Prompt提示词调优工具介绍-promptfoo

最新推荐文章于 2025-03-28 09:40:23 发布
最新推荐文章于 2025-03-28 09:40:23 发布
阅读量1.4k 收藏 31
点赞数 10
文章标签： prompt 人工智能 llama chatgpt 自然语言处理 LLM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Y525698136/article/details/142248426
版权

认识promptfoo

promptfoo是一款开源的prompt调优工具，该工具支持如下功能：

  • 支持常见OpenAI、Anthropic、Azure、Google、HuggingFace、开源模型（如 Llama），或自定义 API 程序以用于任何 LLM模型提示词调优。
  • 支持批量跑提示词；
  • 支持提示词文件导入，模型应答结果导出；

还有更多功能，可以参考官方文档：www.promptfoo.dev/docs/intro/

今天我们来介绍如何使用promptfoo来调试百度千帆大模型。

快速上手

安装

Bash
 代码解读

npm install -g promptfoo

如果安装进度较慢，可以使用国内源。

Bash
 代码解读

npm install -g promptfoo --registry=https://registry.npm.taobao.org

初始化

执行如下命令，开启工具使用之路。

Bash
 代码解读

promptfoo  init

选择2，我们来进行提示词调优，

在这里插入图片描述

如下会显示内置支持的大模型，如果您有对应模型的API Key，您可以选择其中之一。 我们今天来调优百度千帆大模型，没有在内置模型中，所以先跳过。

在这里插入图片描述

会在当前目录下生成一个promptfooconfig.yaml文件，这个文件也就是我们的工程文件或者叫测试集文件。

熟悉promptfooconfig.yaml

文件中最核心有三部分：prompts，providers和tests，分别为测试的提示词，调用模型和测试用例。

yaml
 代码解读

# Learn more about building a configuration: https://promptfoo.dev/docs/configuration/guide

description: "My eval"

prompts:   
  - "Write a tweet about {{topic}}"
  - "Write a concise, funny tweet about {{topic}}"
  
providers:
  - "openai:gpt-4o-mini"
  - "openai:gpt-4o"

tests:
  - vars:
      topic: bananas
  - vars:
      topic: avocado toast
    assert:
      # For more information on assertions, see https://promptfoo.dev/docs/configuration/expected-outputs
      # Make sure output contains the word "avocado"
      - type: icontains
        value: avocado
  • prompts

这一部分用来插入提示词，支持一条或多条，支持通过文件导入。

yaml
 代码解读

prompts:
  - 'Translate the following text to French: "{{name}}: {{text}}"'
  - 'Translate the following text to German: "{{name}}: {{text}}"'

通过文件导入

yaml
 代码解读

prompts:
  - file://path/to/prompt1.txt
  - file://path/to/prompt.yaml
  - file://path/to/personality1.json
  • providers

这一部分用来指定要测试的大模型，支持常见的模型比如ChatGPT，Llama, Gemini，也可以脚本语言或者Http API来自定义一个模型。

比如我们今天要测试的百度千帆大模型不在内置模型列表，我们需要使用Python来自定义，接下来我们将会介绍。

yaml
 代码解读

providers:
  - id: openai:gpt-4o-mini
    config:
      temperature: 0
      max_tokens: 1024
      
  - id: 'python:ERNIE-Lite-8K.py'
    label: ERNIE-Lite-8K
    config:
      pythonExecutable: /usr/local/bin/python3
  • tests

这一部分来录入测试用例，可以通过vars设置不同的参数变量，来对prompts进行测试，同时通过assert断言来校验输出结果。

yaml
 代码解读

tests:
  - vars:
      topic: 苹果
      city: 成都
    assert:
      - type: starts-with
        value: '```json'

自定义千帆大模型

我们通过Python脚本来实现千帆大模型的调用，脚本中要实现三个接口：call_api, call_embedding_api, 和 call_classification_api，同时按照要求格式返回。

以ERNIE-Speed-8K.py为例，代码如下：

python
 代码解读

import json
from chat import call_llm

# 这个接口用来调用我们的千帆大模型

def call_api(prompt, options, context):
    # 在promptconfig.yaml的provider我们可以传入参数， 在call_api中接收，可以用做大模型运行参数
    # 比如：temperature, top_p, stream等等
    config = options.get('config', None)
    additional_option = config.get('additionalOption', None)

