1. 前言
1.1 什么是 Prompt Engineering
提示词工程（Prompt Engineering），也被称为上下文提示（In-Context Prompting），指的是通过结构化文本等方式来完善提示词，引导 LLM 输出我们期望的结果。通过提示词工程可以在不更新模型权重的情况下，让 LLM 完成不同类型的任务。面对同样一个问题，为 LLM 设置不同的提示词，能够得到不同的回答结果。我们可以通过对 Prompt 的优化提升 LLM 的回答精度。
例如：
1.2 什么是 AI Gateway
AI Gateway 的定义是 AI Native 的 API Gateway，是基于 API Gateway 的能⼒来满⾜ AI Native 的需求。例如：
- 将传统的 QPS 限流扩展到 Token 限流。
- 将传统的负载均衡/重试/fallback 能力延伸，支持对接多个大模型厂商 API，提高整体稳定性。
- 扩展可观测能力，支持不同模型之间效果的对比 A/B Test，以及对话上下⽂链路 Tracing 等。
Higress 是阿⾥云开源的⼀款 AI Gateway，为开发者提供了一站式的 AI 插件集和增强后端模型调度处理能力，使得 AI 与网关的集成更加便捷和高效。官方提供了丰富的插件库，涵盖 AI、流量管理、安全防护等常用功能，满足 90% 以上的业务场景需求。此外还支持 Wasm 插件扩展，支持多语言编写 Wasm 插件，插件更新采用热插拔机制对流量无损。
本文主要基于 Higress 的 Wasm 插件机制，使用 Go 进行插件的整体开发和能力增强。具体可以参考链接
2. Geo-IP 插件与 AI 提示词修饰插件的结合与使用
2.1 插件参数配置
配置 Geo-IP 插件
启用 Geo-IP 插件（目前仅支持 IPv4），并配置：
ipProtocal: "ipv4"
配置 AI 提示词修饰插件
启用 AI 提示词修饰插件，在配置的 content 中通过变量，注入地理位置信息：
prepend: - content: "提问用户当前的地理位置信息是，国家：${geo-country}，省份：${geo-province}, 城市：${geo-city}" role: "system" append: - content: "每次回答完问题，尝试进行反问" role: "user"
2.2 插件效果
示例请求⼀：
curl 'http://<这里换成网关公网IP>/api/openai/v1/chat/completions' \ -H 'Accept: application/json, text/event-stream' \ -H 'Content-Type: application/json' \ --data-raw '{ "model":"qwen-long", "frequency_penalty":0, "max_tokens":800, "stream":false, "presence_penalty":0, "temperature":0.7, "top_p":0.95, "messages":[{"role":"user","content":"附近有什么旅游景点？"}] }'
示例响应一：
{..."content": "附近热门的旅游景点有故宫、天安门广场、恭王府等。您对哪个景点更感兴趣呢？"...}
示例请求二：
curl 'http://<这里换成网关公网IP>/api/openai/v1/chat/completions' \ -H 'Accept: application/json, text/event-stream' \ -H 'Content-Type: application/json' \ --data-raw '{ "model":"qwen-long", "frequency_penalty":0, "max_tokens":800, "stream":false, "presence_penalty":0, "temperature":0.7, "top_p":0.95, "messages":[{"role":"user","content":"怎么去香港?"}] }'
示例响应二：
{..."content": "从您所在的位置（北京市）前往香港，您可以选择乘坐飞机、火车或者长途汽车等多种交通方式。\n\n1. **飞机**：从北京首都国际机场出发，有多家航空公司提供直飞香港的服务。\n2. **高铁**：北京西站有直达香港西九龙站的高速列车。\n3. **长途汽车**：虽然不是主流方式，但也有部分长途汽车线路连接两地。\n\n您计划什么时候出发呢？不同的出行日期可能会有不同的票务情况和价格。"...}
示例请求三：
curl 'http://<这里换成网关公网IP>/api/openai/v1/chat/completions' \ -H 'Accept: application/json, text/event-stream' \ -H 'Content-Type: application/json' \ --data-raw '{ "model":"qwen-long", "frequency_penalty":0, "max_tokens":800, "stream":false, "presence_penalty":0, "temperature":0.7, "top_p":0.95, "messages":[{"role":"user","content":"特色小吃有哪些?"}] }'
