AI提示词工程实战：从零构建高效提示词的5个核心技巧

1次阅读

没有评论

共计 2422 个字符，预计需要花费 7 分钟才能阅读完成。

在 AI 应用中，提示词是与模型沟通的桥梁。好的提示词能显著提升生成结果的质量和一致性，而糟糕的提示词则可能导致输出不相关、不完整甚至有害。新手常见的痛点包括：

输出结果不稳定，每次生成差异大
无法获得预期的具体细节
模型经常 ” 自由发挥 ”，偏离主题
长文本生成时逻辑不连贯

这些问题的根源往往在于提示词设计不当。下面我们将通过 5 个实战技巧来解决这些问题。

原理：将提示词分为明确的部分，让模型更好地理解任务结构。

实现方法：
1. 使用 ### 或 — 等符号划分不同部分
2. 明确区分指令、上下文和示例
3. 对输出格式提出具体要求

import openai

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "system", "content": "你是一位专业的科技文章编辑"},
        {"role": "user", "content": """
### 指令
请用中文撰写一篇关于 AI 提示词工程的短文

### 要求
- 字数 300 字左右
- 包含 3 个实用技巧
- 语言通俗易懂

### 示例格式
标题：...
正文：...
        """}
    ]
)

原理：控制模型输出的随机性。低 temperature(0-0.3) 结果更确定，高 temperature(0.7-1)更有创造性。

实现方法：
1. 对事实性内容使用低 temperature
2. 创意写作可使用较高 temperature
3. 通过 AB 测试确定最佳值

# 事实性查询 - 低随机性
fact_response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    temperature=0.2,
    messages=[...]
)

# 创意写作 - 适度随机性
creative_response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    temperature=0.7,
    messages=[...]
)

原理：提供少量示例，展示你期望的输入输出格式。

实现方法：
1. 选择 3 - 5 个典型示例
2. 确保示例覆盖各种情况
3. 示例与指令格式一致

few_shot_prompt = """
将以下产品评论分类为正面、中性或负面：评论: "电池续航很棒，但屏幕太小"
分类: 中性

评论: "完全物有所值，强烈推荐"
分类: 正面

评论: "糟糕的客户服务体验"
分类: 负面

现在请分类这个新评论:
"相机质量一般，但操作简单"
分类:"""

response = openai.Completion.create(
    model="text-davinci-003",
    prompt=few_shot_prompt,
    max_tokens=10
)

原理：为模型指定特定角色，引导其输出风格。

实现方法：
1. 在 system 消息中定义角色
2. 描述角色的专业知识领域
3. 指定回答风格(正式、友好等)

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "system", "content": "你是一位有 10 年经验的 Python 高级工程师。用专业但易懂的方式回答问题，必要时提供代码示例。"},
        {"role": "user", "content": "如何用 Python 高效处理大型 CSV 文件？"}
    ]
)

原理：通过多轮交互逐步完善结果。

实现方法：
1. 首轮获取大体框架
2. 次轮补充细节
3. 后续轮次进行微调

# 第一轮：获取大纲
outline = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "为'AI 在医疗中的应用 '文章提供大纲"}
    ]
)

# 第二轮：扩展第一部分
details = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "请详细展开大纲中的' 医学影像分析 '部分"}
    ]
)

速率限制：
了解 API 的每分钟 / 每天请求限制
实现指数退避的重试机制
错误处理：
捕获 API 异常
设置合理的超时时间
记录错误信息便于调试
成本控制：
监控 token 使用量
设置使用预算
对长文本考虑分块处理

import time
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def safe_api_call(prompt):
    try:
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": prompt}],
            timeout=10  # 设置超时
        )
        return response
    except Exception as e:
        print(f"API 调用失败: {str(e)}")
        raise