ChatGPT文案生成实战：从Prompt工程到生产级应用优化

1次阅读

共计 2241 个字符，预计需要花费 6 分钟才能阅读完成。

在实际业务中使用 ChatGPT 进行文案生成时，开发者常遇到以下典型问题：

生成结果随机性大：相同 Prompt 可能产生质量波动较大的输出，影响业务一致性
长文本连贯性差：超过 500 字的内容容易出现逻辑断裂或重复表述
行业术语缺失：通用模型对特定领域（如医疗、法律）的专业表述不够准确
Token 消耗不可控：复杂交互场景下 API 调用成本快速攀升
敏感内容风险：可能意外生成不符合监管要求的内容

角色设定法则

# 示例：电商文案生成角色设定
prompt = """ 你是一名拥有 5 年经验的电商文案专家，擅长用简洁有力的语言突出产品卖点。请为这款智能手表生成 3 条京东商品标题，要求：1. 包含 "心率监测"" 防水 " 关键词
2. 长度控制在 20 字以内
3. 使用感叹号增强感染力 """

步骤分解技巧
将复杂任务拆分为:
1. 信息收集阶段
2. 大纲生成阶段
3. 细节填充阶段
通过 Let's think step by step 等引导词提升逻辑性

示例引导模板

好的文案示例："【限时特惠】防水智能手表！24 小时心率监测，运动健康两不误！"

请参考上述风格，为我们的新品生成类似文案

import json
from datetime import datetime
from typing import Dict, Optional
import openai
import redis

class ContextManager:
    """带 Redis 缓存的对话上下文管理系统"""

    def __init__(self, redis_conn: redis.Redis):
        self.redis = redis_conn
        self.expire_seconds = 3600  # 上下文有效期

    def get_context(self, session_id: str) -> Optional[Dict]:
        """获取历史对话上下文"""
        cached = self.redis.get(f"chatgpt_ctx:{session_id}")
        return json.loads(cached) if cached else None

    def save_context(self, session_id: str, messages: list) -> bool:
        """保存当前对话状态"""
        try:
            return self.redis.setex(name=f"chatgpt_ctx:{session_id}",
                time=self.expire_seconds,
                value=json.dumps(messages)
            )
        except Exception as e:
            logging.error(f"Context 保存失败: {str(e)}")
            return False

策略类型	流式响应	非流式响应
平均响应时间	2.1s	3.8s
Token 消耗	-15%	基准值
内存占用	较低	较高

推荐使用流式响应处理长文本生成：

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=messages,
    stream=True,  # 启用流式
    temperature=0.7
)

for chunk in response:
    print(chunk.choices[0].delta.get("content", ""), end="")

构建多级过滤体系：
基础词库（政治、色情等）
业务词库（竞品名称、内部保密词）
正则模式（电话号码、身份证号等）

实现示例：

def content_filter(text: str) -> bool:
    """返回 True 表示包含敏感词"""
    with open("sensitive_words.txt") as f:
        banned_words = {line.strip() for line in f}

    return any(word in text.lower() for word in banned_words)

采用指数退避算法：

import time
from tenacity import retry, stop_after_attempt, wait_exponential

@retry(stop=stop_after_attempt(5),
    wait=wait_exponential(multiplier=1, max=10)
)
def safe_api_call(prompt: str):
    try:
        return openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": prompt}]
        )
    except openai.error.RateLimitError:
        logging.warning("触发速率限制，自动重试中...")
        raise