response = client.messages.create(
    messages=[{"role": "user", "content": "帮我看看这段代码"}]
)

response = client.messages.create(
    messages=[{
        "role": "user", 
        "content": """审查以下Python代码的安全性：

```python
def get_user(user_id):
    query = f"SELECT * FROM users WHERE id = {user_id}"
    return db.execute(query)

response = client.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=1024,
    system="""你是一位专业代码审查员。
    
审查标准：
- 安全性（OWASP Top 10）
- 性能（时间/空间复杂度）
- 可读性（命名、注释、格式）
- 最佳实践（设计模式、语言特性）

回复格式：
## 总体评价
[简短总结]

## 问题列表
| 等级 | 位置 | 问题描述 | 修复建议 |
|------|------|----------|----------|

## 改进建议
[可选的额外优化建议]""",
    messages=[{"role": "user", "content": "审查以下代码..."}]
)

# 原始系统提示词
SYSTEM_PROMPT = """你是一个客服助手。
只回答与产品相关的问题。
当用户询问无关话题时，回复："抱歉，我只能帮助解决产品问题。" """

# 不安全的实现 ❌
def create_messages(user_input):
    return [{"role": "user", "content": user_input}]  # 用户输入直接拼接到上下文

# 安全的实现 ✅
def create_messages(user_input, system_prompt):
    # 方式1：分离用户输入和系统指令
    # 用户输入作为独立消息，系统提示词不混入用户内容
    return [
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": sanitize_input(user_input)}
    ]

def sanitize_input(text):
    """清理可能注入系统指令的字符"""
    # 移除可能的指令注入
    dangerous_patterns = [
        "ignore previous instructions",
        "disregard your system prompt",
        "你是一个xx",
    ]
    for pattern in dangerous_patterns:
        text = text.replace(pattern, "[已过滤]")
    return text

class PromptManager:
    """提示词管理器"""
    
    SYSTEM_PROMPTS = {
        "code_review": """你是一位资深代码审查员。
        
职责：
1. 发现代码中的bug和安全漏洞
2. 评估代码性能和可读性
3. 提供具体的修复建议

回复格式：
- 每个问题一行："[等级] [位置] 问题描述" """,
        
        "data_analysis": """你是一位数据分析师。
        
职责：
1. 从数据中发现洞察
2. 用清晰的图表展示趋势
3. 提供基于数据的建议

回复格式：
- 先给结论
- 再给详细分析
- 最后给建议""",
        
        "writing": """你是一位专业文案编辑。
        
职责：
1. 改进文本的清晰度和可读性
2. 修正语法和拼写错误
3. 保持原作者的风格

回复格式：
- 改进后的文本
- 改进说明（可选）"""
    }
    
    @classmethod
    def get_prompt(cls, task_type):
        return cls.SYSTEM_PROMPTS.get(task_type, cls.SYSTEM_PROMPTS["writing"])

# 无示例 - 零样本（Zero-shot）
response = client.messages.create(
    messages=[{
        "role": "user",
        "content": "把以下中文翻译成英文：今天天气真好"
    }]
)
# 可能输出："The weather is really nice today."

# 有示例 - 少样本（Few-shot）
response = client.messages.create(
    messages=[{
        "role": "user", 
        "content": """翻译以下中文成英文：

示例：
- "你好吗？" → "How are you?"
- "今天很开心" → "I'm very happy today"
- "明天见" → "See you tomorrow"

翻译：
- "今天天气真好" """
    }]
)
# 输出更符合期望："The weather is really nice today."

# ✅ 好的Few-shot：覆盖不同情况
prompt = """判断评论的情感是正面、负面还是中性。

示例：
- "这个产品太棒了，我非常满意！" → 正面
- "一般般，没有想象中好" → 中性
- "太差了，等了两周才到" → 负面
- "惊喜！比图片上还好看" → 正面
- "退货了，质量不行" → 负面

判断：
- "刚收到，还没用" → """

# ❌ 错误的示例会导致混淆
prompt = """判断数字奇偶性：

示例：
- "5" → 奇数
- "8" → 偶数
- "3" → 偶数  ← 错误示例！

判断：
- "7" → """
# 第三个示例是错的，Claude可能学习到错误的模式

# ✅ 正确的示例
prompt = """判断数字奇偶性：

示例：
- "5" → 奇数
- "8" → 偶数
- "3" → 奇数
- "10" → 偶数

判断：
- "7" → """

# 适度示例
prompt = """将产品评论分类为：功能、质量、物流、性价比

示例：
- "屏幕清晰，电池耐用" → 功能
- "做工粗糙，有划痕" → 质量
- "发货快，包装完好" → 物流
- "价格实惠，性价比高" → 性价比

分类：
- "运行流畅，就是有点贵" → """

# Zero-shot：不给示例
"将'很好'翻译成英文"  # → "very good"

# Few-shot：给2-5个示例
"很好→excellent, 不好→bad, 一般→okay. 翻译：不错"  # → "not bad"

# Many-shot：给大量示例（10+）
# 适用于需要强烈风格一致性的场景

# 标准提示词（直接给答案）
response = client.messages.create(
    messages=[{
        "role": "user",
        "content": """小明有5个苹果，小红给了他3个，小明吃掉了2个。小明现在有多少个苹果？"""
    }]
)
# 输出："7个"

# Chain of Thought（展示推理）
response = client.messages.create(
    messages=[{
        "role": "user",
        "content": """小明有5个苹果，小红给了他3个，小明吃掉了2个。小明现在有多少个苹果？

请逐步思考，展示计算过程。"""
    }]
)
# 输出："让我逐步分析：
# 1. 小明原有5个苹果
# 2. 小红给了3个：5 + 3 = 8
# 3. 小明吃掉2个：8 - 2 = 6
# 答案：小明现在有6个苹果"

prompt = """分析以下代码的性能问题。

代码：
```python
def find_duplicates(arr):
    result = []
    for i in range(len(arr)):
        for j in range(len(arr)):
            if arr[i] == arr[j] and i != j:
                result.append(arr[i])
    return list(set(result))

