实用示例

本文档提供了 13 个精心设计的实用示例，涵盖从基础到高级的各种应用场景。每个示例都包含完整的代码和详细说明，你可以直接复制使用，或根据自己的需求进行修改。

示例导航

文本处理 (示例 1-3)：

• 翻译、摘要、情感分析

内容生成 (示例 4-6)：

• 邮件撰写、文章大纲、代码生成

数据处理 (示例 7-8)：

• 信息提取、数据清洗

问答系统 (示例 9-10)：

• FAQ 问答、多轮对话

高级应用 (示例 11-13)：

• 思维链推理、少样本学习、复杂分析

如何使用这些示例

1. 复制示例代码：将 prompty 文件和数据文件保存到本地
2. 配置连接：确保已运行 uf init 初始化配置
3. 修改 API Key：在配置文件中设置你的 API Key
4. 运行测试：使用 uf run 命令或 Python API 运行示例
5. 根据需求调整：修改模板内容、参数设置，适配你的场景

文本处理示例

1. 文本翻译

创建一个英译中的翻译流程：

translate_en_zh.prompty:

---
name: 英文翻译中文
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.3
    max_tokens: 4096
inputs:
  text:
    type: string
---
system:
你是一个专业的翻译助手，擅长将英文准确地翻译成中文，保持原文的语气和风格。

user:
请将以下英文文本翻译成中文：

{{ text }}

test_data.json:

[
  {
    "text": "Hello, how are you today?"
  },
  {
    "text": "Machine learning is a subset of artificial intelligence."
  },
  {
    "text": "The quick brown fox jumps over the lazy dog."
  }
]

运行：

uf run translate_en_zh

2. 文本摘要

创建文本摘要流程：

summarize.prompty:

---
name: 文本摘要
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.5
    max_tokens: 500
inputs:
  text:
    type: string
  max_words:
    type: number
---
system:
你是一个专业的文本摘要助手，能够提炼文章的核心要点。

user:
请将以下文本概括为不超过 {{ max_words }} 字的摘要：

{{ text }}

Python 调用：

from ultraflow import Prompty

flow = Prompty.load('summarize.prompty')
result = flow(
    text="这是一篇很长的文章...",
    max_words=100
)
print(result)

3. 情感分析

创建情感分析流程，输出 JSON 格式：

sentiment_analysis.prompty:

---
name: 情感分析
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.0
    max_tokens: 200
    response_format:
      type: json_object
inputs:
  text:
    type: string
---
system:
你是一个情感分析专家，需要分析文本的情感倾向。

## 输出准则

以 JSON 格式输出如下字段：
- `sentiment`: str，情感分类 (positive/negative/neutral)
- `confidence`: float，置信度 (0-1)
- `reason`: str，判断理由

user:
请分析以下文本的情感：

{{ text }}

批量处理：

from ultraflow import FlowProcessor, Prompty

flow = Prompty.load('sentiment_analysis.prompty')
processor = FlowProcessor(
    flow=flow,
    data_path='reviews.json',
    max_workers=5
)

results = processor.run()

# 统计结果
sentiments = [r['sentiment'] for r in results]
positive_count = sentiments.count('positive')
negative_count = sentiments.count('negative')
neutral_count = sentiments.count('neutral')

print(f"正面： {positive_count}")
print(f"负面： {negative_count}")
print(f"中性： {neutral_count}")

内容生成示例

4. 邮件生成

email_generator.prompty:

---
name: 邮件生成器
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.7
    max_tokens: 1000
inputs:
  recipient:
    type: string
  subject:
    type: string
  key_points:
    type: string
  tone:
    type: string
---
system:
你是一个专业的邮件撰写助手，能够根据要求撰写得体的商务邮件。

user:
请帮我撰写一封邮件：

**收件人：** {{ recipient }}
**主题：** {{ subject }}
**内容要点：** {{ key_points }}
**语气：** {{ tone }}

请生成完整的邮件内容，包括称呼、正文和结尾。

5. 文章大纲生成

outline_generator.prompty:

---
name: 文章大纲生成
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.8
    max_tokens: 2000
    response_format:
      type: json_object
inputs:
  topic:
    type: string
  word_count:
    type: number
  target_audience:
    type: string
---
system:
你是一个专业的内容策划师，擅长创建结构清晰的文章大纲。

## 输出准则

以 JSON 格式输出如下字段：
- `title`: str，文章标题
- `introduction`: str，引言概要
- `sections`: list[object]，章节列表
  - `section_title`: str，章节标题
  - `key_points`: list[str]，要点列表
- `conclusion`: str，结论概要

user:
请为以下主题创建文章大纲：

**主题：** {{ topic }}
**目标字数：** {{ word_count }}
**目标读者：** {{ target_audience }}

6. 代码生成

code_generator.prompty:

---
name: 代码生成器
model:
  api: chat
  configuration:
    model: qwen3-coder-plus
  parameters:
    temperature: 0.2
    max_tokens: 2000
inputs:
  requirement:
    type: string
  language:
    type: string
---
system:
你是一个专业的程序员，精通多种编程语言，能够根据需求编写高质量的代码。

user:
请用 {{ language }} 编写代码实现以下需求：

{{ requirement }}

请提供完整的代码，包含必要的注释。

数据处理示例

7. 结构化信息提取

extract_info.prompty:

