AI大模型提示词工程：从基础到高级策略的实战指南

1次阅读

共计 2304 个字符，预计需要花费 6 分钟才能阅读完成。

最近在用 GPT- 3 这样的 AI 大模型时，发现同一个问题换种问法，得到的回答质量可能天差地别。有时候模型会答非所问，有时候又表现得像完全没记住之前的对话内容。这些问题其实都跟提示词 (Prompt) 的设计密切相关。

最基本的提示词要包含三个要素：

角色定义(Role)：告诉 AI 它要扮演什么角色
任务说明(Task)：明确具体要做什么
输出格式(Format)：指定回答的结构

def basic_prompt(task: str, role: str = "AI 助手") -> str:
    """
    构造基础提示词模板
    :param task: 具体任务描述
    :param role: AI 角色定义
    :return: 完整提示词
    """
    try:
        return f""" 你是一个专业的{role}。请按照以下要求完成任务：任务：{task}
        请用清晰、专业的方式回答。"""
    except Exception as e:
        print(f"提示词构造出错: {e}")
        return ""

给模型提供几个输入输出的例子，能显著提升回答质量：

def few_shot_prompt(examples: list[dict], new_query: str) -> str:
    """
    少样本学习提示词构造
    :param examples: 示例列表，每个示例包含 "input" 和 "output"
    :param new_query: 新查询
    :return: 完整提示词
    """prompt =" 以下是几个示例：\n"
    for idx, example in enumerate(examples, 1):
        prompt += f"示例{idx}:\n 输入：{example['input']}\n 输出：{example['output']}\n\n"

    prompt += f"现在请回答：\n 输入：{new_query}\n 输出："
    return prompt

让模型展示推理过程，可以提高复杂问题的准确性：

def cot_prompt(question: str) -> str:
    """
    思维链提示词模板
    :param question: 需要推理的问题
    :return: 完整提示词
    """return f""" 请逐步思考并回答以下问题：问题：{question}

请按照以下步骤回答：1. 理解题目要求
2. 分析关键信息
3. 分步骤推导
4. 验证结果合理性
5. 给出最终答案 """

对于重要回答，可以让模型自我验证：

def self_consistency_check(response: str) -> str:
    """
    生成自洽性检查提示
    :param response: 需要检查的回答
    :return: 检查提示
    """return f""" 你刚刚给出了以下回答：{response}

请检查这个回答是否满足以下条件：1. 事实准确
2. 逻辑自洽
3. 符合问题要求
如果发现任何问题，请修正回答。"""

大模型按 token 计费，需要平衡效果和成本：

精简不必要的描述
复用对话历史
设置合理的 max_tokens 参数

def optimize_token_usage(prompt: str, max_tokens: int = 1000) -> str:
    """
    优化提示词长度
    :param prompt: 原始提示词
    :param max_tokens: 最大 token 限制
    :return: 优化后的提示词
    """
    # 简单的长度优化策略
    if len(prompt) > max_tokens * 3:  # 粗略估算(1token≈3- 4 字符)
        import re
        prompt = re.sub(r'\s+', ' ', prompt)  # 去除多余空格
        prompt = prompt[:max_tokens * 3]
    return prompt

防止用户输入破坏你的提示结构：

def sanitize_input(user_input: str) -> str:
    """
    清理用户输入防止提示注入
    :param user_input: 用户原始输入
    :return: 安全处理后的输入
    """injection_keywords = [" 忽略之前指令 "," 扮演其他角色 "," 输出以下内容 "]
    for keyword in injection_keywords:
        if keyword in user_input:
            user_input = user_input.replace(keyword, "[已过滤]")
    return user_input

超过模型窗口长度时，可以这样做：

摘要之前的对话
选择性保留关键信息
使用向量检索最相关内容

不同参数组合会产生截然不同的效果：

temperature(温度参数)：控制输出的随机性
top_p(核采样)：影响输出的多样性
frequency_penalty(频率惩罚)：减少重复内容

建议尝试以下组合：

params = {"creative": {"temperature": 0.9, "top_p": 0.9},  # 创意写作
    "precise": {"temperature": 0.3, "top_p": 0.5},  # 事实性回答
    "balanced": {"temperature": 0.6, "top_p": 0.7}  # 平衡模式
}