ChatGPT提示词工程实战：从基础原理到高效调优

1次阅读

共计 1412 个字符，预计需要花费 4 分钟才能阅读完成。

在实际使用 ChatGPT 这类大语言模型时，开发者常遇到以下典型问题：

多轮对话状态丢失 ：模型难以记住 5 轮前的对话细节，导致上下文断裂
复杂指令理解偏差 ：当输入包含多个子任务时，模型可能忽略关键步骤
输出随机性不可控 ：相同提示词在不同时间可能产生质量波动的结果
隐性偏见放大 ：模型可能强化提示词中隐含的性别 / 文化偏见

这些问题的核心在于：原始模型就像未调教的助手，需要精确的指令引导才能稳定发挥能力。

取值范围：0.0~2.0（API 常用 0.1~1.0）
低值（0.2）：适合事实问答等确定性任务
高值（0.8）：适合创意写作等发散场景

# 温度参数设置示例
response = client.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "写一首关于春天的诗"}],
    temperature=0.7  # 适度创意
)

与 temperature 配合使用（建议二选一）
取值 0.1~1.0，表示累积概率阈值
p=0.9 时，模型仅考虑概率总和达 90% 的 token

 请按以下步骤处理：1. 识别用户 query 中的核心需求
2. 提取关键实体（时间 / 地点 / 人物）3. 分点列出示意图理解结果
4. 最后给出执行建议

当前 query："帮我对比 iPhone15 和 Pixel8 的摄像头性能"

system_prompt = """
你是一位资深手机评测师，擅长用通俗语言解释技术参数。回答时请：- 先列出核心参数对比表
- 再用汽车引擎类比相机传感器
- 最后给出购买建议（不超过 3 条）"""

# 数学推理示例
def math_reasoning(question: str) -> str:
    prompt = f"""
    请逐步解答：Q: {question}
    A: 首先，我们...
    """
    try:
        response = client.chat.completions.create(
            model="gpt-4",
            messages=[{"role": "system", "content": prompt}],
            temperature=0.3
        )
        return response.choices[0].message.content
    except Exception as e:
        print(f"API 错误: {e}")
        return "处理失败"