Python List切片与LLM Prompt设计：自数据结构至接口调用

作者：袖梨 2026-06-05

Python List 切片与 LLM Prompt 设计：从数据结构到接口调用

Python 列表：灵活的动态容器

在代码中首先创建了一个列表：

python

L = ["许洋", "大祥", "大锋", "小聂", "孙哥"]

Python 的列表与 JavaScript 的数组非常相似，都具有以下特点：

动态长度，无需预先指定容量
不约束元素类型，可以混合存放任意对象

这与 Java/C++ 中的原生数组（固定长度、同类型）形成鲜明对比。正因如此，列表成为 Python 中最常用的数据结构之一。

如果需要获取列表的前三项，可以用循环实现：

python

r = []
n = 3
for i in range(n):
    r.append(L[i])
# r 为 ['许洋', '大祥', '大锋']

range(n) 生成 0 到 n-1 的整数序列。这种方法虽然直观，但略显繁琐。

切片：优雅的截取方式

Python 提供了切片（slice） 操作，可以极大简化从列表中截取子列表的过程。

python

L[0:3]   # 从索引 0 开始，到索引 3 结束（不包括 3），返回 ['许洋', '大祥', '大锋']
L[:3]    # 省略起始索引，默认从 0 开始，效果同上
L[-2:]   # 负索引表示从末尾倒数，-2 表示倒数第二个元素，截取到最后，返回 ['小聂', '孙哥']

切片的语法为 [start:stop:step]：

start：起始索引（包含），可省略（默认为 0）
stop：结束索引（不包含），可省略（默认为列表长度）
step：步长，可省略（默认为 1）

负索引让从尾部截取变得极其方便，无需先计算长度。

切片的高级用法：步长与负索引

通过对一个包含 0 到 99 的列表进行各种切片，可以展示切片的强大：

python

L = list(range(100))   # 生成 [0,1,2,...,99]L[:10]      # 前 10 个元素
L[-10:]     # 后 10 个元素
L[:10:2]    # 前 10 个元素中，每隔一个取一个（步长为 2）
L[::5]      # 整个列表中，每 5 个取一个，结果为 [0,5,10,...,95]

步长可以为负数，实现反向切片：

python

L[::-1]     # 反转列表
L[10:0:-2]  # 从索引 10 反向走到索引 1，步长为 2

切片不会修改原列表，而是返回一个新列表，这使得它非常适合函数式编程风格。

切片在字符串上的应用

字符串在 Python 中也可以使用切片，因为字符串被视为字符序列。

python

'ABCDEFG'[:3]   # 输出 'ABC'
'ABCDEFG'[::2]  # 输出 'ACEG'

字符串是不可变对象，切片返回的是新字符串，原字符串不变。

从手动实现到内置方法：trim 函数的两种写法

代码中实现了一个去除字符串首尾空格的功能，先使用 Python 内置的 strip() 方法：

python

a = "   hello world "
def trim(s):
    return s.strip()
print(trim(a))   # "hello world"

然后又手动实现了一个不使用 strip() 的版本，利用切片和双指针：

python

def trim(s):
    left = 0
    while left < len(s) and s[left] == ' ':
        left += 1
    right = len(s)
    while right > left and s[right-1] == ' ':
        right -= 1
    return s[left:right]

这段代码的逻辑：

左指针向右移动，跳过所有空格，找到第一个非空格字符。
右指针从末尾向左移动，跳过所有空格，找到最后一个非空格字符的下一个位置。
用切片 s[left:right] 截取中间部分。

这个练习很好地展示了切片在实际算法中的简洁性。

LLM API 调用：Prompt 设计的三个要点

代码中调用了一个大模型 API（DeepSeek），并传入了一个结构化 Prompt。

首先初始化客户端：

python

from openai import OpenAIclient = OpenAI(
    api_key = "填写你的key",
    base_url = "https://api.deepseek.com/v1"
)

API 封装与调用函数：

python

COMPLETION_MODEL = "deepseek-chat"def get_response(prompt):
    response = client.chat.completions.create(
        model = COMPLETION_MODEL,
        messages = [{"role":"user","content":prompt}]
    )
    return response.choices[0].message.content

从代码中的 Prompt 可以看出三个关键设计原则：

1. 清晰且详细的表达目标

Prompt 明确告诉模型任务是什么：生成商品标题、卖点、价格区间。而不是含糊地说“介绍一下这个产品”。

2. 分步骤描述

Prompt 使用了序号：

分步骤能引导模型按顺序思考，减少遗漏。

3. 约束返回内容的格式

Prompt 明确要求：

这确保了模型的输出可以被程序直接解析，便于后续处理。细节甚至指定了字段名。

完整案例：生成亚马逊商品信息

原始商品描述为中文：

Prompt 要求模型：

生成一个不超过 20 个英文单词的亚马逊标题
写出 5 个卖点
评估一个美元价格区间
以 JSON 格式输出

模型返回了结构化的结果（示例输出）：

json

{
  "title": "Glow-in-the-Dark PVC Inflatable Frog Toy for Kids Night Market Pool Water Fun",
  "selling_point": [
    "Eye-catching LED lights make frogs glow at night...",
    "Made from durable PVC material...",
    ...
  ],
  "price_range": "$8.99 - $14.99 per toy"
}

这个例子很好地体现了：通过清晰、分步骤、带格式约束的 Prompt，可以让大模型完成复杂的商业文案生成任务，输出可直接用于电商平台。