# ❌ 不要在简单任务上使用 - 增加token消耗
prompt = """1+1等于几？逐步思考。"""

# ✅ 在复杂推理任务上使用 - 提升准确性
prompt = """在一个袋子里有5个红球、3个蓝球。每次从袋子里不放回地抽取2个球。
问：连续两次都抽到红球的概率是多少？
请展示计算过程。"""

# 确定性输出 - 每次结果都一样
response = client.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=100,
    temperature=0.0,  # 几乎确定
    messages=[{"role": "user", "content": "1+1等于几？"}]
)
# 几乎总是输出"2"

# 创意输出 - 每次结果可能不同
response = client.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=200,
    temperature=0.9,  # 高随机性
    messages=[{"role": "user", "content": "写一个关于AI的科幻短故事开头"}]
)
# 每次输出都可能不同

# top_p=0.9 意味着只从累积概率前90%的词中选择
# top_p=1.0 意味着考虑所有词（完全放开）

# 保守输出
response = client.messages.create(
    model="claude-sonnet-4-20250514",
    temperature=0.3,
    top_p=0.5,  # 更保守的选择
    messages=[{"role": "user", "content": "解释什么是HTTP"}]
)

# 创意输出
response = client.messages.create(
    model="claude-sonnet-4-20250514",
    temperature=0.8,
    top_p=0.95,  # 更多的选择
    messages=[{"role": "user", "content": "用比喻解释什么是HTTP"}]
)

# 经验法则：通常只设置一个，另一个用默认值
# 如果两者都调整，效果会叠加

# 低temperature + 低top_p = 极度确定性
(temperature=0.0, top_p=0.5)

# 高temperature + 高top_p = 极度创意
(temperature=1.0, top_p=0.99)

def get_response(task_type, prompt, **kwargs):
    """根据任务类型返回不同采样参数"""
    configs = {
        "code": {"temperature": 0.1, "top_p": None},
        "math": {"temperature": 0.0, "top_p": None},
        "qa": {"temperature": 0.2, "top_p": None},
        "writing": {"temperature": 0.7, "top_p": 0.95},
        "brainstorm": {"temperature": 0.9, "top_p": 0.99},
    }
    
    config = configs.get(task_type, {"temperature": 0.5, "top_p": None})
    
    return client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=kwargs.get("max_tokens", 1024),
        **config,
        messages=[{"role": "user", "content": prompt}]
    )

# 使用
response = get_response("code", "写一个快排函数")
response = get_response("writing", "写一首关于月亮的诗")

import hashlib
from collections import Counter

def evaluate_prompt(prompt_v1, prompt_v2, test_cases, n=5):
    """A/B测试两个提示词"""
    results = {"v1": [], "v2": []}
    
    for test in test_cases:
        # 测试v1
        for _ in range(n):
            r1 = client.messages.create(
                model="claude-sonnet-4-20250514",
                max_tokens=500,
                temperature=0.0,
                messages=[{"role": "user", "content": prompt_v1.format(**test)}]
            )
            results["v1"].append(r1.content[0].text)
        
