AI提示词工程实战：从原理到PDF生成的最佳实践

1次阅读

共计 1706 个字符，预计需要花费 5 分钟才能阅读完成。

在 AI 应用开发中，提示词（prompt）是与模型交互的核心桥梁。然而实践中常遇到以下问题：

设计复杂度高 ：简单的提示词往往无法得到精准结果，需要反复调整格式、示例和约束条件
结果不稳定 ：同一提示词在不同时间可能生成质量差异显著的输出
缺乏结构化输出 ：模型生成的文本难以直接用于生产环境（如报表、文档等）

我们测试了三种主流模型在结构化输出任务中的表现：

GPT 系列 （如 GPT-3.5/4）：
优势：上下文理解能力强，支持复杂指令
局限：长文本生成时可能丢失前文约束
Claude 系列 ：
优势：对提示词中的规则遵循度更高
局限：创造性略逊于 GPT
本地化模型 （如 LLaMA2）：
优势：数据隐私性好
局限：需要更多提示词工程才能达到商用效果

# 依赖安装：pip install openai reportlab
import openai
from reportlab.pdfgen import canvas

# 步骤 1：设计分层提示词
def build_prompt(topic):
    return f""" 请按照以下要求生成技术文档：1. 主题：{topic}
2. 格式要求：- 包含概述、原理、实现步骤三部分
   - 每部分用 Markdown 二级标题分隔
   - 代码块使用 ``` 包裹
3. 示例输出结构：## 概述
   [内容]
   ## 原理
   [内容]
   ## 实现步骤
   [内容]"""

# 步骤 2：调用 AI 模型
def generate_content(prompt):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.7  # 控制创造性 / 稳定性
    )
    return response.choices[0].message.content

# 步骤 3：PDF 生成
def create_pdf(content, filename):
    c = canvas.Canvas(filename)
    y_position = 800  # 起始纵坐标

    for line in content.split('\n'):
        if line.startswith('##'):  # 标题处理
            c.setFont("Helvetica-Bold", 16)
            y_position -= 24
        else:
            c.setFont("Helvetica", 12)

        c.drawString(50, y_position, line)
        y_position -= 18

    c.save()

# 完整流程
prompt = build_prompt("神经网络优化技巧")
content = generate_content(prompt)
create_pdf(content, "output.pdf")