ChatGPT 提示工程实战：从零构建高效对话系统的 5 个核心技巧

1次阅读

共计 2123 个字符，预计需要花费 6 分钟才能阅读完成。

在构建基于 ChatGPT 的对话系统时，提示（Prompt）的质量直接决定了 AI 的回答效果。好的提示能引导模型输出更精准、更符合预期的内容，而模糊的提示则可能导致答非所问甚至完全错误的输出。提示工程就是通过优化输入的文本指令，让 AI 的表现更接近我们的需求。

指令模糊不清 ：比如简单地问 ” 写篇文章 ”，但没有指定主题、风格或长度，导致输出内容不符合预期。
上下文丢失 ：在多轮对话中，没有正确管理对话历史，导致 AI” 忘记 ” 之前的交流内容。
输出格式混乱 ：没有明确指定响应格式（如 JSON、Markdown 等），导致后续处理困难。

原理：通过固定的指令结构，明确告诉 AI 角色、任务和输出格式要求。

代码示例 ：

import openai

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "system", "content": "你是一个专业的文案写手"},  # 角色定义
        {"role": "user", "content": "写一篇关于 Python 入门的博客，300 字左右，使用 Markdown 格式"}  # 具体任务
    ],
    temperature=0.7  # 控制创意程度
)
print(response.choices[0].message.content)

应用场景 ：内容生成、自动写作等需要特定格式输出的场景。

原理：通过维护 messages 列表，保留完整的对话历史。

代码示例 ：

conversation = [{"role": "system", "content": "你是一个专业的客服助手"},
    {"role": "user", "content": "我的订单 12345 在哪里？"},
    {"role": "assistant", "content": "您的订单正在配送中"},
    {"role": "user", "content": "预计什么时候能到？"}  # 这里 AI 会基于前面上下文回答
]

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=conversation
)
print(response.choices[0].message.content)

应用场景 ：客服对话、教学辅导等需要记忆上下文的场景。

原理：提供几个输入 - 输出示例，让 AI 学习你的期望模式。

代码示例 ：

examples = """用户: 把这句话改写得专业些:" 这个产品很牛 "
AI: 该产品具有卓越的性能表现

用户: 改写这句话: "这个软件太难用了"
AI: 该软件的用户体验有待优化
"""

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "system", "content": "你是一个专业的文案改写助手"},
        {"role": "user", "content": examples + "\n 用户: 改写这句话:' 这个功能太棒了 '"}
    ]
)

应用场景 ：风格转换、文本改写等需要特定表达方式的场景。

原理：通过 temperature 和 top_p 参数控制输出的创造性和多样性。

代码示例 ：

# 需要确定性回答时（如事实查询）response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "Python 是什么？"}],
    temperature=0.3,  # 值越低输出越确定
    top_p=0.9
)

# 需要创造性回答时（如写诗）response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "写一首关于春天的诗"}],
    temperature=0.9,  # 值越高输出越随机
    top_p=1.0
)

应用场景 ：事实查询需要低 temperature，创意写作需要高 temperature。

原理：让 AI 展示推理过程，提高复杂问题的回答质量。

代码示例 ：

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "请一步步思考：如果明天下雨，我应该怎么准备出行？"}
    ],
    temperature=0.5
)

应用场景 ：复杂问题解决、决策建议等需要逻辑推理的场景。