---
name: 信息提取
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.0
    max_tokens: 1000
    response_format:
      type: json_object
inputs:
  text:
    type: string
  schema:
    type: string
---
system:
你是一个信息提取专家，能够从文本中提取结构化信息。

user:
请从以下文本中提取信息，按照指定的 schema 格式输出：

**文本：**
{{ text }}

**Schema：**
{{ schema }}

使用示例：

from ultraflow import Prompty

flow = Prompty.load('extract_info.prompty')

text = """
张三，男，30 岁，软件工程师，毕业于清华大学计算机系。
联系方式：13800138000，邮箱：zhangsan@example.com
"""

schema = """
{
  "name": "姓名",
  "gender": "性别",
  "age": "年龄",
  "occupation": "职业",
  "education": "学历",
  "phone": "电话",
  "email": "邮箱"
}
"""

result = flow(text=text, schema=schema)
print(result)

8. 批量数据清洗

data_cleaning.prompty:

---
name: 数据清洗
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.0
    max_tokens: 500
    response_format:
      type: json_object
inputs:
  raw_text:
    type: string
---
system:
你是一个数据清洗专家，需要标准化和规范化文本数据。

## 输出准则

以 JSON 格式输出如下字段：
- `cleaned_text`: str，清洗后的文本
- `issues_fixed`: list[str]，修复的问题列表

user:
请清洗以下文本：
- 移除多余的空格和换行
- 统一标点符号
- 修正明显的错别字

{{ raw_text }}

问答系统示例

9. FAQ 问答

faq_qa.prompty:

---
name: FAQ 问答
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.3
    max_tokens: 1000
inputs:
  question:
    type: string
  context:
    type: string
---
system:
你是一个客服助手，需要根据提供的 FAQ 文档回答用户的问题。

user:
**FAQ 文档：**
{{ context }}

**用户问题：**
{{ question }}

请根据 FAQ 文档回答用户的问题。如果 FAQ 中没有相关信息，请礼貌地告知用户。

10. 多轮对话支持

对于需要上下文的对话，可以在模板中包含历史消息：

chat_with_history.prompty:

---
name: 多轮对话
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.7
    max_tokens: 1000
inputs:
  history:
    type: string
  question:
    type: string
---
system:
你是一个智能助手，能够根据对话历史回答问题。

{{ history }}

user:
{{ question }}

Python 使用：

from ultraflow import Prompty

flow = Prompty.load('chat_with_history.prompty')

# 维护对话历史
history = ""

while True:
    question = input("你： ")
    if question.lower() in ['exit', 'quit', '退出']:
        break

    # 调用 LLM
    response = flow(history=history, question=question)
    print(f"助手： {response}")

    # 更新历史
    history += f"user:\n{question}\n\nassistant:\n{response}\n\n"

高级应用示例

11. 思维链提示 (Chain of Thought)

cot_reasoning.prompty:

---
name: 思维链推理
model:
  api: chat
  configuration:
    model: doubao-seed-1-6-thinking-250715
  parameters:
    temperature: 0.7
    max_tokens: 3000
inputs:
  problem:
    type: string
---
system:
你是一个逻辑推理专家。解决问题时，请先进行逐步推理，然后给出最终答案。

user:
请解决以下问题，要求：
1. 展示你的推理过程 (Think step by step)
2. 给出最终答案

**问题：**
{{ problem }}

12. 少样本学习 (Few-shot Learning)

few_shot_classification.prompty:

---
name: 少样本分类
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.0
    max_tokens: 100
inputs:
  text:
    type: string
---
system:
你是一个文本分类专家，根据示例进行分类。

user:
文本：iPhone 14 Pro Max 价格降了！

assistant:
科技

user:
文本：今天天气真不错，适合出去玩。

assistant:
生活

user:
文本：NBA 总决赛今晚开打。

assistant:
体育

user:
文本：股市今天大涨，沪指突破 3000 点。

assistant:
财经

user:
文本：{{ text }}

13. 复杂 JSON 输出

complex_analysis.prompty:

---
name: 复杂文本分析
model:
  api: chat
  configuration:
    model: doubao-1-5-pro-32k-250115
  parameters:
    temperature: 0.2
    max_tokens: 2000
    response_format:
      type: json_object
inputs:
  text:
    type: string
---
system:
你是一个高级文本分析专家，需要对文本进行全面分析。

## 输出准则

以 JSON 格式输出，包含以下字段：
- `summary`: str，文本摘要
- `sentiment`: object，情感分析
  - `overall`: str(positive/negative/neutral)
  - `score`: float(0-1)
- `entities`: list[object]，实体识别
  - `text`: str，实体文本
  - `type`: str，实体类型 (PERSON/ORG/LOC/TIME)
- `keywords`: list[str]，关键词列表
- `topics`: list[str]，主题列表
- `language`: str，语言

user:
请全面分析以下文本：

{{ text }}

最佳实践

使用追踪功能记录实验

from promptflow.tracing import start_trace
from ultraflow import Prompty
import time

# 为每次实验创建独立的追踪集合
experiment_name = f"translation_test_{time.strftime('%Y%m%d_%H%M%S')}"
start_trace(collection=experiment_name)

flow = Prompty.load('translate.prompty')

# 运行测试
test_cases = [
    "Hello, world!",
    "How are you?",
    "Good morning!"
]

for text in test_cases:
    result = flow(text=text)
    print(f"{text} -> {result}")

# 追踪数据保存在 .promptflow/runs/{experiment_name}/

总结

这些示例涵盖了 UltraFlow 的主要应用场景：

1. 文本处理：翻译、摘要、情感分析
2. 内容生成：邮件、大纲、代码
3. 数据处理：信息提取、数据清洗
4. 问答系统：FAQ、多轮对话
5. 高级应用：思维链、少样本学习

你可以根据实际需求修改这些模板，创建适合自己场景的提示词流程。