AI提示词工程基础实战：从原理到高效调优

1次阅读

共计 1965 个字符，预计需要花费 5 分钟才能阅读完成。

随着大语言模型（LLM）的广泛应用，开发者逐渐意识到：模型效果不仅取决于算法本身，更与输入提示词（Prompt）的设计密切相关。在实际项目中，我们常遇到这些问题：

相同模型，不同提示词导致的输出质量差异巨大
调试过程耗时耗力，缺乏系统性方法论
生产环境中存在响应延迟、结果不稳定等问题

适用于简单明确的任务，直接给出指令即可获得不错的结果。例如：

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "将以下文本翻译成法语：' 你好世界 '"}]
)

通过提供少量示例帮助模型理解复杂任务：

examples = """
输入: 这个餐厅服务太差了
情感: 负面

输入: 产品超出我的预期
情感: 正面
"""

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": f"{examples}\n 输入: 物流速度很快 \n 情感:"}]
)

结构化提示能显著提升复杂任务的稳定性：

template = """
请按照以下步骤操作：1. 识别文本中的实体
2. 分类为 [人物 / 地点 / 组织]
3. 用 JSON 格式输出

示例文本：{input_text}
"""

强制模型展示推理过程，提升复杂问题准确率：

prompt = """
问题：如果小明有 5 个苹果，吃掉 2 个后送给朋友 1 个，还剩几个？请逐步思考：1. 初始数量：5 个
2. 吃掉后剩余：5 - 2 = 3 个
3. 赠送后剩余：3 - 1 = 2 个
最终答案：2 个
"""

通过角色设定约束输出风格：

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "system", "content": "你是一位资深 Python 工程师"},
        {"role": "user", "content": "如何用生成器处理大数据文件？"}
    ],
    temperature=0.7  # 控制创造性
)

多次采样取最优解：

import numpy as np

responses = []
for _ in range(3):  # 三次采样
    res = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": "爱因斯坦的出生年份是？"}],
        temperature=0.8
    )
    responses.append(res.choices[0].message.content)

# 取出现频率最高的答案
final_answer = max(set(responses), key=responses.count)

长度影响 ：提示词每增加 100token，GPT- 3 响应延迟约增加 100ms
复杂度权衡 ：结构化提示提升效果但增加计算开销
实用技巧 ：
对固定指令使用系统消息（system message）
将示例放在用户消息（user message）中
用最大长度限制（max_tokens）避免冗余输出

歧义问题
错误示例：” 解释神经网络 ”（未指定受众）
修正方案：” 用小学生能听懂的语言解释神经网络 ”
上下文泄露
错误示例：直接连续多轮对话不做清除
修正方案：关键对话后重置会话状态
过度约束
错误示例：要求同时满足 10 个具体条件
修正方案：分步处理或放宽非核心条件

需求：自动回复用户关于订单状态的咨询

原始提示：” 告诉我订单状态 ”（效果差）

优化后：

prompt = """
你是一位专业的电商客服助手，需要：1. 要求用户提供订单号
2. 根据以下数据回答：- 订单 12345：已发货，预计 3 月 5 日送达
   - 订单 67890：处理中，预计 48 小时内发货
3. 若订单不存在，礼貌告知并建议检查

当前用户询问：{user_query}
"""