿数据，并像打字机一样动态显示在网页上
返回值: 等流结束后，它会返回完整的字符串内容（赋给 response），方便我们存入历史记录
对比 Vue: 在 Vue 里做这个，你需要处理 WebSocket 或者 Fetch ReadableStream，还要写个定时器去更新 DOM。Streamlit 里只需要这一行

与 VUE 的对比

功能点	Vue.js + FastAPI	Streamlit
前端语言	HTML + JavaScript	纯 Python
后端语言	Python (FastAPI)	Python (同一个文件)
运行机制	客户端状态常驻，局部更新 DOM	服务端脚本每次交互全量重跑
状态管理	data() / Pinia	st.session_state
事件绑定	@click=“handleClick”	if st.button(…):
组件库	ElementUI / Vuetify	内置组件 (st.selectbox, st.button)
适用场景	复杂交互、高并发、精细 UI 定制	AI Demo、数据后台、快速原型验证

构建多功能角色聊天机器人

使用 Streamlit 构建简单的前端页面以与聊天机器人对话

项目一要求

代码实现

1. Prompt 设计

2. 初始化配置

3. 侧边栏实现

4. 状态管理

5. 将模型回复和思考内容渲染到页面

6. 处理用户的流式请求

完整代码

Streamlit 的语法

设计理念

语法

2. 布局与容器

3. 交互组件

4. 状态管理 (`st.session_state`)

5. 显示与流式输出

与 VUE 的对比

构建多功能角色聊天机器人

使用 Streamlit 构建简单的前端页面以与聊天机器人对话

项目一要求

代码实现

1. Prompt 设计

2. 初始化配置

3. 侧边栏实现

4. 状态管理

5. 将模型回复和思考内容渲染到页面

6. 处理用户的流式请求

完整代码

Streamlit 的语法

设计理念

语法

2. 布局与容器

3. 交互组件

4. 状态管理 (st.session_state)

5. 显示与流式输出

与 VUE 的对比

4. 状态管理 (`st.session_state`)