from typing import List, Dict

class DeepSeekPromptEngineer:
    """
    DeepSeek結構化提示詞生成工具
    功能：根據(jù)輸入?yún)?shù)構建符合MoE架構的優(yōu)化提示詞
    """
    
    def __init__(self):
        self.template = {
            "role": "專業(yè)角色定義",
            "task": "核心任務描述",
            "constraints": ["時間/資源/格式限制"],
            "steps": ["分步執(zhí)行路徑"],
            "style": "輸出風格要求"
        }

    def build_prompt(
        self,
        role: str,
        task: str,
        constraints: List[str],
        steps: List[str],
        style: str = "專業(yè)嚴謹"
    ) -> Dict[str, str]:
        """
        構建結構化提示詞
        :param role: 角色定義（如'高級數(shù)據(jù)分析師'）
        :param task: 任務目標（需包含動詞+賓語結構）
        :param constraints: 三維約束（時間/資源/質量）
        :param steps: 分步執(zhí)行路徑
        :param style: 輸出風格
        """
        prompt = {
            "role": f"你是一位{role}，需要完成以下任務：",
            "task": f"【核心任務】{task}",
            "constraints": "【約束條件】\n" + "\n".join([f"- {c}" for c in constraints]),
            "steps": "【執(zhí)行步驟】\n" + "\n".join([f"{i+1}. {s}" for i, s in enumerate(steps)]),
            "style": f"【輸出要求】采用{style}的風格，使用Markdown格式"
        }
        return "\n\n".join(prompt.values())

# 使用示例
if __name__ == "__main__":
    engineer = DeepSeekPromptEngineer()
    
    # 定義金融分析場景參數(shù)
    example_prompt = engineer.build_prompt(
        role="量化金融分析師",
        task="分析新能源行業(yè)2025年Q2投資風險",
        constraints=[
            "數(shù)據(jù)源：Wind金融終端2025Q1數(shù)據(jù)",
            "時間限制：3小時內完成",
            "輸出包含：政策/技術/市場三個維度"
        ],
        steps=[
            "收集行業(yè)政策變動與補貼數(shù)據(jù)",
            "計算頭部企業(yè)研發(fā)投入占比與PE相關性",
            "構建蒙特卡洛模擬風險模型",
            "生成可視化圖表與執(zhí)行摘要"
        ],
        style="券商研報風格"
    )
    
    print("生成的提示詞：\n")
    print(example_prompt)

# 模板結構對應DeepSeek的MoE架構處理邏輯
self.template = {
    "role": "激活特定領域專家網絡",  # 對應MoE的路由選擇
    "task": "定義注意力聚焦目標",    # 控制MLA機制的信息權重分配
    "constraints": "設置決策邊界",   # 利用三維約束降低模型探索空間
    "steps": "分階段激活推理能力",   # 匹配R1模型的CoT特性
    "style": "控制生成分布"          # 影響解碼器的概率采樣策略
}

def dynamic_adjustment(initial_output: str, feedback: str) -> str:
    """
    實現(xiàn)提示詞動態(tài)優(yōu)化
    :param initial_output: 初始生成結果
    :param feedback: 修正要求（如"第3步成本過高，改用機器學習方案"）
    """
    adjustment_prompt = f"""
    請根據(jù)以下反饋優(yōu)化方案：
    [原始方案]
    {initial_output}
    
    [修正要求]
    {feedback}
    
    要求：
    1. 保留原始方案有效部分
    2. 修改部分需標注版本號（v2.1）
    3. 說明修改后的預期收益
    """
    return adjustment_prompt  # 實際應調用DeepSeek API

def multimodal_prompt(image_desc: str, text_instruction: str) -> dict:
    """
    構建多模態(tài)提示詞
    :param image_desc: 圖像特征描述（如"CT影像顯示右肺下葉3cm結節(jié)"）
    :param text_instruction: 文本指令
    """
    return {
        "text": f"{text_instruction}\n基于以下影像特征：{image_desc}",
        "visual_clues": [
            {"type": "medical_image", "region": "right_lower_lobe"},
            {"feature": "3cm_nodule", "confidence": 0.92}
        ],
        "constraints": [
            "引用《肺癌診療指南2025版》",
            "需包含TNM分期建議"
        ]
    }  # 激活DeepSeek的跨模態(tài)對齊能力

role = "區(qū)塊鏈安全工程師"  # 觸發(fā)網絡安全領域MoE路由

## 核心需求
- [x] 必須包含零知識證明方案
- [ ] 排除傳統(tǒng)加密方法

steps = ["概念驗證→原型開發(fā)→壓力測試"]  # 匹配R1的鏈式推理特性

meta_prompt = "你現(xiàn)在的身份是提示詞優(yōu)化專家，請升級以下指令..."

"生成方案需包含：文字報告/3D模型參數(shù)/測試數(shù)據(jù)可視化"

"重點強調(權重1.5)網絡安全條款"