ChatGPT提示词工程实战：基于吴恩达课程的新手指南

1次阅读

共计 1774 个字符，预计需要花费 5 分钟才能阅读完成。

在 AI 对话系统越来越普及的今天，如何让 ChatGPT 这样的模型准确理解我们的意图并给出满意回答，已经成为开发者必备技能。吴恩达教授在他的提示词工程课程中特别强调：” 好的提示词就像给 AI 的清晰指令，决定了对话质量的上限 ”。简单来说，提示词工程就是教会我们如何与 AI 高效沟通的艺术。

避免模糊表述，直接说明需求
错误示例：” 写点关于人工智能的东西 ”
正确示例：” 用通俗语言解释机器学习中的监督学习，300 字以内 ”

包括角色设定、任务背景等信息
示例：” 假设你是资深 Python 开发者，向新手解释列表推导式的优势 ”

明确指定返回格式（JSON/Markdown/ 表格等）
示例：” 用 Markdown 表格对比 Python 和 JavaScript 的语法差异 ”

分步骤引导 AI 思考
示例：” 首先分析这个问题类型，然后给出解决步骤，最后提供代码示例 ”

使用类似 ” 如果不确定请询问 ” 的容错语句
示例：” 如果需求不明确，请要求我提供更多细节 ”

import openai

openai.api_key = 'your-api-key'  # 实际使用时建议用环境变量管理

try:
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{"role": "user", "content": "用一句话解释什么是 REST API"}],
        temperature=0.7  # 控制创造性
    )
    print(response['choices'][0]['message']['content'])
except Exception as e:
    print(f"API 调用出错: {e}")

template = """ 你是一位技术文档工程师，请完成以下任务：1. 用通俗语言解释 {concept}
2. 给出 3 个实际应用场景
3. 输出为 Markdown 格式 """

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": template.format(concept="微服务架构")}],
    temperature=0.5,  # 降低创造性保证准确性
    max_tokens=500    # 限制输出长度
)

conversation = [{"role": "system", "content": "你是有 10 年经验的 Java 架构师"},
    {"role": "user", "content": "Spring Boot 和传统 Spring 框架的主要区别是什么？"}
]

# 添加后续追问
conversation.append({"role": "user", "content": "请重点比较配置方式的不同"})

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=conversation,
    temperature=0.3  # 技术问题需要低随机性
)