AI提示工程实战：从基础原理到生产环境最佳实践

1次阅读

共计 1794 个字符，预计需要花费 5 分钟才能阅读完成。

AI 提示工程（Prompt Engineering）是指通过精心设计输入文本（即提示），引导 AI 模型生成更符合预期的输出。在现代 AI 应用中，提示工程已成为连接人类意图与模型能力的关键桥梁。无论是构建智能客服、内容生成工具，还是开发数据分析助手，良好的提示设计能显著提升模型的实用性和可靠性。

提示设计耗时：需要反复试验不同表述方式，缺乏系统方法论
效果不稳定：相同提示在不同场景下输出质量波动大
难以规模化：手工编写的提示难以适应多样化需求
安全风险：可能遭受提示注入攻击或生成不当内容
成本控制：长提示或复杂推理会显著增加 API 调用费用

零样本提示（Zero-shot）
适用场景：简单明确的分类或生成任务
优点：无需示例，直接使用自然语言描述任务
示例：” 将以下文本翻译成法语：{text}”
少样本提示（Few-shot）
适用场景：需要特定格式或风格的复杂任务
优点：通过 3 - 5 个示例明确输出要求
示例：” 示例 1：输入『高兴』→输出『😊』\n 现在转换：输入『悲伤』→输出『”
思维链（Chain-of-Thought）
适用场景：需要多步推理的数学或逻辑问题
优点：引导模型展示推理过程，提高准确性
示例：”Q: 小明有 5 个苹果，吃了 2 个，妈妈又买了 4 个，现在有几个？\nA: 首先 5 -2=3，然后 3 +4=7，所以答案是 7。”

import openai

def generate_response(prompt_template, user_input, examples=None):
    """
    生成 AI 响应的核心函数

    参数：prompt_template: 基础提示模板，包含 {} 占位符
        user_input: 用户实际输入内容
        examples: 少样本提示的示例列表，格式为[("输入 1","输出 1"),...]
    """
    # 构建完整提示
    final_prompt = prompt_template.format(user_input)

    # 添加少样本示例（如果存在）if examples:
        few_shot = '\n'.join([f'输入：{inp}\n 输出：{out}' for inp, out in examples])
        final_prompt = few_shot + '\n' + final_prompt

    # 调用 API（实际使用需配置 API 密钥）response = openai.Completion.create(
        engine="text-davinci-003",
        prompt=final_prompt,
        max_tokens=150,
        temperature=0.7
    )

    return response.choices[0].text.strip()

# 使用示例
template = "将以下中文翻译成英文：{}"
print(generate_response(template, "今天天气真好"))

提示长度控制
保持提示简洁，非必要内容不放入提示
长上下文拆分为多个 API 调用
使用 max_tokens 参数限制响应长度
模型选择
简单任务：使用较小模型（如 text-curie-001）
复杂推理：选择大模型（如 text-davinci-003）
实时性要求高：考虑 GPT-3.5 Turbo 等优化版本

输入过滤：

import re

def sanitize_input(text):
    # 移除 HTML 标签
    text = re.sub(r'<[^>]+>', '', text) 
    # 过滤敏感关键词
    blacklist = ['密码', '信用卡']
    for word in blacklist:
        text = text.replace(word, '[REDACTED]')
    return text