ChatGPT提示工程实战：从基础原理到高效调优

1次阅读

共计 1865 个字符，预计需要花费 5 分钟才能阅读完成。

提示工程（Prompt Engineering）本质上是人类与 AI 模型的沟通艺术。就像我们跟同事交代任务时，说得越清楚对方完成得越好。在 ChatGPT 这类大语言模型中，精心设计的提示词能直接影响输出质量——实验表明优化后的提示可使准确率提升 40% 以上。

当输入 ” 写个 Python 代码 ” 时，模型可能返回爬虫脚本、数据分析代码或 ”Hello World”——这种不确定性在业务系统中完全不可接受。

在长达 20 轮的医疗咨询对话中，第 15 轮突然问 ” 刚才说的第二种药剂量是多少？”，模型很可能已经 ” 失忆 ”。

要求 ” 推荐适合女生的职业 ” 可能触发模型固有的性别刻板印象输出。

template = """
你是一名资深 Python 工程师，请按照以下要求生成代码：1. 功能：{function}
2. 输入类型：{input_types}
3. 输出要求：{output_requirement}
4. 禁止使用：{banned_libraries}

返回 Markdown 格式代码块并附带 3 句话解释 """

关键要素：
– 明确角色设定（资深工程师）
– 分项列举具体要求
– 格式化输出约束

class ChatSession:
    def __init__(self):
        self.history = []

    def add_to_history(self, role, content):
        self.history.append({"role": role, "content": content})
        # 保持最近 5 轮对话防止 token 超限
        if len(self.history) > 5:
            self.history = self.history[-5:]

    def get_context(self):
        return [{"role": "system", "content": "你正在与医疗 AI 对话，请保持专业严谨"}
        ] + self.history

角色扮演 ：” 假设你是米其林三星主厨 …”
思维链 ：” 请按步骤思考：1. 识别问题类型 2. 列出解决框架 …”

示例教学 ：

 示例问题：如何优化 SQL 查询？示例回答：1. 添加索引 2. 避免 SELECT * 
现在请回答：如何防止 Python 内存泄漏？

策略	优点	风险
增大 temperature	创意性增强	结果不可控
限制 max_tokens	节省成本	回答可能被截断
启用 stream	降低延迟感知	需要复杂前端处理

推荐折中方案：

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=context,
    temperature=0.7,  # 平衡创意与稳定
    max_tokens=512,   # 控制响应长度
    stream=True       # 渐进式传输
)

def sanitize_input(text):
    forbidden_terms = ["身份证号", "银行卡", "密码"]
    if any(term in text for term in forbidden_terms):
        raise ValueError("包含敏感词")
    return text.replace("自杀", "***")

格式验证（是否合法 JSON）
内容审查（是否存在有害信息）
业务规则检查（金额计算是否正确）

import backoff

@backoff.on_exception(backoff.expo, 
                     (openai.error.APIError,
                      openai.error.Timeout),
                     max_tries=3)
def safe_completion(prompt):
    try:
        return generate_response(prompt)
    except Exception as e:
        log_error(e)
        return get_cached_response(prompt)