AI Prompt 提示词工程入门指南：从零构建高效对话系统的核心方法

1次阅读

没有评论

共计 1935 个字符，预计需要花费 5 分钟才能阅读完成。

开发者在构建 AI 对话系统时，经常会遇到以下问题：

响应偏离 ：AI 给出的答案与预期相差甚远，甚至完全无关
结果不稳定 ：相同的提示词在不同时间请求，得到的回答质量波动大
上下文丢失 ：多轮对话中 AI 无法保持话题连贯性
安全风险 ：可能生成不当内容或泄露敏感信息

这些问题往往源于提示词设计不当，缺乏系统性工程方法。

有效的上下文管理是多轮对话的基础。以下是实现方法：

对话历史维护 ：保留最近 3 - 5 轮对话作为上下文
关键信息标记 ：使用特殊符号标注重要信息（如 <user_preference>）
上下文压缩 ：当对话过长时，用摘要替代完整历史

# 使用 OpenAI API 维护对话上下文（需 python>=3.8）import openai

chat_history = []

def get_ai_response(prompt, max_history=5):
    context = '\n'.join(chat_history[-max_history:] + [prompt])
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": context}]
    )
    chat_history.append(f"User: {prompt}")
    chat_history.append(f"AI: {response.choices[0].message.content}")
    return response.choices[0].message.content

角色设定 ：明确 AI 的应答身份（如 ” 你是一位资深技术顾问 ”）
约束条件 ：使用负面提示（如 ” 不要提供医疗建议 ”）
格式要求 ：指定输出结构（如 ” 用 Markdown 表格展示 ”）

def build_optimized_prompt(question, role="AI 助手"):
    return f""" 你是一位专业的 {role}，请按照以下要求回答问题：1. 提供准确、简洁的答案
2. 如果问题涉及敏感话题，回答 "抱歉无法回答"
3. 使用中文回复

问题：{question}"""

相关性（0- 5 分）
准确性（0- 5 分）
流畅度（0- 5 分）

import numpy as np

def evaluate_response(response, reference):
    # 计算余弦相似度（需安装 numpy）from sklearn.feature_extraction.text import TfidfVectorizer

    vectorizer = TfidfVectorizer().fit_transform([response, reference])
    similarity = (vectorizer[0] * vectorizer[1].T).toarray()[0][0]

    # 长度差异惩罚
    length_penalty = 1 - abs(len(response) - len(reference)) / max(len(response), len(reference))

    return (similarity + length_penalty) / 2

API 调用限制
实现指数退避重试机制
设置合理的超时时间（建议 5 -10 秒）
内容安全过滤
添加预过滤层检测敏感词
实现后处理内容审查
性能优化
缓存常用提示词的模板
批量处理请求减少 API 调用次数

# 带异常处理的 API 调用示例
import time
from openai.error import APIConnectionError

def safe_api_call(prompt, retries=3):
    for i in range(retries):
        try:
            return openai.ChatCompletion.create(
                model="gpt-3.5-turbo",
                messages=[{"role": "user", "content": prompt}]
            )
        except APIConnectionError:
            wait_time = 2 ** i + np.random.uniform(0, 1)
            time.sleep(wait_time)
    raise Exception("API 请求失败")