ChatGPT命令完全指南：从基础到高级用法的实战解析

1次阅读

共计 2479 个字符，预计需要花费 7 分钟才能阅读完成。

ChatGPT 的 API 调用核心是向模型发送一个包含消息列表的请求。基本请求结构包含以下几个关键参数：

model: 指定使用的模型版本，如 ’gpt-3.5-turbo’
messages: 对话消息列表，每个消息包含 ’role'(system/user/assistant) 和 ’content’
temperature: 控制输出随机性 (0-2)，值越低输出越确定
max_tokens: 限制响应长度，防止过长回复

上下文丢失 ：忘记维护对话历史，导致每次请求都是新对话
参数滥用 ：随意设置 temperature 导致输出不稳定
token 超限 ：未计算输入 token 数导致请求被拒绝
格式混乱 ：未明确指定输出格式导致解析困难
错误处理缺失 ：未考虑 API 限速和错误响应

import openai

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "system", "content": "你是一个有帮助的 AI 助手"},
        {"role": "user", "content": "解释量子计算的基本概念"}
    ],
    temperature=0.7,
    max_tokens=150
)

print(response['choices'][0]['message']['content'])

始终维护完整的对话历史
合理使用 system 角色设置 AI 行为
对长对话定期总结减少 token 消耗
实现对话持久化存储

dialogue_history = []

# 添加系统指令
dialogue_history.append({"role": "system", "content": "用简单语言回答技术问题"})

# 用户提问
dialogue_history.append({"role": "user", "content": "如何理解 RESTful API？"})

# 获取回复并保存到历史
response = get_chatgpt_response(dialogue_history)
assistant_reply = response['choices'][0]['message']
dialogue_history.append(assistant_reply)

在 system 指令中明确格式要求
使用 Markdown 标记增强可读性
示例：要求表格格式输出

format_instruction = """
请用 Markdown 格式回答，包含：1. 简要定义 (加粗)
2. 3 个关键特点 (项目符号)
3. 1 个简单代码示例 (代码块)
"""

import openai
from typing import List, Dict

def chat_with_gpt(messages: List[Dict], max_retry=3) -> str:
    """
    带错误处理的 ChatGPT 对话函数
    :param messages: 消息历史列表
    :param max_retry: 最大重试次数
    :return: 助手回复内容
    """
    for attempt in range(max_retry):
        try:
            response = openai.ChatCompletion.create(
                model="gpt-3.5-turbo",
                messages=messages,
                temperature=0.7,
                max_tokens=1000  # 根据实际需求调整
            )
            return response['choices'][0]['message']['content']
        except Exception as e:
            print(f"Attempt {attempt + 1} failed: {str(e)}")
            if attempt == max_retry - 1:
                return "Sorry, the service is currently unavailable."

# 使用示例
history = [{"role": "system", "content": "你是一位编程导师"},
    {"role": "user", "content": "教我 Python 装饰器的使用"}
]
print(chat_with_gpt(history))

temperature 影响
0.2-0.5：适合事实性回答
0.5-0.8：平衡创意与准确性
1.0：高度创意场景
max_tokens 设置
根据输入长度动态调整 (4096- 输入 tokens)
长回答建议 300-500 tokens
响应时间
复杂问题增加 max_tokens 会延长响应时间
保持对话简洁可提升速度

错误：忽略上下文限制
解决：实现对话分块或总结机制
错误：temperature 设置过高
解决：技术问答使用 0.3-0.7 范围
错误：未处理 API 错误
解决：实现重试机制和降级处理
错误：prompt 设计不明确
解决：使用结构化指令模板
错误：未考虑 token 成本
解决：监控 token 使用并优化对话流程

任务：构建一个能记住用户偏好的对话机器人

要求：
1. 使用 Python 实现基础对话循环
2. 持久化存储用户偏好 (如喜欢的主题、语言风格)
3. 根据历史偏好个性化回复
4. 处理至少 3 种异常情况

提示代码结构：

class PersonalizedAssistant:
    def __init__(self):
        self.preferences = {}
        self.dialogue_history = []

    def save_preferences(self, key, value):
        # 实现偏好存储
        pass

    def generate_response(self, user_input):
        # 整合偏好的生成逻辑
        pass

掌握 ChatGPT 命令的关键在于理解参数间的平衡关系。通过本文的模板和最佳实践，开发者可以快速构建稳定高效的对话应用。建议从简单对话开始，逐步添加上下文管理和个性化功能。记住定期审查 token 使用情况，这对长期运行的应用尤为重要。

正文完