第11讲：Prompt 工程与 Profile 系统

上一讲：RAG Pipeline 主流程深度解析 下一讲：FastAPI 与异步 Web 框架

本讲目标

• 理解 Prompt Profile 的概念和设计动机
• 掌握 System Prompt 的编写原则（身份、边界、约束）
• 理解问题类别与 Prompt 模板的映射关系
• 理解为什么让 LLM 自行判断模板会引入不稳定性

本讲地图

本图对应本讲功能闭环，展示从输入到本讲交付物的主干路径。节点与主项目代码文件和函数保持一致，后续章节消费的能力只作为交付边界出现。

图 1：第 11 讲功能闭环地图

flowchart TD
    C11_PROFILE["Profile 结构<br/>PromptProfile"]
    C11_TEMPLATES["模板常量<br/>DEFAULT_*"]
    C11_SELECT["Profile 选择<br/>build_answer_prompt_profile()"]
    C11_SCENARIO["场景变量<br/>_scenario_prompt_context()"]
    C11_PROMPT["用户 Prompt<br/>prepare_answer()"]
    C11_ANSWER["可靠回答<br/>_finish_with_single_answer()"]
    C11_DIAG{{"诊断信息<br/>retrieval_info['prompt_profile']"}}
    C11_PROFILE --> C11_SELECT
    C11_TEMPLATES --> C11_SELECT
    C11_SCENARIO --> C11_SELECT
    C11_SELECT --> C11_PROMPT
    C11_PROMPT --> C11_ANSWER
    C11_ANSWER --> C11_DIAG
    style C11_PROFILE fill:#F8FAFC,stroke:#64748B,stroke-width:2px
    style C11_TEMPLATES fill:#DBEAFE,stroke:#2563EB,stroke-width:2px
    style C11_SELECT fill:#F5F3FF,stroke:#7C3AED,stroke-width:2px
    style C11_SCENARIO fill:#FEF3C7,stroke:#D97706,stroke-width:2px
    style C11_PROMPT fill:#DBEAFE,stroke:#2563EB,stroke-width:2px
    style C11_ANSWER fill:#F5F3FF,stroke:#7C3AED,stroke-width:2px
    style C11_DIAG fill:#DCFCE7,stroke:#16A34A,stroke-width:2px

节点与代码对齐

节点	对齐文件	函数/对象	本章职责
Profile 结构	qa_core/prompts/profiles.py	PromptProfile	承载 system_template、user_template 和 profile_name。
模板常量	qa_core/prompts/templates.py	DEFAULT_*	定义默认回答模板和上下文格式。
Profile 选择	qa_core/prompts/selector.py	build_answer_prompt_profile()	按问题类别、意图和场景选择回答口径。
场景变量	qa_core/prompts/selector.py	_scenario_prompt_context()	把 assistant_name、business_domain、support_contact 注入模板。
用户 Prompt	qa_core/pipeline/steps.py	prepare_answer()	把历史、问题和证据填入选定 Profile。
可靠回答	qa_core/pipeline/rag.py	_finish_with_single_answer()	有证据则流式生成回答并带来源，无证据则明确信息不足。
诊断信息	qa_core/pipeline/rag.py	retrieval_info['prompt_profile']	把 Prompt 档位和预览写入诊断信息。

---

第一部分：前置知识 — Prompt 工程基础

1.1 什么是 Prompt 工程

Prompt 工程是设计和优化发送给 LLM 的指令文本的过程。

一个完整的 Chat Prompt 通常由两部分组成：

System Prompt（系统提示）：
  告诉 LLM "你是谁"、"你的行为边界"、"你应该如何回答"
  → 对整个对话有效，通常不随用户问题改变

User Prompt（用户提示）：
  具体的用户问题 + 上下文资料
  → 每次提问都不同

1.2 为什么 System Prompt 很重要

没有 System Prompt 的 LLM 是一个"通用聊天机器人"，它可能会： - 用搞笑的口吻回答严肃的企业制度问题 - 在没有资料的情况下自信地编造答案 - 忘记自己的专业领域，回答任何问题