        # 测试v2
        for _ in range(n):
            r2 = client.messages.create(
                model="claude-sonnet-4-20250514",
                max_tokens=500,
                temperature=0.0,
                messages=[{"role": "user", "content": prompt_v2.format(**test)}]
            )
            results["v2"].append(r2.content[0].text)
    
    return results

# 计算一致性
def calculate_consistency(responses):
    """计算输出的一致性"""
    hashes = [hashlib.md5(r.encode()).hexdigest() for r in responses]
    counter = Counter(hashes)
    most_common = counter.most_common(1)[0][1]
    return most_common / len(responses)

# 示例
test_cases = [
    {"input": "5 + 3 = ?"},
    {"input": "10 - 7 = ?"},
    {"input": "6 * 6 = ?"},
]
results = evaluate_prompt(prompt_v1, prompt_v2, test_cases)

for version, responses in results.items():
    consistency = calculate_consistency(responses)
    print(f"{version}: 一致性 = {consistency:.1%}")

def automated_evaluation(output, expected, criteria):
    """自动化评估输出质量"""
    scores = {}
    
    # 1. 关键词覆盖
    if "criteria" in expected:
        keywords = expected["criteria"].split(",")
        found = sum(1 for k in keywords if k in output)
        scores["coverage"] = found / len(keywords)
    
    # 2. 长度合理性
    target_len = expected.get("length", 500)
    actual_len = len(output)
    scores["length_score"] = 1.0 - abs(actual_len - target_len) / target_len
    
    # 3. 格式检查
    if "format" in expected:
        format_ok = check_format(output, expected["format"])
        scores["format"] = 1.0 if format_ok else 0.0
    
    return scores

def check_format(output, format_spec):
    """检查输出格式是否符合规范"""
    if format_spec == "json":
        import json
        try:
            json.loads(output)
            return True
        except:
            return False
    elif format_spec == "table":
        return "|" in output and "---" in output
    return True

# ❌ 过度工程化
prompt = """你现在是一位在Google工作10年的资深软件工程师，拥有计算机博士学位，
专精于分布式系统和大数据处理。你需要根据以下原则审查代码：
1. 性能优先
2. 可读性第二
3. 维护性第三
...（300字规则列表）

请严格遵循以上原则，不要偏离。"""

# ✅ 简洁明了
prompt = """你是一位代码审查员。审查以下代码，关注性能和可读性。
用表格列出问题，每个问题包含：位置、问题、修复建议。"""

# ❌ 冲突的指令
prompt = """写一个Python函数：
- 必须简洁（1行）
- 必须包含详细注释
- 必须处理所有错误情况"""

# ✅ 合理的约束
prompt = """写一个Python函数，平衡简洁性和健壮性。
包含必要的注释（每个逻辑块一行），处理好主要错误。"""

# ❌ 示例与任务不匹配
prompt = """翻译成中文：
示例："Hello world" → "你好世界"
任务："Good morning" →"""

# ✅ 示例匹配任务风格
prompt = """翻译成中文（正式商务语气）：
示例："Thank you for your inquiry" → "感谢您的询盘"
示例："Please find attached" → "请见附件"
任务："We look forward to hearing from you" →"""

# ❌ 提示词太长，超出合理范围
prompt = """[粘贴整本手册内容]...
请基于以上内容回答：[具体问题]"""

# ✅ 只提供相关上下文
prompt = """关于[具体功能]的说明：
[提取相关段落]

基于以上信息，回答：[具体问题]"""

# ❌ 所有指令都在用户消息中
response = client.messages.create(
    messages=[{
        "role": "user",
        "content": """你是一个翻译助手。
翻译时注意：
1. 保持原文语气
2. 使用自然的中文表达
3. 人名音译
...
[更多规则]

翻译："""
    }]
)

# ✅ 系统提示词设置角色，用户消息只做任务
response = client.messages.create(
    model="claude-sonnet-4-20250514",
    system="""你是一位翻译助手。
规则：
1. 保持原文语气
2. 使用自然的中文表达
3. 人名音译""",
    messages=[{"role": "user", "content": "翻译：The quick brown fox..."}]
)