AI提示词工程学习：从基础原理到高效实践指南

1次阅读

共计 2091 个字符，预计需要花费 6 分钟才能阅读完成。

最近在调试 GPT- 3 时，我发现同样的模型，同事得到的输出总比我的更精准。仔细观察后发现问题出在提示词 (prompt) 设计上——这让我意识到提示词工程 (Prompt Engineering) 的重要性。简单来说，提示词工程就是通过优化输入文本来引导 AI 产生更符合预期的输出结果。

在与语言模型交互时，开发者常遇到这些困扰：

结果像开盲盒：同样的提示词，不同时间得到截然不同的答案
效率低下：需要反复调整提示词才能获得可用结果
调试困难：无法准确定位是提示词问题还是模型本身限制
成本失控：长提示词导致 API 调用费用快速增长

这些问题往往源于对提示词工程缺乏系统性认识。下面我们就从基本原则开始，逐步掌握提示词设计的核心技巧。

模糊的提示词：” 写一篇关于健康的文章 ”
优质的提示词：” 撰写一篇 800 字左右的科普文章，面向 30-45 岁上班族，重点讲解睡眠质量与工作效率的关系，要求包含 3 个科学研究和 2 个实用建议 ”

# 不好的示例
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "解释量子计算"}]
)

# 好的示例
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "system", "content": "你是一位物理学教授，正在给大一新生授课"},
        {"role": "user", "content": "用通俗比喻解释量子比特的叠加原理，不超过 200 字"}
    ]
)

使用分隔符明确不同部分：”### 指令 ### 请 …\n### 示例 ### 例如 …”
指定输出格式：” 以 Markdown 表格形式列出 5 个步骤，每步包含 1 个注意事项 ”
分步引导：” 首先 … 然后 … 最后 …”

# 基础版 - 效果一般
prompt = "今天的天气怎么样？"

# 优化版 - 具体且有约束
optimized_prompt = """ 你是一位气象播报员，请用亲切的口吻报告：1. 当前北京市朝阳区的实时天气状况
2. 未来 3 小时变化趋势
3. 给市民的出行建议

要求：语言简洁，不超过 100 字 """

# 低效提示词
"写一个 Python 函数"

# 高效版本
effective_prompt = """ 请按照以下要求生成 Python 3.8 代码：1. 函数功能：计算两个日期之间的工作日天数
2. 输入参数：start_date(str 格式 'YYYY-MM-DD'), end_date(同前)
3. 排除：周末和中国的法定节假日
4. 返回：整数形式的工作日天数
5. 添加类型注释和 docstring
6. 包含 3 个测试用例

输出格式：```python
# 你的代码实现
```"""

删除冗余词：将 ” 请你能不能 …” 简化为 ” 请 …”
使用缩写：” 例如 ”→”e.g.”，” 也就是说 ”→”i.e.”
实验结果：压缩后提示词减少 30%token 量，响应速度提升 22%

from functools import lru_cache

@lru_cache(maxsize=100)
def get_cached_response(prompt):
    return openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role":"user", "content": prompt}]
    )

# 低效方式
for question in questions:
    response = openai.ChatCompletion.create(...)

# 高效批量处理
batch_prompt = """ 请依次回答以下问题，用编号分隔：1. {q1}
2. {q2}
..."""