有了明确的 System Prompt，LLM 成为一个"有角色的专业助手"。

---

第二部分：Prompt Profile 系统设计

2.1 什么是 Prompt Profile

Prompt Profile 是一组预设的 System Prompt + User Prompt 模板，针对不同类型的问题使用不同的回答策略。

当前代码中共有 8 个最终回答档位：faq_answer、knowledge_answer、follow_up、pricing_guard、compliance_guard、troubleshooting_steps、source_bound_summary、default_answer。其中前 3 个按意图兜底选择，后 4 个按问题类别优先选择，default_answer 只用于未知意图或新增意图兜底。

@dataclass(frozen=True)
class PromptProfile:
    name: str              # 模板名称（用于 trace）
    system_template: str   # System Prompt 模板
    user_template: str     # User Prompt 模板
    reason: str            # 选择此模板的原因

2.2 模板注册

# qa_core/prompts/profiles.py

# 默认模板（最宽松）
DEFAULT_PROMPT_PROFILE = PromptProfile(
    name="default",
    system_template=(
        "你是{assistant_name}，专门解答{business_domain}相关问题。\n"
        "请基于提供的参考资料回答用户问题，给出清晰、准确的信息。\n"
        "如果资料不足以回答，请诚实说明。"
    ),
    user_template="参考资料：\n{context}\n\n用户问题：{query}",
    reason="通用知识问答模板",
)

# 按意图选择（兜底）
PROMPT_PROFILES: dict[str, PromptProfile] = {
    "FAQ_QUERY": PromptProfile(
        name="faq_answer",
        system_template=(
            "你是{assistant_name}。以下标准答案来自{business_domain}的官方 FAQ。\n"
            "直接使用标准答案回复用户，可以适当简化但不能改变原意。"
        ),
        user_template="标准答案：{context}\n\n用户问题：{query}",
        reason="FAQ 类问题优先复用标准答案，控制回答长度和业务口径。",
    ),
    "KNOWLEDGE_QUERY": PromptProfile(
        name="knowledge_answer",
        system_template=(
            "你是{assistant_name}，专门解答{business_domain}相关问题。\n"
            "回答要求：\n"
            "1. 严格基于提供的参考资料，不得超出资料范围\n"
            "2. 条理清晰，必要时分点或分步骤说明\n"
            "3. 引用资料中的具体条款或流程\n"
            "4. 如果涉及多份资料，请综合后给出完整答案\n"
            "5. 不确定的信息请明确标注"
        ),
        user_template="参考资料：\n{context}\n\n用户问题：{query}",
        reason="业务知识咨询需要整合文档资料，允许按流程、规则、步骤或说明结构化回答。",
    ),
    "FOLLOW_UP": PromptProfile(
        name="follow_up",
        system_template=(
            "你是{assistant_name}，专门解答{business_domain}相关问题。\n"
            "请结合对话历史回答用户的追问。\n"
            "注意指代消解，但回答焦点仍限定在当前问题。"
        ),
        user_template="对话历史：\n{history}\n\n参考资料：\n{context}\n\n用户问题：{query}",
        reason="追问需要结合历史理解指代，但回答焦点仍限定在当前问题。",
    ),
}

2.3 场景变量注入

注意模板中的 {assistant_name}、{business_domain}、{industry} 等变量。这些变量在运行时从场景配置注入：

# qa_core/prompts/selector.py
def _scenario_prompt_context(scenario):
    return {
        "assistant_name": scenario.assistant_name,      # "企业知识助手"
        "business_domain": scenario.business_domain,    # "企业内部制度与流程"
        "industry": scenario.industry,                   # "企业服务"
        "support_contact": scenario.support_contact,    # "400-xxx-xxxx"
        "phone": scenario.support_contact,
    }