    # 这里接收提示词中的变量值，然后进行变量替换，生成最终的提示词
    user_variable = context['vars'].get('userVariable', None)

    # 在此调用大模型
    output = call_llm('ERNIE-Speed-8K', prompt, config)

    # 返回值中要包含output字段，也就是模型根据提示词输出的结果。
    result = {
        "output": output['result'],
    }


    # tokenUsage的使用信息，用于结果统计
    usage = output['usage']
    # If you want to report token usage, you can set the 'tokenUsage' field.
    result['tokenUsage'] = {"total": usage['total_tokens'], "prompt": usage['prompt_tokens'], "completion": usage['completion_tokens']}

    return result

def call_embedding_api(prompt):
    # Returns ProviderEmbeddingResponse
    pass

def call_classification_api(prompt):
    # Returns ProviderClassificationResponse
    pass

下面是我们千帆大模型调用的能用代码，其中实现call_llm函数， ERNIE-Speed-8K.py和chat.py是可以独立执行测试的，同时有依赖关系，最好放在同一目录下。

python
 代码解读

import os
import json
import requests



API_KEY = "******"

SECRET_KEY = "******"

models = {
    "ERNIE-Speed-8K": "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/ernie-4.0-turbo-8k",
    "ERNIE-Lite-8K": "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/ernie-lite-8k",
    "ERNIE-Tiny-8K": "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/ernie-tiny-8k",
}
def call_llm(model, prompt, config=None):
    url =  models.get(model) + "?access_token=" + get_access_token()
    payload = json.dumps({
        "messages": [
            {
                "role": "user",
                "content": prompt
            }
        ],
        "penalty_score": 1,
        "enable_system_memory": False,
        "disable_search": False,
        "enable_citation": False,
        "enable_trace": False,
        "disable_search": False,
        "enable_citation": True,
    })
    headers = {
        'Content-Type': 'application/json'
    }

    response = requests.request("POST", url, headers=headers, data=payload)

    return response.json()

def get_access_token():
    """
    使用 AK，SK 生成鉴权签名（Access Token）
    :return: access_token，或是None(如果错误)
    """
    # 先从环境变量中读取，如果promptfoo没有设置环境变量，则从本地读
    ak = os.getenv("QIANFAN_ACCESS_KEY", API_KEY)
    sk = os.getenv("QIANFAN_SECRET_KEY", SECRET_KEY)

    url = "https://aip.baidubce.com/oauth/2.0/token"
    params = {"grant_type": "client_credentials", "client_id": ak, "client_secret": sk}
    return str(requests.post(url, params=params).json().get("access_token"))

自动化测试配置

以下是使用我们定义的ERNIE-Speed-8K模型来做一次测试， 生成测试集文件promptfooconfig.yaml如下，和ERNIE-Speed-8K.py脚本在同一目录下。

yaml
 代码解读

description: "Qianfan Test"
env:
  # 定义千帆环境变量
  QIANFAN_ACCESS_KEY: "***"
  QIANFAN_SECRET_KEY: "***"
prompts:
  - |-
    请给出{{topic}}中英文对照，以json格式输出，如: {"Monday": "星期一", "Tuestday": "星期二"}

providers:
  - id: 'python:ERNIE-Speed-8K.py'
    label: ERNIE-Speed-8K
    config:
      pythonExecutable: /usr/local/bin/python3

tests:
  - vars:
      topic: 星期
    assert:
      - type: starts-with
        value: '```json'

  - vars:
      topic: 月份
    assert:
      - type: starts-with
        value: '```json'

执行promptfoo eval默认会执行promptfooconfig.yaml的配置，您可能使用-c参数来指定文件。

Bash
 代码解读

promptfoo eval

执行会显示执行进度和输出结果：

在这里插入图片描述

您可以通过浏览器查看，执行命令promptfoo view -y， 发现第二个用例，月份转换测试是失败的，原因是没有严格按照json格式输出，多了 “以下是一个月份的中英文对照，以JSON格式输出：” 这样的描述。

