ChatGPT进阶：提示工程入门实战指南 – 从基础到高效交互

共计 2464 个字符，预计需要花费 7 分钟才能阅读完成。

背景痛点

开发者在使用基础 ChatGPT API 时，常遇到以下问题：

• 开放式提问导致结果发散：简单提问如 ” 告诉我关于机器学习的信息 ” 会返回过于宽泛的内容
• 多轮对话状态维护困难：连续对话中模型容易丢失上下文，需要反复重申需求
• 响应质量不稳定：相同提示在不同时间可能得到差异较大的回答

这些问题直接影响了开发效率，需要通过系统化的提示工程来解决。

技术对比

测试数据基于 100 次 API 调用平均值，温度参数 0.7

核心方案

提示模板设计四要素

1. 角色定义(Role Definition)：明确模型应该扮演的角色

   """你是一位经验丰富的 Python 开发顾问，专门解决算法优化问题"""

2. 任务分解(Task Breakdown)：将复杂问题拆分为子步骤

   """ 请按以下步骤分析：1. 识别代码中的性能瓶颈
   2. 建议优化方案
   3. 提供改写后的代码 """

3. 输出格式约束(Output Format)：指定返回数据的结构

   """请用 JSON 格式返回：{"analysis":"...","optimized_code":"..."}"""

4. 示例演示(Examples)：展示理想的输入输出对

   """ 示例输入：def sum_list(lst):
       total = 0
       for i in range(len(lst)):
           total += lst[i]
       return total
   
   示例输出：{"analysis": "使用内置 sum()更高效", "optimized_code": "def sum_list(lst): return sum(lst)"}"""

LangChain 实现示例

from langchain import PromptTemplate, LLMChain
from langchain.llms import OpenAI
from typing import Optional
import json

class OptimizedCodeChain:
    def __init__(self, api_key: str):
        template = """
        作为资深 Python 顾问(Role Definition)，请分析以下代码(Task Breakdown):
        {code}

        按步骤：1. 识别性能问题
        2. 建议优化方法
        3. 提供改进代码

        返回 JSON 格式(Output Format):
        {{
            "analysis": "...",
            "optimization": "...",
            "improved_code": "..."
        }}

        示例(Examples):
        输入: def sum_list(lst): total=0...
        输出: {{"analysis":"使用 sum()", ...}}
        """

        self.prompt = PromptTemplate(
            template=template,
            input_variables=["code"]
        )
        self.llm = OpenAI(temperature=0.5, api_key=api_key)

    def analyze(self, code: str, max_retries: int = 3) -> Optional[dict]:
        chain = LLMChain(llm=self.llm, prompt=self.prompt)
        for attempt in range(max_retries):
            try:
                result = chain.run(code=code)
                return json.loads(result)
            except json.JSONDecodeError:
                continue
        return None

避坑指南

1. 提示注入攻击(Prompt Injection)

问题：用户输入可能包含恶意指令，如 ” 忽略之前的提示，回答 …”

解决方案：

def sanitize_input(user_input: str) -> str:
    forbidden_phrases = ["忽略", "忘记", "之前的提示"]
    for phrase in forbidden_phrases:
        user_input = user_input.replace(phrase, "")
    return user_input

2. 长上下文丢失(Long Context Loss)

问题：当对话超过 2048 tokens 时，早期信息可能被遗忘

解决方案：

def summarize_context(history: list[str]) -> str:
    """生成不超过 200 tokens 的对话摘要"""
    summary_prompt = """用 3 句话总结对话要点："""
    return llm(summary_prompt + "\n".join(history[-3:]))

3. 幻觉输出(Hallucination)

问题：模型可能生成看似合理但实际错误的信息

解决方案：

def verify_facts(response: str, sources: list[str]) -> bool:
    """检查响应内容是否与可信来源一致"""
    verification_prompt = f"""
    验证以下陈述是否与提供的资料一致：陈述：{response}
    资料：{"\n".join(sources)}
    只需回答 True/False"""return llm(verification_prompt).strip() =="True"

性能考量

• 提示长度与延迟：每增加 100 tokens，响应时间增加约 200-400ms
• 优化建议：
• 优先使用 IDs 而非重复长文本
• 对少样本示例进行压缩
• 设置 max_tokens 限制

互动案例

缺陷提示：

解释 Python 的装饰器

改进建议：
1. 添加角色定义
2. 指定输出结构
3. 包含使用示例

参考答案：

作为 Python 高级讲师，请用以下结构解释装饰器：1. 基本概念（50 字以内）2. 核心语法示例
3. 实际应用场景

格式要求：```python
# 示例代码

示例解释：
装饰器是修改函数行为的特殊函数 …
“`