ChatGPT 提示工程实战：从基础原理到高效调优

1次阅读

没有评论

共计 2166 个字符，预计需要花费 6 分钟才能阅读完成。

开发者在使用 ChatGPT API 时经常遇到以下典型问题：

提示词歧义导致模型输出偏离预期
输出内容不可控，质量波动较大
长对话场景下上下文信息丢失
响应时间随着对话轮次增加而显著延长
敏感内容意外出现在输出中

这些问题严重影响了开发效率和用户体验，需要通过系统的提示工程来解决。

零样本提示 (Zero-shot Prompting)
直接给出任务指令，不提供示例
适用于简单明确的查询任务
示例：” 将以下英文翻译为中文：’Hello world'”
少样本提示 (Few-shot Prompting)
提供少量输入 - 输出示例
适用于需要特定格式或风格的场景
示例：”Q: 2+2=? A:4\nQ: 3+5=? A:8\nQ: 7+9=? A:”
思维链 (Chain-of-Thought)
要求模型展示推理过程
适用于复杂逻辑和数学问题
示例：” 请分步解答：小明有 5 个苹果，吃掉 2 个，又买了 4 个，现在有几个？”

以下 Python 代码展示了如何构建包含多要素的提示模板：

def build_prompt_template(role: str, task: str, constraints: list, examples: list = None):
    """
    构建结构化提示模板
    :param role: 模型角色设定
    :param task: 任务描述
    :param constraints: 输出约束条件
    :param examples: 示例列表 (可选)
    :return: 完整提示字符串
    """prompt = f""" 你是一位 {role}，需要完成以下任务：{task}

输出要求："""

    for i, constraint in enumerate(constraints, 1):
        prompt += f"{i}. {constraint}\n"

    if examples:
        prompt += "\n 参考示例：\n"
        for example in examples:
            prompt += f"- {example}\n"

    return prompt

# 使用示例
template = build_prompt_template(
    role="专业翻译员",
    task="将以下技术文档从英文翻译为中文，保持术语准确",
    constraints=[
        "使用简体中文",
        "保留专业术语",
        "语言风格正式严谨"
    ],
    examples=["Input:'API documentation'→ Output:'API 文档 '"]
)

temperature：控制输出的随机性
值越高 (接近 1)，输出越多样化
值越低 (接近 0)，输出越确定
推荐值：创意任务 0.7-0.9，事实性任务 0.1-0.3
top_p：核采样概率阈值
仅考虑累计概率超过 p 的 token
与 temperature 配合使用效果更佳
推荐值：0.7-0.9

Token 超限处理
问题：输入超过模型最大 token 限制 (如 4096)
解决方案：
- 精简提示词
- 分段处理长文本
- 使用摘要压缩历史对话
敏感内容过滤
问题：意外生成不当内容
解决方案：
- 在提示中明确限制
- 使用 API 的内容过滤功能
- 后处理过滤关键词
格式一致性
问题：输出格式不符合要求
解决方案：
- 在提示中指定格式模板
- 使用少样本示例
- 后处理格式化

max_tokens 设置越大，响应时间越长
应根据实际需要设置合理值
监控 API 响应时间，找到最佳平衡点

def compress_dialog_history(dialog: list, max_tokens: int = 1000):
    """
    压缩对话历史以适应 token 限制
    :param dialog: 对话历史列表
    :param max_tokens: 目标最大 token 数
    :return: 压缩后的对话
    """
    compressed = []
    current_tokens = 0

    # 从最新对话开始反向处理
    for turn in reversed(dialog):
        turn_tokens = len(turn.split())  # 简化的 token 估算

        if current_tokens + turn_tokens > max_tokens:
            # 对过长 turn 进行摘要
            summary = f"[摘要] {turn[:50]}..."
            summary_tokens = len(summary.split())

            if current_tokens + summary_tokens <= max_tokens:
                compressed.insert(0, summary)
                current_tokens += summary_tokens
            break
        else:
            compressed.insert(0, turn)
            current_tokens += turn_tokens

    return compressed

在实际应用中，提示工程往往需要结合具体场景进行深度定制。以下开放性问题值得深入探讨：