第 221 题：LLM作为推荐器的Prompt设计，任务指令与上下文示例？
题目
LLM作为推荐器的Prompt设计，任务指令与上下文示例？
完整讲解
一、任务指令设计
- 角色与任务：明确指令如「你是一个个性化推荐助手，根据用户历史与当前需求生成推荐列表」，限定输出格式（JSON/编号列表）。
- 约束：条数上限、必须/禁止类型、时效性（如仅推荐近期内容），避免开放生成导致格式混乱。
二、上下文组织
- 用户画像：兴趣标签、 demographics、近期行为摘要，以键值或短句注入，控制 token 用量。
- 历史交互：最近 N 条点击/播放/购买，可做序列或统计摘要；过长时截断或分层（近期详细 + 早期摘要）。
- 候选/场景：若做重排，传入候选 ID 与简要属性，让 LLM 做理由生成或排序；若做生成，可给候选池描述供挑选。
三、示例（Few-shot）
- 1～3 条「输入（用户+上下文）→ 输出（推荐列表+理由）」示例，统一格式，提升输出稳定性和格式对齐。
- 示例需覆盖典型场景（冷启动、多兴趣、明确 query），便于模型泛化。
面试要点
- 能说清 Prompt 三要素：任务指令（角色+格式+约束）、上下文（画像+历史+候选）、Few-shot 示例。
- 能解释为何要控制上下文长度、如何做历史截断与摘要，以及示例对格式一致性的作用。
记忆要点
- LLM 推荐 Prompt：指令定角色与输出格式，上下文给画像+历史+候选，Few-shot 稳格式与泛化。
- 控制 token：画像与历史做摘要/截断，避免超长导致截断或噪声。