在这里插入图片描述
在这里插入图片描述

更多用法

多模型调用对比

对比前面ERNIE-Speed-8K 开发其他的模型或者使用内置模型。

yaml
 代码解读

providers:
  - id: 'python:ERNIE-Speed-8K.py'
    label: ERNIE-Speed-8K
    config:
      pythonExecutable: /usr/local/bin/python3

  - id: 'python:ERNIE-Lite-8K.py'
    label: ERNIE-Lite-8K
    config:
      pythonExecutable: /usr/local/bin/python3

  - id: 'python:ERNIE-Tiny-8K.py'
    label: ERNIE-Tiny-8K
    config:
      pythonExecutable: /usr/local/bin/python3

测试结果：

同时会还会每个模型调用测试用例数量，通过数量， 执行耗时，输入输出的tokens数量。

Asserts: 1/2 passed

Avg Latency: 7 ms

Avg Tokens: 126

Tokens/Sec: 13,643

在这里插入图片描述

模型结果导出

web界面导出

支持json,csv格式导出。

在这里插入图片描述

CSV格式展示：

在这里插入图片描述

命令执行时导出

Bash
 代码解读

promptfoo eval --output filepath.json

支持多种格式，包括 JSON, YAML, CSV, and HTML.

html格式导出展示：

在这里插入图片描述

控制台操作

控制台的能力比较弱，建议还是通过命令行来实现以下功能。 这里也简单介绍下控制台的使用

新建测试（New Eval）

顶部导航点选"New Eval"，新建一个测试集。

可以手动编辑Providers，Prompts和Tests这三部分，同时支持导入文件实现批量编辑。

在这里插入图片描述

同时也可以直接在下面的Configuration中配置。

在这里插入图片描述

查看测试（Eval）

顶部导航点选"Eval"，可以查看测试结果 ，这里记录了历史测试结果，可以通过下拉筛选查看。

第一部分对每个模型测试结果进行汇总，如每一列（模型）用例成功率。

在这里插入图片描述

第二部分测试结果详情，包含了每个模型的用例成功数/总数，平均耗时，平均tokens数等，每个prompt用例执行情况，耗时，tokens计量等。

在这里插入图片描述
在这里插入图片描述

编辑测试并重新执行

选择一个"Eval"， 点击编辑并重新运行。

在这里插入图片描述

并可以对此次测试集的prompts，provider, tests进行修改，修改后再次执行。

提示词和测试用例导入

提示词和测试用例，新建或者重新编辑"Eval"时，都可以通过文件导入的方法实现批量上传。

在这里插入图片描述

断言

通过增加断言assert来校验输出结果， 同时支持自定义脚本，如Python脚本来校验结果。

  • 官方内置了很多断言类型，可以让我们对输出结果的格式，内容，执行耗时进行检查 ，同时支持webhook回调。
  • 如果官方内置类型无法满足要求，也可以通过python,javascript脚本来自定义检查。
  • llm-rubric调用模型对输出结果进行评分。

环境变量配置

在控制台中，我们可以通过这里添加API KEYS配置，实际上也是环境变量的配置。

在这里插入图片描述

同样我们也可以在promptfooconfig.yaml中配置

Yaml
 代码解读

description: My eval

env:
  OPENAI_API_KEY: xxx

缓存配置

为了节省运行时间，对执行过的测试会进行缓存，如果promptfooconfig.yaml没有修改，则会直接读取缓存。

我们也可以不要缓存，在执行命令时增加参数：

Bash
 代码解读

promptfoo eval with --no-cache

也可以通过如下配置实现：

Yaml
 代码解读

evaluateOptions:
  showProgressBar: true     # 显示执行进度
  cache: false              # 不缓存