这样同一套 Prompt 模板可以用于所有 8 个场景，只需配置不同的业务身份。

---

第三部分：问题类别的严格模板

3.1 费用类（Pricing）模板

CATEGORY_PROMPT_PROFILES: dict[str, PromptProfile] = {
    "pricing": PromptProfile(
        name="pricing_guard",
        system_template=(
            "你是{assistant_name}，专门解答{business_domain}中的费用、价格、退款、"
            "支付相关问题。\n\n"
            "⚠ 重要规则：\n"
            "1. 只能基于参考资料中明确写明的金额、费率、退款条件来回答\n"
            "2. 不得估算、猜测或自行承诺任何金额\n"
            "3. 不得做出'应该可以退款'、'大概多少钱'等不确定表述\n"
            "4. 如果资料中没有明确说明，必须回答'资料中没有明确说明该费用/退款条件，"
            "建议联系{phone}确认'\n"
            "5. 金额相关回答必须注明依据的具体条款"
        ),
        user_template="参考资料：\n{context}\n\n用户问题：{query}",
        reason="费用、退款、优惠、发票等强口径问题必须保守回答，并区分已确认/未确认。",
    ),
    "compliance": PromptProfile(
        name="compliance_guard",
        system_template=(
            "你是{assistant_name}，专门解答{business_domain}中的合规、法律、"
            "合同、审计相关问题。\n\n"
            "⚠ 严格规则：\n"
            "1. 只能逐条引用参考资料中的具体规定来回答\n"
            "2. 不得对合规性做任何主观判断（不能说'这是合规的'或'这不违规'）\n"
            "3. 只能表述为'根据XX规定，该情况下需要XX'\n"
            "4. 涉及法律责任时，必须注明具体的责任条款编号\n"
            "5. 信息不足时，必须引导用户联系{phone}进行专业合规咨询\n"
            "6. 不得简化或省略合规流程中的任何步骤"
        ),
        user_template="参考资料：\n{context}\n\n用户问题：{query}",
        reason="合规、合同、隐私、审计类问题需要更严格的确认边界和风险提示。",
    ),
    "troubleshooting": PromptProfile(
        name="troubleshooting_steps",
        system_template=(
            "你是{assistant_name}，专门解答{business_domain}中的故障排查、"
            "异常处理相关问题。\n\n"
            "回答要求：\n"
            "1. 严格基于提供的参考资料，按步骤输出排查流程\n"
            "2. 每个步骤说明操作目的和预期结果\n"
            "3. 如果资料中未说明某步骤，不得自行编造\n"
            "4. 区分'确定原因'和'可能原因'"
        ),
        user_template="参考资料：\n{context}\n\n用户问题：{query}",
        reason="故障排查类问题需要步骤化输出，同时不能编造文档外操作。",
    ),
    "summary": PromptProfile(
        name="source_bound_summary",
        system_template=(
            "你是{assistant_name}，专门解答{business_domain}相关问题。\n"
            "请根据提供的参考资料进行总结。\n\n"
            "要求：\n"
            "1. 只能总结资料中已出现的信息\n"
            "2. 整合多份资料时需指出信息来源于哪些资料\n"
            "3. 不得添加资料外的任何额外解读"
        ),
        user_template="参考资料：\n{context}\n\n用户问题：{query}",
        reason="总结类问题需要整合更多上下文，但只能总结资料中已出现的信息。",
    ),
}

3.2 合规类（Compliance）模板

# CATEGORY_PROMPT_PROFILES（完整定义见 3.1 节）中的合规档位：
"compliance": PromptProfile(
    name="compliance_guard",
    system_template=(
        "你是{assistant_name}，专门解答{business_domain}中的合规、法律、"
        "合同、审计相关问题。\n\n"
        "⚠ 严格规则：\n"
        "1. 只能逐条引用参考资料中的具体规定来回答\n"
        "2. 不得对合规性做任何主观判断（不能说'这是合规的'或'这不违规'）\n"
        "3. 只能表述为'根据XX规定，该情况下需要XX'\n"
        "4. 涉及法律责任时，必须注明具体的责任条款编号\n"
        "5. 信息不足时，必须引导用户联系{phone}进行专业合规咨询\n"
        "6. 不得简化或省略合规流程中的任何步骤"
    ),
    user_template="参考资料：\n{context}\n\n用户问题：{query}",
    reason="合规、合同、隐私、审计类问题需要更严格的确认边界和风险提示。",
),

3.3 问题类别与模板的映射

# qa_core/prompts/profiles.py

# 按问题类别选择（优先级更高）—— 每个档位在字典中内联定义
CATEGORY_PROMPT_PROFILES: dict[str, PromptProfile] = {
    "pricing": PromptProfile(
        name="pricing_guard", ...),       # 费用/价格类严格模板
    "compliance": PromptProfile(
        name="compliance_guard", ...),    # 合规/法律类最严格模板
    "troubleshooting": PromptProfile(
        name="troubleshooting_steps", ...), # 故障排查步骤化模板
    "summary": PromptProfile(
        name="source_bound_summary", ...), # 总结归纳模板
}

