Lesson 05 练习

改 code.py 里的代码，运行 python lessons/05_prompt/code.py 观察变化。本课会真实调用 GLM，每次跑会消耗少量 token。

练习 1：测试"模糊问题"的防幻觉效果

把 section_anti_hallucination 里的问题换成模棱两可的：

out_of_scope = "公司加班多不多？工作氛围怎么样？"

（材料里只有加班工资倍数，没有"加班多不多""氛围"这种主观评价）

分别看无约束 prompt 和防幻觉 prompt 的回答差异。

思考：模型在面对"材料里部分相关、但无法直接回答"的问题时，防幻觉指令能让它怎么应对？

参考 build_safe_prompt，自己写一个 build_custom_prompt 函数，加入这些约束：

用它回答 "年假怎么休？"，看模型是否遵守了你的所有约束。

思考：约束太多会不会让模型"无所适从"？试着找一个平衡点——约束要具体但不矛盾。

在 KNOWLEDGE 里故意加两条互相冲突的信息：

"年假最多 5 天，无论工龄多久。",
"年假制度：入职满 1 年有 5 天，满 3 年有 10 天，满 5 年有 15 天。",

然后用防幻觉 prompt（含"如果冲突请指出"的约束）问 "年假有几天？"。

观察：模型有没有指出两条材料冲突？还是只采信了其中一条？

思考：RAG 系统在现实中会遇到文档版本不一致、新旧制度并存的情况，prompt 怎么设计能让模型帮你发现这些矛盾？

把 section_streaming 里的 chat_stream 换成普通 chat（非流式），对比一下：

# 流式（原版）
for piece in chat_stream(client, prompt):
    print(piece, end="", flush=True)

# 非流式（改这样）
answer = chat(client, prompt)
print(answer)

思考：虽然总耗时差不多，但流式让"第一个字出现的时间"大幅提前。这就是为什么 ChatGPT、Kimi 等产品都用流式——用户感知的速度 ≠ 实际速度。