python包对外暴露入口规范；
之前项目文件没有太过复杂，实现了任务编排核心算法后，文件量逐步上升，所以需要对项目包框架进行进一步管理；
== 简而言之：每一层 init.py 只对上一层使用者负责，不对内部实现细节负责。 ==
各层 init.py 的分工模型
- 最里层包（如：schemas / models）是数据模型值对象，DTO / Schema，不关心：API 路由，业务逻辑，上层怎么用
- 中间层包（如：api）对外提供“功能模块级 API”
- 最外层包（app）作为系统入口或整体能力集合
包的边界规则（重要）
- 子包不应该反向依赖父包
比如__init__.py这么写：from app.api import router，会破坏分层、循环依赖、无法重构。 - 外层 init 不要“全量透传”
“全量透传” = 外层 init.py 把内层包的所有东西，比如__init__.py这么写from .api import *
造成API 面失控，维护成本指数级上升。
提示工程（Prompt engineering）
想要获得理想输出，必须通过及时有效的提示工程策略提升成果。
指令和权限级别
从模型OpenAI 模型规范阅读得知，我们需要在相互冲突的复杂场景中指导具体行动。
在最新的规范中，角色（即权限级别）的核心意义在于指挥链。
如果指令发生冲突，AI 会按照这个顺序听令：System > Developer > User > Assistant > Tool。
这几个角色所蕴含的含义及作用如下：
-
System（OpenAI 的“最高纲领”）：
含义： 这是 OpenAI 预置的底层规则，开发者和用户都改不了。
作用： 包含模型的身份底色（“你是 ChatGPT”）、知识截止日期、以及绝对的安全红线（比如不能教人造炸弹）。 -
Developer（应用开发者的“家规”）：
含义： 这是你作为开发者给 AI 设定的全局人设和任务目标。
进化： 在 2026 年，OpenAI 引入 developer 角色来取代旧款 API 中的 system 角色。
比如你开发一个武侠游戏，你会在这里写你必须用武侠口吻对话。用户如果对AI说请用现代汉语说话，AI会根据优先级拒绝用户，坚持你的家规（Developer）。 -
User（用户的“即时需求”）：
含义： 最终用户的输入。 -
Assistant（AI 的“自我回复”）：
含义： 模型自己生成的内容。在对话历史中，这用来告诉模型“你之前说过什么”。 -
Tool（程序的“执行结果”）：
含义： AI 调用了某个工具（比如搜索、代码运行）后返回的数据。它不是人说的，而是“客观事实”。
这种指挥链安排非常合理，但我现在使用的ollama部署的LLM使用的是ollama的调用api，暂时还没有同步这么多角色，本来应该是放在Developer角色，却全都塞给了System
提示工程所有概念了解
除了上诉的角色设定和基础框架，还有结构化提示、采样参数调优、多模态提示、检索增强生成 (RAG) 的提示策略和自我评估与反思机制
- 结构化提示
其实就是伪代码构建可复用的提示词工具。 - 采样参数调优
Temperature (温度值)、 Top-P / Top-K（选词范围）和Stop Sequences (停止序列)。 - 检索增强生成 (RAG) 的提示策略是目前最值钱的技术
当模型需要查阅你的私人文档（如公司手册）时：
👉 相关性排序： 如何写指令让 AI 在 100 篇文档中准确挑出最相关的那一篇，而不是被干扰信息带跑。
👉 引用强制： 强制要求 AI 在每一句回答后标注引用来源（如 [来源1]），以确保回答的真实性。 - 多模态提示
以图引图/以图引文： 比如：根据这张财报截图，分析其中的坏账风险，并用对比表输出。