# 按意图选择（兜底）—— 每个档位在字典中内联定义
PROMPT_PROFILES: dict[str, PromptProfile] = {
    "FAQ_QUERY": PromptProfile(
        name="faq_answer", ...),           # FAQ 标准答案模板
    "KNOWLEDGE_QUERY": PromptProfile(
        name="knowledge_answer", ...),     # 知识咨询综合回答模板
    "FOLLOW_UP": PromptProfile(
        name="follow_up", ...),            # 追问结合历史模板
}

3.4 选择优先级

flowchart TD
    Input(["query + intent + scenario"]) --> Cat["🔍 infer_question_category()"]

    Cat --> CatCheck{"类别匹配？"}

    CatCheck -->|"pricing"| P1["💰 PRICING_PROFILE<br/>严格金额约束<br/>不得估算承诺"]
    CatCheck -->|"compliance"| P2["⚖️ COMPLIANCE_PROFILE<br/>最严格<br/>不得自行判断合规性"]
    CatCheck -->|"troubleshooting"| P3["🔧 TROUBLESHOOTING<br/>扩大搜索<br/>SOP+原因+步骤"]
    CatCheck -->|"summary"| P4["📊 SUMMARY_PROFILE<br/>多段资料综合<br/>归纳总结"]
    CatCheck -->|"无匹配"| IntentCheck{"意图匹配？"}

    IntentCheck -->|"FAQ_QUERY"| P5["📋 FAQ_ANSWER<br/>标准答案模板"]
    IntentCheck -->|"KNOWLEDGE_QUERY"| P6["📚 KNOWLEDGE_ANSWER<br/>综合分析模板"]
    IntentCheck -->|"FOLLOW_UP"| P7["💬 FOLLOW_UP<br/>结合历史模板"]
    IntentCheck -->|"无匹配"| P8["📄 DEFAULT<br/>通用安全模板"]

    P1 --> Inject["💉 注入场景变量<br/>assistant_name<br/>business_domain<br/>industry<br/>support_contact"]
    P2 --> Inject
    P3 --> Inject
    P4 --> Inject
    P5 --> Inject
    P6 --> Inject
    P7 --> Inject
    P8 --> Inject

    Inject --> Output(["PromptProfile<br/>system_template + user_template"])

    style P1 fill:#FEF3C7,stroke:#F59E0B,stroke-width:2px
    style P2 fill:#FEF2F2,stroke:#DC2626,stroke-width:2px
    style CatCheck fill:#EFF6FF,stroke:#2563EB,stroke-width:2px

def build_answer_prompt_profile(intent, scenario, query):
    question_category = infer_question_category(query or "")

    # 1. 问题类别优先（pricing/compliance 等高风险类别）
    profile = CATEGORY_PROMPT_PROFILES.get(question_category)

    # 2. 再按意图选择
    if profile is None:
        profile = PROMPT_PROFILES.get(intent)

    # 3. 都不命中用默认模板
    if profile is None:
        profile = DEFAULT_PROMPT_PROFILE

    # 注入场景上下文变量
    context = _scenario_prompt_context(scenario)
    return PromptProfile(
        name=profile.name,
        system_template=profile.system_template.format(**context),
        user_template=profile.user_template,
        reason=profile.reason,
    )

---

第四部分：为什么不用 LLM 选择模板

这是一个值得讨论的设计决策。

方案 A（不使用）：让 LLM 每次自己判断该用哪个模板。

问题：LLM 判断 → "这是合规类问题，用严格模板" → 生成答案

方案 B（本项目采用）：确定性规则选择。

问题 → 意图识别（规则/LLM）→ 问题类别推断（规则）→ 确定模板

选择方案 B 的原因：

1. 检索策略和 Prompt 模板必须一致：如果检索时判断为 FAQ_QUERY（FAQ 优先），但 Prompt 时 LLM 判断为 knowledge_answer（综合分析），就会出现"只召回了 FAQ 但要求综合分析"的不匹配。

2. 减少一次 LLM 调用：每次生成答案前再让 LLM 选一次模板，增加延迟和成本。

3. 确定性 > 灵活性：在高风险场景（费用、合规），我们希望模板选择是 100% 确定的，不能依赖 LLM 的"判断"。LLM 可能在一次调用中正确选择了合规模板，下一次却用了默认模板。

