AI提示工程Prompt实战指南：从基础原理到生产环境优化

1次阅读

共计 2885 个字符，预计需要花费 8 分钟才能阅读完成。

随着大语言模型（LLM）的普及，我们逐渐意识到：模型本身的能力固然重要，但如何与它「对话」同样关键。这就好比给一位博学的顾问提问——问题的质量直接决定了答案的价值。在实际开发中，常见困扰包括：

同一套提示词在不同时间调用效果差异明显
复杂任务需要反复调整提示结构却难以系统化
生产环境中突发的低质量响应可能引发连锁问题

适用场景：简单明确的分类或生成任务
特点：
– 只提供任务描述，不包含示例
– 依赖模型的预训练知识
– 计算成本最低

示例：

def zero_shot_classify(text, categories):
    prompt = f""" 将以下文本分类到指定类别中，仅输出类别名称。可选类别：{','.join(categories)}
    文本：{text}"""
    return generate_response(prompt)

适用场景：需要特定格式或风格的输出
特点：
– 提供 3 - 5 个输入输出示例
– 显著提升复杂任务的稳定性
– 注意示例的多样性

示例：

examples = [{"input": "会议改到下午 3 点", "output": "{\"action\":\"reschedule\",\"time\":\"15:00\"}"},
    {"input": "取消与张经理的约谈", "output": "{\"action\":\"cancel\",\"target\":\" 张经理 \"}"}
]

def few_shot_parser(user_input):
    prompt = "将自然语言转换为 JSON 格式，参照以下示例：\n"
    for ex in examples:
        prompt += f"输入：{ex['input']}\n 输出：{ex['output']}\n\n"
    prompt += f"输入：{user_input}\n 输出："
    return generate_response(prompt)

适用场景：需要逻辑推理的复杂问题
特点：
– 要求模型展示推理步骤
– 通过「让我们逐步思考」等触发词激活
– 可结合少样本使用

from typing import List, Dict
import openai
import backoff

@backoff.on_exception(backoff.expo, openai.error.RateLimitError)
def generate_response(
    prompt: str,
    model: str = "gpt-3.5-turbo",
    temperature: float = 0.7,
    max_tokens: int = 500
) -> str:
    try:
        response = openai.ChatCompletion.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
            temperature=temperature,
            max_tokens=max_tokens
        )
        return response.choices[0].message.content
    except openai.error.InvalidRequestError as e:
        print(f"提示词过长或参数错误: {e}")
        return ""
    except Exception as e:
        print(f"未知错误: {e}")
        raise

class PromptTemplate:
    def __init__(self, template: str, variables: List[str]):
        self.template = template
        self.variables = variables

    def render(self, **kwargs) -> str:
        missing_vars = set(self.variables) - set(kwargs.keys())
        if missing_vars:
            raise ValueError(f"缺少必要变量: {missing_vars}")
        return self.template.format(**kwargs)

# 使用示例
email_template = PromptTemplate(
    template=""" 根据以下信息撰写专业邮件：收件人：{recipient}
    主题：关于 {subject} 的沟通
    主要事项：{content}
    要求语气：{tone}""",
    variables=["recipient", "subject", "content", "tone"]
)

推荐实践：
1. 采用 Git 管理提示词模板
2. 每个模板添加元数据：
– 创建日期
– 最后修改人
– 关联的模型版本
– 测试通过率
3. 使用语义化版本号（如 v1.2.0）

建议组合以下指标：

基础质量（0- 5 分）：
完整性：是否回答完全
相关性：是否跑题
流畅度：语言是否自然
业务指标（根据场景定制）：
客服场景：问题解决率
生成场景：用户留存率
分类场景：准确率 / 召回率

延迟优化：
对实时性要求高的场景降低 temperature
设置合理的 max_tokens 上限
实现客户端缓存（相同提示词缓存 5 分钟）
吞吐量提升：
批量处理请求（BATCH_SIZE=10）
异步非阻塞调用
考虑模型蒸馏（小模型处理简单请求）

def safety_check(text: str) -> bool:
    blacklist = ["暴力", "色情", "政治敏感词示例"]  # 实际使用需完善词库
    return not any(bad_word in text for bad_word in blacklist)

def get_safe_response(prompt: str) -> str:
    response = generate_response(prompt)
    if not safety_check(response):
        return "内容不符合安全规范，已过滤"
    return response