ChatGPT进阶指南：从零掌握提示工程的核心技巧

1次阅读

共计 1658 个字符，预计需要花费 5 分钟才能阅读完成。

当开发者直接调用 ChatGPT API 时，常常会遇到以下问题：

输出随机性 ：相同的提示在不同时间可能得到差异很大的结果
上下文丢失 ：多轮对话中模型难以保持长期记忆
资源浪费 ：不良提示导致需要多次重试，增加 Token 消耗

根据测试数据，当提示设计不合理时：

Token 消耗可能增加 30-50%
响应时间延长 20-40%
需要 3 - 5 次重试才能获得理想输出

方法类型	适用场景	优点	缺点
零样本提示	简单任务	实现简单	效果不稳定
少样本提示	中等复杂度任务	提供示例提高准确性	需要精心设计示例
思维链提示	复杂推理任务	分步推理更可靠	Token 消耗较大

参数	低值效果	高值效果	推荐范围
temperature	输出确定性高	创造性更强	0.2-0.7
top_p	结果更聚焦	结果更多样	0.7-0.95
max_tokens	可能截断输出	增加成本	按需设置

角色定义 ：明确 AI 的视角和职责
任务分解 ：将复杂问题拆分为子任务
格式约束 ：指定输出结构和示例

# Python 3.8+
import openai
from typing import List, Dict

class ChatManager:
    def __init__(self, api_key: str):
        openai.api_key = api_key
        self.messages: List[Dict] = []

    def add_message(self, role: str, content: str) -> None:
        """
        添加消息到对话历史
        :param role: 'user' 或 'assistant'
        :param content: 消息内容
        """self.messages.append({"role": role,"content": content})

    def get_response(self, max_retry=3) -> str:
        """
        获取 AI 响应，含异常处理和 token 计数
        :param max_retry: 最大重试次数
        :return: 响应内容
        """
        for _ in range(max_retry):
            try:
                response = openai.ChatCompletion.create(
                    model="gpt-3.5-turbo",
                    messages=self.messages,
                    temperature=0.5,  # 平衡确定性和创造性
                    top_p=0.9,
                    max_tokens=1000
                )

                # 计算 token 使用量
                prompt_tokens = response["usage"]["prompt_tokens"]
                completion_tokens = response["usage"]["completion_tokens"]
                print(f"Token 使用: 输入 {prompt_tokens}/ 输出 {completion_tokens}")

                return response["choices"][0]["message"]["content"]
            except Exception as e:
                print(f"API 调用失败: {str(e)}")
        return ""