---

第五部分：System Prompt 编写原则

从本项目的 Prompt 设计中可以总结出几个原则：

5.1 身份明确

✅ "你是企业知识助手，专门解答企业内部制度与流程相关问题。"
❌ "你是一个 AI 助手。"

5.2 行为边界清晰

✅ "严格基于提供的参考资料。不得超出资料范围。"
❌ "尽量基于参考资料回答。"（"尽量"给了模型太多自由）

5.3 对高风险场景做显式约束

✅ "涉及合规、金额、法律责任时，必须注明依据的具体条款。"
✅ "不得估算、猜测或自行承诺任何金额。"

5.4 提供失败兜底行为

✅ "如果资料不足，必须回答'信息不足，请联系 XXX'"
❌ （不写兜底，模型可能即兴发挥）

---

本讲实践闭环

项目	内容
本讲类型	项目实现
实践产物	prompts/profiles.py、prompts/selector.py 和场景化 Prompt Profile
是否进入最终项目	是
验收方式	不同问题类别命中不同模板，高风险问题进入安全约束模板
后续落点	第 10 讲生成阶段使用，第 17/19 讲观察答案质量和 trace

通过标准：Prompt 选择有明确优先级，模板变量能从场景配置注入，回答边界可控。

本讲从 0 到 1 实现闭环

这一讲要完成的是“Prompt 可治理”，不是写一个越来越长的大提示词。实现顺序如下：

flowchart TD
    Q["用户问题"] --> Intent["意图识别结果<br/>FAQ / Knowledge / Follow-up"]
    Q --> Category["问题类别<br/>pricing / compliance / default"]
    Category --> CatHit{"是否命中<br/>高优先级类别？"}
    CatHit -->|"是"| Guard["选择类别保护模板<br/>费用/合规/风险"]
    CatHit -->|"否"| IntentPick["按意图选择模板"]
    IntentPick --> Profile["PromptProfile<br/>system + user + reason"]
    Guard --> Render["注入场景变量<br/>assistant_name / domain / fallback"]
    Profile --> Render
    Render --> Messages["生成 LLM Messages"]

1. 先把回答模板抽象成 PromptProfile，每个 profile 说明适用场景和选择原因。
2. 再把 FAQ、知识问答、追问、高风险费用/合规问题拆成不同 profile。
3. 然后实现确定性的选择器：先看问题类别，再看意图，最后才用默认模板。
4. 最后把场景配置中的助手名称、业务领域、兜底话术注入模板。

实现完成后，相关代码结构应该是下面这张图：

flowchart LR
    subgraph Core["qa_core"]
        subgraph Prompts["prompts"]
            Profiles["profiles.py<br/>PromptProfile<br/>模板注册"]
            Selector["selector.py<br/>build_answer_prompt_profile()<br/>确定性选择"]
        end
        subgraph Pipeline["pipeline"]
            Steps["steps.py<br/>构建 LLM messages"]
        end
    end

    subgraph Tests["tests"]
        PromptTest["test_retrieval_and_prompt.py<br/>类别模板<br/>安全约束"]
    end

    Profiles --> Selector
    Selector --> Steps
    PromptTest -. 验证 .-> Selector

来源：真实代码逻辑压缩版，对应 qa_core/prompts/profiles.py。

@dataclass(frozen=True)
class PromptProfile:
    name: str
    system_template: str
    user_template: str
    reason: str


PROMPT_PROFILES = {
    "FAQ_QUERY": PromptProfile(name="faq_answer", ...),
    "KNOWLEDGE_QUERY": PromptProfile(name="knowledge_answer", ...),
    "FOLLOW_UP": PromptProfile(name="follow_up", ...),
}

CATEGORY_PROMPT_PROFILES = {
    "pricing": PromptProfile(name="pricing_guard", ...),
    "compliance": PromptProfile(name="compliance_guard", ...),
    "troubleshooting": PromptProfile(name="troubleshooting_steps", ...),
    "summary": PromptProfile(name="source_bound_summary", ...),
}

DEFAULT_PROMPT_PROFILE = PromptProfile(name="default_answer", ...)