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

Prompt提示优化工具
HJ_blog
12-13 2240
在大模型使用过程中，Prompt尤为重要。一个好的Prompt可以解决很多的问题。那么如何撰写一个完美的Prompt？下面汇总了一些Prompt工具，可以辅助日常Prompt的编写。
【ICLR 2023】Diffusion Models扩散模型和Prompt Learning提示学习：prompt-to-prompt
沉迷单车的追风少年
10-16 4495
今年prompt learning提示学习和diffusion models扩散模型实在是太火了，最新的ICLR 2023的一项工作把两者结合了起来，取得了十分惊艳的效果！正好昨天代码刚刚开源，这篇博客就和大家一起解读一下原理与代码！
LangChain推出自动化提示优化工具Promptim：一键优化，效率倍增
m0_56255097的博客
11-15 1122
AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
AI提示词（Prompt）设计优化方案 | 高效使用 AI 工具
努力做最接地气的编程干货分享，感谢关注
03-11 5035
良好的提示词设计能力能帮助你与 AI 更顺畅地沟通，减少误解和返工，提升整体沟通效率
提示词优化器Prompt Optimizer
最新发布
wbsu2004的博客
03-28 7383
Prompt Optimizer是一个强大的AI提示词优化工具，帮助你编写更好的AI提示词，提升AI输出质量。
prompt提示词调优工具介绍-promptfoo
weixin_46423102的博客
09-05 1900
promptfoo是一款开源的prompt调优工具,今天我们来介绍如何使用promptfoo来调试百度千帆大模型。
还在手搓提示词？这 5 个提示词生成工具，轻松帮你解放双手（全部免费）
lyy2017175913的博客
10-05 1万+
刚开始接触 AI 的 小白总是会觉得 AI 很难学，提示词也很难，其实写提示词是有方法偷懒的——“用魔法打败魔法”。 艾康今天要给大家介绍这个 5 个AI 工具，可以让大家再也不会为写提示词发愁了。 只需告诉它，你需要达到什么目标，那他就会依据你的需求，给你定制出一套完整提示词，真的非常好用（全部免费）。 对于提示词祛魅，非常好用的工具，建议新手小白一定要上手试试。
Prompt提示词调优工具介绍-ChainForge
Y525698136的博客
09-14 923
在人工智能和自然语言处理领域,大型语言模型(LLM)的兴起为各行各业带来了巨大变革。然而,如何有效地评估和优化这些模型的输出一直是一个挑战。为了解决这个问题,来自哈佛大学人机交互实验室的研究人员开发了ChainForge - 一个开源的可视化工具包，旨在简化提示词工程及评估测试的过程。
AI 提示词不会写？试试 Prompt Optimizer，让 AI 自己优化自己！
AI云极的博客
03-06 2358
👉 Prompt Optimizer 插件 https://chromewebstore.google.com/detail/prompt-optimizer/cakkkhboolfnadechdlgdcnjammejlna。如果你不想折腾服务器，那就直接安装 Chrome 插件，随时随地优化你的 Prompt！的工具，它不仅能帮你优化 Prompt，还支持多种 AI 大模型，包括。，或者想搭建自己的 AI 提示词优化平台，直接用 Docker 部署！，数据直连 AI 服务商，不经过第三方服务器。
〖ChatGPT实践指南 - 零基础扫盲篇④〗- OpenAI API 相关介绍、提示-Prompt 与 完成-Completion
易编橙 · 终身成长社群，相遇已是上上签！
04-25 1万+
这一章节将为各位小伙伴介绍一下 OpenAI 的 API 相关内容，以及在 ChatGPT 中两个经常被用来比较的名词："提示-prompt" 与 "完成-completion"。
SQL Prompt--绝好的SQL语法提示工具
09-11
SQL Prompt--绝好的SQL语法提示工具
【AI大模型】Prompt 提示词工程使用详解
热门推荐
congge
07-28 2万+
Prompt 提示词工程使用详解
SD扩展 animatediff-cli-prompt-travel动画制作
Mr数据杨
10-13 2734
