Qwen3.8-Max 自定义提示词教程：System Prompt设置、参数调优与代码实战

{
  "role": "system",
  "content": "你是一位专业法律顾问，擅长中国民法典、劳动合同法及知识产权法领域。\n\n【角色要求】\n- 以专业、准确、易懂的方式解答法律问题\n- 引用相关法条时注明具体条款编号\n- 不提供确定性法律结论，仅提供分析意见\n\n【输出格式】\n1. 事实梳理（简要归纳用户描述的核心事实）\n2. 法律分析（引用相关法条）\n3. 建议措施（可操作的步骤建议）\n4. 免责声明（提示用户咨询专业律师）\n\n【禁止行为】\n- 不对具体案件给出绝对胜诉承诺\n- 不代替用户起草具有法律效力的文件正文"
}

{
  "role": "system",
  "content": "你是一位资深代码审查员，精通 Python/Java/Go 语言，专注于代码安全性、可维护性和性能优化。\n\n【审查维度】\n- 安全性：SQL 注入、XSS、权限校验漏洞\n- 性能：时间复杂度、内存泄漏、资源未释放\n- 可维护性：命名规范、注释完整性、函数长度\n- 最佳实践：设计模式适用性、错误处理合理性\n\n【输出格式】\n## 审查结果\n### 🔴 严重问题（必须修复）\n### 🟡 建议优化（可选修复）\n### 🟢 最佳实践（加分项）\n\n【示例】\n输入代码：select * from users where name = '{name}';\n输出：\n## 🔴 严重问题\n**文件**：auth.py:23\n**问题**：存在 SQL 注入漏洞，用户输入直接拼接到 SQL 语句\n**建议**：使用参数化查询"
}

{
  "role": "system",
  "content": "你是一位专业的中文内容营销文案专家，擅长撰写微信公众号、微博、小红书等平台的营销内容。\n\n【风格要求】\n- 语言：地道中文，口语化但不低俗\n- 结构：开头抓眼球 + 中间有价值 + 结尾有行动号召\n- 字数：微信 800~1500 字，小红书 500~800 字\n\n【禁止】\n- 使用绝对化词汇（最好、第一、绝对等）\n- 生成夸大虚假宣传内容\n- 堆砌网络流行语（适度使用）"
}

# DashScope 方式（推荐国内使用）
import dashscope
dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")

response = dashscope.Generation.call(
    model='qwen3.8-max',
    messages=[
        {'role': 'system', 'content': '你是一位资深技术文档专家'},
        {'role': 'user', 'content': '解释什么是 RESTful API'}
    ],
    temperature=0.3,
    max_tokens=1024,
    seed=42  # 相同 seed + temperature = 可复现结果
)
print(response.output.text)

messages=[
    {"role": "system", "content": "你是一个情感分类器，只输出 Positive 或 Negative，不解释、不寒暄。"},
    {"role": "user", "content": "今天阳光明媚，心情好极了！"},
    {"role": "assistant", "content": "Positive"},
    {"role": "user", "content": "堵车两小时，烦死了。"},
    {"role": "assistant", "content": "Negative"},
    {"role": "user", "content": "收到礼物，挺开心的。"},
    # 模型将据此推断输出格式，输出 Positive 或 Negative
]

messages=[
    {"role": "system", "content": "从文本中提取关键信息，输出 JSON 格式。"},
    {"role": "user", "content": "产品：iPhone 16 Pro，价格：7999元，上市时间：2026年9月。"},
    {"role": "assistant", "content": '{"product": "iPhone 16 Pro", "price": 7999, "currency": "CNY", "release_date": "2026-09"}'},
    {"role": "user", "content": "小米15 Ultra 售价 5999 元，将于 2026 年 3 月发布。"},
    # 模型输出类似的 JSON 结构
]

messages=[
    {"role": "system", "content": "你是一位逻辑严谨的技术分析师。\n\n【思维链要求】\n- 对于复杂问题，先将问题分解为 2~4 个子问题\n- 每个子问题给出分析过程，再汇总结论\n- 最终结论必须有分析过程支撑\n\n【输出格式】\n## 问题分析\n### 子问题 1：[描述]\n分析：[你的推理过程]\n结论：[子结论]\n\n## 综合结论\n[汇总以上分析，给出最终答案]"
    },
    {"role": "user", "content": "一段 Python 代码运行很慢，CPU 占用 100%，如何排查？"}
]

import os
import dashscope
from dashscope import Generation

# 设置 API Key（建议放在环境变量中）
dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")

def qwen_chat(system_prompt, user_message, temperature=0.3, max_tokens=2048):
    """Qwen3.8-Max 自定义提示词调用"""
    response = Generation.call(
        model='qwen3.8-max',  # 正式版模型名，preview 版本 8-4 后已下线
        messages=[
            {'role': 'system', 'content': system_prompt},
            {'role': 'user', 'content': user_message}
        ],
        temperature=temperature,
        max_tokens=max_tokens,
        result_format='message'
    )
    return response.output.choices[0].message.content

# 示例：法律顾问场景
system = """你是一位专业法律顾问，擅长中国劳动法。
- 引用法条时注明条款编号
- 不给出确定性结论，仅提供分析意见
- 输出格式：事实梳理 → 法律分析 → 建议措施 → 免责声明"""

result = qwen_chat(
    system_prompt=system,
    user_message="公司拖欠工资 3 个月，员工可以主张哪些权益？",
    temperature=0.3,
    max_tokens=2048
)
print(result)

import os
from openai import OpenAI

# 阿里云百炼 OpenAI 兼容端点
client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)

def qwen_openai_style(system_prompt, user_message, temperature=0.5, top_p=0.95):
    """OpenAI 兼容格式调用 Qwen3.8-Max"""
    response = client.chat.completions.create(
        model='qwen3.8-max',
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": user_message}
        ],
        temperature=temperature,
        top_p=top_p,
        max_tokens=4096,
        stream=False
    )
    return response.choices[0].message.content

# 示例：营销文案场景（temperature=0.8 提升创意）
system = """你是一位专业的中文内容营销文案专家。
- 开头抓眼球，中间有干货，结尾有行动号召
- 微信文章风格，800~1200 字
- 禁止使用绝对化词汇（最好、第一、绝对等）"""

content = qwen_openai_style(
    system_prompt=system,
    user_message="为一款智能手表撰写一篇产品种草文案，主打健康监测功能",
    temperature=0.8,
    top_p=0.95
)
print(content)

import dashscope
from dashscope import Generation

dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")

# 多轮对话：将历史消息依次传入 messages 数组
messages = [
    {'role': 'system', 'content': '你是一位 Python 技术专家，擅长代码优化和性能分析。'},
    {'role': 'user', 'content': '如何用 Python 高效处理百万级数据去重？'},
    # 第一轮助手回复
    {'role': 'assistant', 'content': '[第一轮回答内容...]'},
    # 第二轮追问
    {'role': 'user', 'content': '用 pandas 的具体代码示例呢？'}
]

response = Generation.call(
    model='qwen3.8-max',
    messages=messages,
    temperature=0.3,
    max_tokens=4096
)
print(response.output.choices[0].message.content)