示例响应三：
{..."content": "我可以帮您大概介绍一下北京的一些特色小吃：\n\n1. **豆汁儿配焦圈**：北京的传统小吃之一，豆汁儿口感独特，搭配焦圈食用。\n2. **炸酱面**：北京非常有名的面条吃法，面条通常拌上特制的炸酱以及各种蔬菜丝。\n3. **卤煮火烧**：以猪内脏和豆腐干为主要原料，炖煮而成，汤味醇厚，是老北京的传统食品。\n4. **炒肝**：一种类似卤煮的小吃，但是主要用猪肝和大肠，加上蒜泥等调味品。\n5. **艾窝窝**：糯米制成的甜食，外皮软糯，里面包裹着红豆沙或其他甜馅。\n6. **糖葫芦**：串起来的山楂果，表面裹上一层糖浆，酸甜可口，很受欢迎。\n\n您对哪一种小吃比较感兴趣呢？或者您想了解更多有关这些小吃的信息吗？"...}
3. 实现原理
1. Geo-IP 插件基于用户 IP 获取用户相关的地理位置信息，如：国家、省份、城市等。
2. 基于 Higress 的 Property 机制实现跨插件间的数据传递，将 Geo-IP 插件获取的地理位置信息传递给 AI 提示词修饰插件。
3. AI 提示词插件基于用户配置的提示词模板、用户输入，以及地理位置信息，生成增强后的用户请求发送给 LLM。
3.1 Geo-IP 插件实现
用户 IP 的获取：
当请求进入 onHttpRequestHeader( ) 函数时，如果用户是直接连接 Higress，就取 remote_address 作为用户 IP。如果用户通过代理服务访问 Higress，请求里包含请求头 X-forwarded-for，就解析 XFF 头取第一个 IP 地址作为原始用户 IP。
离线 IP 地址定位库内存优化：
Geo IP 插件内置离线 IP 地址定位库，数据来源
由于默认提供的文件格式为：起始 IP 地址|结束 IP 地址|国家|区域|省份|城市|ISP，直接对数据进行存储存在较大的内存开销。因此首先对原始数据进行处理，将原始数据拆分为多个：IP 地址/子网掩码|国家|区域|省份|城市|ISP 的格式。然后基于加工后的数据格式，可以通过基数树（Radix Tree）的数据结构在内存中进行存储，最终在降低内存占用的同时，保证了 IP 地址的查找效率。
地理位置信息的传递：
起初希望通过 setContext 进行信息的传递。后来在和 Higress Maintainer 的沟通中了解到 Context 没有办法跨插件传递信息。需要通过 setProperty 设置到 metadata 中，其他插件通过 getProperty 获取。在此感谢 johnlanni 的热心解答和帮助。
3.2 AI 提示词修饰插件增强实现
用户配置：
prepend: - role: system content: "提问用户当前的地理位置信息是，国家：${geo-country}，省份：${geo-province}, 城市：${geo-city}"
使用以上配置发起请求：
curl http://localhost/test \ -H "content-type: application/json" \ -d '{ "model":"gpt-3.5-turbo", "messages": [ { "role": "user", "content":"明天天气怎么样" } ] }'
经过插件处理后，实际请求为：
curl http://localhost/test \ -H "content-type: application/json" \ -d '{ "model": "gpt-3.5-turbo", "messages": [ { "role": "system", "content": "提问用户当前的地理位置信息是，国家：中国，省份：浙江, 城市：杭州" }, { "role": "user", "content": "明天天气怎么样" } ] }'
在设置提示词时，一般将提示词设置为 user 或 system 类型：
- user：user 角色，代表当前用户。当用户向 LLM 提问或与其交互时，输入的内容都标记为 user。
- system：system 角色，代表系统级的消息或通知。用于存放提问的相关背景信息或一些预置规则。比如，我们在一个“写小红书文案”的场景中与 LLM 对话。那么“写小红书文案”这个场景中就会提前预置一些规则（比如字数要求、emoji 图像等等）。这些规则就是 system。
4. 总结
本⽂对 Prompt 的使用方式进行了简单介绍，让大家了解到 Prompt 对于 LLM 的重要性。并尝试在 Prompt 中结合用户 Geo IP 信息，实现 LLM 的个性化回复，提升问答的准确度。希望对你有帮助！
插件的实现已经提交 PR 给 Higress 开源社区，可以到这里查看完整的代码实现：
也欢迎⼤家提出宝贵建议，可以直接在上⾯ PR 中评论，或者在 Higress 社区交流群（钉钉群号：30735012403）⾥⼀起沟通。
作者：沈鑫糠，来自昆仑数智瑞道云团队，专注于云原生领域产品研发和相关技术。