AI提示工程入门指南：从基础概念到实战应用

1次阅读

共计 2080 个字符，预计需要花费 6 分钟才能阅读完成。

提示工程（Prompt Engineering）是指通过精心设计输入给 AI 模型的文本提示（Prompt），来引导模型生成更符合预期的输出结果的技术。随着像 GPT-3、ChatGPT 这样的大型语言模型（LLM）的兴起，提示工程已经成为与这些模型交互的核心技能。

好的提示工程可以：

显著提高 AI 输出的质量和相关性
减少模型产生无意义或错误内容的概率
让模型更好地理解和执行特定任务
降低 API 调用成本（减少重试次数）

同样的提示词，有时候能得到完美答案，有时候却得到完全跑偏的结果。这种不稳定性让初学者很困扰。

在对话式应用中，如何有效维护对话历史，让模型记住前面的内容，同时避免 token 超限，这是个技术活。

模型输出可能过于啰嗦、或者太简短，或者风格不符合预期，如何系统性地优化结果质量？

设计好的提示模板有几个关键原则：

明确任务描述 ：清楚地告诉模型你要它做什么
提供示例 （few-shot learning）：给出一两个输入输出的例子
指定格式要求 ：如果需要特定格式的答案，明确说明
设定角色 ：告诉模型它应该以什么身份回答问题

下面是一个 Python 调用 OpenAI API 的示例：

import openai

# 设计一个分类任务的提示模板
prompt_template = """请将以下文本分类为" 正面 "、" 中性 "或" 负面 " 情感。示例：文本："这个产品太棒了，我非常喜欢！"
情感：正面

文本："{}"
情感："""

# 要分类的文本
text_to_classify = "服务一般，没什么特别的感觉"

# 调用 API
response = openai.Completion.create(
    engine="text-davinci-003",
    prompt=prompt_template.format(text_to_classify),
    max_tokens=10,
    temperature=0.3
)

print(response.choices[0].text.strip())  # 输出：中性

在对话应用中，维护上下文是关键。以下是几个实用技巧：

对话历史压缩 ：定期总结前面的对话，而不是简单拼接所有历史消息
角色设定 ：明确告诉模型它在对话中的角色（如客服、导师等）
Token 计数 ：注意 API 的 token 限制（如 GPT-3.5 通常是 4096 tokens）

示例代码：

# 维护对话历史的示例
conversation = [{"role": "system", "content": "你是一个友好的英语老师"},
    {"role": "user", "content": "如何提高英语口语？"}
]

# 添加新用户消息
conversation.append({"role": "user", "content": "能给我一些具体练习方法吗？"})

# 调用 Chat API
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=conversation
)

# 将 AI 回复加入对话历史
ai_reply = response.choices[0].message.content
conversation.append({"role": "assistant", "content": ai_reply})

温度参数（temperature）：控制输出的随机性（0-1，越低越确定）
Top- p 采样（nucleus sampling）：只从概率累积达到 p 的 token 中采样
最大长度（max_tokens）：防止输出过长
停止序列（stop sequences）：设定特定词让模型停止生成

优化示例：

response = openai.Completion.create(
    engine="text-davinci-003",
    prompt="写一篇关于 AI 未来的短文",
    temperature=0.7,  # 适度的创造性
    top_p=0.9,       # 避免太离谱的输出
    max_tokens=200,  # 限制长度
    stop=["\n\n"]    # 遇到两个换行就停止
)