本文全面阐述了的安装、配置及使用方法，通过多个步骤帮助用户理解如何利用该工具生成长时间的动画视频。文章重点说明了多模块的集成应用，包括ControlNet、LoRA模型的安装及路径配置等，为自定义生成效果提供了多种可能。结合参数调整、样本路径的精确控制、提示映射的灵活应用等功能，用户可以在图像生成的细节与风格上实现个性化的创作。在动画生成方面，命令行工具的操作步骤清晰简洁，并通过添加MASK和风格化命令使视频生成效果更加丰富多样。
Weavel Ape超过DSPy，或将成为最好用的提示（prompt）优化工具
xx_nm98的博客
09-25 1197
随着LLM应用的越来越多，工程师们面临的一大挑战是如何精准地设计出最优的prompt。这个过程往往需要通过不断的尝试和迭代来完成。加之大型模型的输出具有概率性，每次的输出结果都可能有所差异，这进一步增加了调试提示的难度。为了优化一段提示，工程师们可能需要投入数小时甚至更长的时间。因此，掌握如何撰写有效的提示以及如何对提示进行优化，已成为当前迫切且日益增长的需求。
TensorFlow相关组件的安装
AAI666666的博客
01-11 2537
TensorFlow相关组件的安装
利用ChatGPT做Prompt自动优化
pouloghost的专栏
04-28 4080
让普通人直接与ChatGPT对话以期得到良好结果是过分乐观到大可不必的。Prompt炼丹这件事是需要很好的自动化的。
【LLM大模型入门】Prompt实战优化
huang9604的博客
07-05 1719
在自然语言处理中，Prompt是指告诉语言模型如何根据示例或指令进行响应的行为。在这一领域，像few-shot、zero-shot和chain-of-thought等不同方法对提升AI模型（如GPT-3.5-Turbo、GPT-4等）的性能至关重要。从适应性和语境理解到逻辑推理和任务特定学习，每种技术都有其独特的优势。在这个框架内，我们探讨了每种提示技术的细微差别，并提供了示例和编码演示，以突显如何使用它们。研究这些方法有助于我们理解AI模型的适应性和潜力，并展示它们在解决各种领域的问题时的表现如何。
解锁 AI 生产力：Prompt-Optimizer—— 你的提示词神器
qq_73376107的博客
03-04 4173
Prompt-Optimizer 为我们与 AI 的交互带来了极大的便利，堪称 AI 生产力的加速器。它不仅能节省大量时间，将人工调整提示词的平均耗时从 43 分钟缩短到 6.8 分钟，还能显著提升输出质量，使准确率提高 61.3%。而且在部署方面也非常灵活，提供本地和 Docker 两种方案，满足不同场景的使用需求。如果你还在为与 AI 交互时的各种问题烦恼，不妨试试 Prompt-Optimizer。相信它会成为你驾驭 AI 的得力助手，让你的 AI 使用体验焕然一新！
deepseek prompt提示词
02-18
### 如何自定义或修改 DeepSeek 的 Prompt 提示词 为了更好地利用 DeepSeek 进行各种任务，掌握提示词（Prompt）的使用技巧至关重要。这不仅能够提高工作效率，还能让 AI 更精准地理解并执行用户的意图。 #### 创建有效的提示词 当构建提示词时，确保所提供的指令既具体又明确。例如，在请求生成一段描述性的文字时，可以这样编写： ```plaintext 请以专业的口吻撰写一篇关于人工智能发展历程的文章，字数不少于800字。 ``` 通过这种方式，可以让 DeepSeek 明白所需的内容形式以及长度要求[^2]。 #### 修改现有提示词 如果已经有一个基础版本的提示词但希望对其进行调整，则可以在原有基础上增加更多细节说明来引导输出方向。比如原先是简单的“总结这段话”，现在改为更详细的指示： ```plaintext 基于以下段落，请提取其中的关键观点，并按照重要性顺序排列，最后给出一个简洁明了的小结。 ``` 这样的改动有助于获得更加结构化和有针对性的回答[^1]。 #### 使用角色扮演功能定制交互方式 除了直接指定任务外，还可以借助角色扮演的功能来自定义对话中的身份设定。例如设置成某个领域专家的身份来进行交流，从而影响到最终产生的内容风格与质量： ```plaintext 假设你是经验丰富的数据科学家，请解释什么是机器学习模型过拟合现象及其解决方案。 ``` 这种方法可以使得到的信息更具权威性和实用性。 #### 获取官方支持资源 对于进一步深入了解如何优化提示词设计，建议访问 DeepSeek 官方平台获取最新指南和支持文档。此外，创建个人专属 API Key 也有利于管理和测试不同的提示策略效果[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值