AIGC时代的必备技能：从零构建高效提示词工程实践指南

1次阅读

共计 2596 个字符，预计需要花费 7 分钟才能阅读完成。

提示词是开发者与大模型对话的唯一桥梁，直接影响输出质量
优秀的 prompt 设计能降低 70% 以上的模型调试成本
结构化提示词可复用性让 AIGC 应用实现工业化生产

大模型 (LLM) 通过 Tokenizer 将文本分解为 token 序列处理，例如：

# GPT- 3 的 token 示例
from transformers import GPT2Tokenizer
tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
print(tokenizer.tokenize('Hello 世界!'))  # ['Hello', '世', '界', '!']

中文通常 1 个字 =1- 2 个 token
API 计费按 token 总数计算
上下文窗口有长度限制（如 GPT- 4 通常 8k tokens）

指令(Instruction)：明确任务要求
错误示例：” 写一篇游记 ”
正确示例：” 以专业旅行博主身份，撰写 800 字巴厘岛冲浪攻略，包含装备建议和适合初学者的海滩推荐 ”

上下文(Context)：提供背景信息

你是一位有 10 年经验的 Python 开发专家，现在需要审查以下代码...

输出格式(Format)：指定结构化返回

请用 JSON 格式返回，包含 title/keywords/content 三个字段

temperature(0-2)：值越高结果越随机
top_p(0-1)：控制候选词的概率阈值

# 参数设置对比
def generate_text(prompt):
    # 确定性高的场景（如代码生成）response1 = openai.Completion.create(
        engine="text-davinci-003",
        prompt=prompt,
        temperature=0.3,
        top_p=0.9
    )

    # 需要创意的场景（如文案写作）response2 = openai.Completion.create(
        engine="text-davinci-003",
        prompt=prompt,
        temperature=0.8,
        top_p=0.95
    )

import openai
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def safe_completion(prompt, max_tokens=500):
    try:
        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.7,
            max_tokens=max_tokens
        )
        return response.choices[0].message.content
    except Exception as e:
        print(f"API Error: {str(e)}")
        return None

# 调用示例
generated_text = safe_completion("用 300 字解释量子计算基本原理")

作为顶级电商文案专家，请为 [产品名称] 创作商品详情描述，要求：1. 突出三大核心卖点：[卖点 1]、[卖点 2]、[卖点 3]
2. 包含使用场景说明
3. 采用 FAB 法则（特性→优势→利益）4. 结尾添加 3 个常见 QA
5. 限制在 200 字以内

产品背景：[此处填充产品技术参数]
目标人群：[年龄段 / 职业 / 兴趣等]

[第一轮：语法检查]
请检查以下 Python 代码的语法错误和 PEP8 规范违反情况，按严重程度排序：<code>...</code>

[第二轮：逻辑分析]
基于前轮结果，分析代码中的潜在逻辑缺陷，特别关注：- 边界条件处理
- 异常捕获完整性
- 资源释放情况

[第三轮：优化建议]
给出可量化的改进方案，包括：1. 性能提升点（预估提升比例）2. 可读性改进
3. 测试用例补充建议

长文本采用 ” 摘要→扩写 ” 两阶段处理
设置 max_tokens 硬限制
高频问题答案本地缓存

from datetime import timedelta
from django.core.cache import cache

def get_cached_response(prompt):
    cache_key = f"prompt_{hash(prompt)}"
    if content := cache.get(cache_key):
        return content

    response = safe_completion(prompt)
    cache.set(cache_key, response, timeout=timedelta(hours=24))
    return response

import re

def sanitize_input(text):
    patterns = [r'\b(?:password|api[ _]?key)\b.*=.*',
        r'\d{4}[-]?\d{4}[-]?\d{4}[-]?\d{4}'  # 信用卡号
    ]
    for pattern in patterns:
        text = re.sub(pattern, '[REDACTED]', text, flags=re.IGNORECASE)
    return text