选择逻辑必须是确定性的。费用、合规、合同风险这类高风险类别不能交给 LLM 自己判断，否则一次误判就可能造成错误承诺。

来源：真实代码节选，见 qa_core/prompts/selector.py::build_answer_prompt_profile()。

def build_answer_prompt_profile(
    intent: str,
    scenario: ScenarioDefinition | None = None,
    query: str | None = None,
) -> PromptProfile:
    question_category = infer_question_category(query or "")
    profile = (
        CATEGORY_PROMPT_PROFILES.get(question_category)
        or PROMPT_PROFILES.get(intent, DEFAULT_PROMPT_PROFILE)
    )
    context = _scenario_prompt_context(scenario)
    return PromptProfile(
        name=profile.name,
        system_template=profile.system_template.format(**context),
        user_template=profile.user_template,
        reason=profile.reason,
    )

场景变量不要写死在 Prompt 里。8 个业务场景共用一套模板，只把 assistant_name、business_domain、fallback_contact 等配置注入进去。

来源：真实代码逻辑压缩版，对应 qa_core/prompts/selector.py::_scenario_prompt_context()。

def _scenario_prompt_context(scenario=None) -> dict[str, str]:
    settings = get_settings()
    return {
        "assistant_name": scenario.assistant_name if scenario else "知识助手",
        "business_domain": scenario.business_domain if scenario else "业务知识库",
        "industry": scenario.industry if scenario else "通用知识问答",
        "support_contact": scenario.support_contact if scenario else settings.customer_service_phone,
        "phone": scenario.support_contact if scenario else settings.customer_service_phone,
    }

验收时不要只看“能回答”，还要验证不同类别是否命中正确 profile。

来源：命令行验收，对应 tests/test_retrieval_and_prompt.py。

python -m pytest tests/test_retrieval_and_prompt.py -q

闭环验证重点：

验证项	输入条件	期望结果
FAQ 模板	intent=FAQ_QUERY	命中 FAQ 直出模板
知识问答模板	intent=KNOWLEDGE_QUERY	命中知识回答模板
追问模板	intent=FOLLOW_UP	命中追问上下文模板
费用类保护	category=pricing	命中费用安全模板
合规类保护	category=compliance	命中合规安全模板
场景变量	切换业务场景	assistant/domain 等变量正确注入
默认兜底	新增未知 intent	使用 DEFAULT_PROMPT_PROFILE
模板脱敏	调试信息	as_dict() 只返回 name/reason，不暴露完整 prompt

验收重点：Prompt 是一组可选择、可解释、可测试的业务回答策略，不是散落在代码里的长字符串。

重点掌握

优先级	内容	原因
★★★ 必会	Prompt Profile 的概念和结构：name + system_template + user_template + reason，8 个最终回答档位	本项目的提示词管理方式
★★★ 必会	Profile 选择优先级：问题类别（pricing/compliance/troubleshooting/summary）> 意图（FAQ_QUERY/KNOWLEDGE_QUERY/FOLLOW_UP）> 默认模板	确定性的选择策略
★★★ 必会	高风险问题类别的特殊模板：费用类（不得估算金额）、合规类（不得主观判断合规性）	高风险场景的 Prompt 安全约束
★★ 理解	确定性选择 > LLM 判断的原因：检索策略和 Prompt 模板必须一致、减少一次 LLM 调用、高风险场景必须 100% 确定	重要的设计决策依据
★★ 理解	场景变量注入（_scenario_prompt_context）：assistant_name、business_domain 等从 TOML 注入	同一套模板跨 8 个场景复用的机制
★★ 理解	build_answer_prompt_profile() 的完整选择逻辑	Profile 选择的代码实现
★ 了解	System Prompt 编写原则：身份明确、行为边界清晰、高风险显式约束、提供失败兜底	Prompt 工程通用技巧
★ 了解	CATEGORY_PROMPT_PROFILES 和 PROMPT_PROFILES 两个字典的注册方式	了解模板组织方式

本讲小结

• Prompt Profile 是预设的 System/User Prompt 模板集合，针对不同问题类别使用不同策略
• 选择优先级：问题类别（费用/合规等）> 意图（FAQ/知识咨询）> 默认模板
• 场景变量注入使同一套模板可以跨 8 个场景复用
• 确定性选择 > LLM 判断：高风险模板（费用、合规）的选择必须是 100% 确定的
• 关键在于让 LLM 知道"能做什么"比"不能做什么"更难，所以约束性指令要明确

下一讲：FastAPI 与异步 Web 框架 — async/await、WebSocket、FastAPI 路由设计