上海创智学院｜“走进

类型

实践

状态

已完成

开始日期

Jul 21, 2025

结束日期

Jul 25, 2025

参与角色

核心成员

指导教师

王教授

详细描述

关键词

大语言模型

推荐算法

智能体搭建

提示词工程优化（推荐系统场景）

Prompt-Enginneer-on-Recommend-System

Yuyang-Yao75 • Updated Aug 23, 2025

设计 5 轮迭代 Prompt（思维链、多维回忆、长期/短期偏好建模），在电影推荐系统重排任务上，NDCG@10从47提升至0.69，提升约47%。

在上海创智学院的提示词工程考核项目中，我围绕一个电影推荐重排任务，系统实践了「如何用大语言模型 + Prompt Engineering 替代部分传统推荐系统的特征工程」。

具体任务：给定用户按时间排序的观影历史，以及一组候选电影，让大模型输出一份按相关度排序的电影列表，并用 NDCG@10 对结果进行评价。

在这个项目里，我把提示词工程当成一种「对模型进行程序设计」的过程，而不是仅仅堆砌花哨的指令。整个过程经历了多轮迭代：

起始版本（v1）只是直接让模型对候选电影排序，表现较为一般（NDCG@10 ≈ 0.47），暴露出模型对用户偏好建模不足的问题。GitHub

在 v3 版本中，我有意识地引入了思维链（Chain-of-Thought）结构：先让模型回顾用户的观影历史，再按类型/主题/导演等维度总结偏好，最后才对候选电影打分排序。这一步的核心认知是——大模型需要被「引导」去显式思考，而不是直接给结果。

v4 进一步加入了「多维回忆」和示例（In-Context Learning）：提示模型同时从题材、情感、年代、节奏等多个维度去寻找相似性，并给出少量示例，让模型对「什么是好推荐」形成更稳定的内部标准。GitHub

最终的 v5 版本引入了「长期偏好 vs. 短期偏好」的双层建模：先总结用户的「老口味」（长期稳定偏好），再观察最近几部电影中的「新口味」（阶段性兴趣偏移），对候选电影分别给出两个分数，并以加权方式融合。这实际上是在用 Prompt 去模拟传统推荐系统中「兴趣演化」和「短期 Session 推荐」的思想。GitHub

在 DeepSeek-V3 上，对 200 条验证样本进行评估，NDCG@10 从 v1 的 0.47 提升到了 v5 的 0.69，整体提升约 47%，推荐结果与真实观影行为的一致性显著增强。

这次实践让我对「提示词工程」有了更深一层的理解：

好的 Prompt 本质上是一段「可读的伪代码」——它需要有清晰的步骤和中间变量，而不是一条长句子；

推荐问题尤其适合用「思维链 + 偏好建模」方式设计 Prompt，因为用户兴趣本身就是一条时间序列；

在一些对延迟敏感但结构清晰的任务（如重排），通过提示词设计让通用大模型完成特定任务，确实可以在不额外训练模型的前提下拿到不错的效果。这个项目也成为我后续思考「LLM 与传统推荐系统如何融合」的一个起点。

💡

人生模拟器 Agent（Dify + RAG）：

基于 Dify 平台构建交互式人生职业选择模拟器，结合知识检索与动态用户画像，显著增强AI Agent的交互性与现实感

智能体搭建使用实录。_哔哩哔哩_bilibili

-, 视频播放量 19、弹幕量 0、点赞数 0、投硬币枚数 0、收藏人数 0、转发人数 3, 视频作者 partygogo, 作者简介爱秋天，相关视频：AIBI，你怎么还尿床？AIBI机器人，【2025版扣子实战教学】coze智能体工作流一键生成爆款历史人物独白视频，保姆级教学|AI视频制作教程_AI创作_AI短片_AI绘画_AIGC人工智能，当人工智能遇到了魔方…，穷孩子生日收到残次品智能机器人，没想到是最厉害的，小鹏真假机器人，你这次玩的有点大，这种人脸识别该怎么办，求求了，44个作品涨粉10.8万爆款宫崎骏治愈系动画用coze智能体工作流一键生成，保姆级教学—AI视频制作教程_AI创作_AI短片_AI绘画，未来已来｜AI手机机器人也太懂我了吧❗️ 盼星星盼月亮在国外火爆的ai桌面机器人Looi.....，聪明搞笑的智能机器人，也太会整活了吧哈哈哈，智能体的六种设计模式:ReAct Agent

在人生职业选择模拟器项目中，我尝试用 Dify Agent + RAG 搭建一个「人生走向沙盒」：用户可以在对话中做出类似高考志愿、读研/工作选择、行业切换等关键决策，Agent 则结合 2000–2025 年的宏观大事件和职业环境变化，给出更贴近现实的反馈和走向。

在内容组织上，我没有简单按年份「列年表」，而是设计了一个分层梳理框架：

时间主线：以 2000–2025 按年代划分为若干阶段（例如「互联网普及期」「全球化与金融危机」「移动互联网与平台经济」「疫情冲击与远程协作」「AI 大模型与新一轮生产力革命」），每个阶段对应劳动力市场和职业机会的显著变化；

主题维度：在每个阶段下，从「科技与产业」「宏观经济与政策」「教育与就业结构」「社会心理与代际观念」四个维度筛选代表性事件，例如互联网泡沫破裂、2008 金融危机、移动互联网普及、疫情引发的远程工作、AI 大模型浪潮带来的岗位重构等；

职业坐标系：将典型职业路径映射到「稳定性—成长性」「专业门槛—可迁移性」两个坐标轴上，让 Agent 能够根据用户的选择与性格偏好，给出相对有「时代感」的情境反馈，而不是抽象的鸡汤式建议。

在实现上，我先利用 Dify 的可视化流程搭好了一个可用的原型：包括基础对话 Agent、RAG 检索知识库和简易的用户画像更新逻辑。这个过程让我意识到：

Dify 非常适合快速搭出 MVP：可以在几乎不写代码的情况下完成数据接入、RAG、对话流转等基础功能，对验证一个想法非常友好；

但当我希望引入更复杂的状态管理、决策逻辑（比如长期职业轨迹模拟、多轮决策树、个性化评分函数）时，Dify 的「无代码」方式会逐渐显得不够灵活——很多地方不得不「绕着界面设计」，而不是从问题出发去设计架构，这让我真正体会到「原型宜低门槛，产品宜代码化」这句话的含义。

因此在项目后期，我一边用 Dify 版本对外展示，一边开始思考如果用 API + 代码重构这个系统，应该如何拆分模块：

将「时代事件知识库」独立为 RAG 层；

将「职业路径与状态更新」抽象成一个小型环境（类似 RL 里的环境/状态转移）；

将「对话与解释」交给大模型，通过 Prompt 把底层决策逻辑解释成用户易懂的话语。

这个项目给我的最大收获有两点：

把自己的人生问题产品化/模型化之后，很多模糊的焦虑会变成可以讨论的假设与参数——比如对「稳定 vs 成长」「专业 vs 通用」的偏好，其实是可以在系统中被显式建模的；

从工程角度，我第一次比较系统地体会到「低代码工具」与「代码化开发」的边界：前者适合快速出 Demo、探索交互形态，后者才是长期演化与复杂逻辑的承载。这一点会影响我之后在做任何 Agent/应用时，如何规划「验证—重构—扩展」的路线。