ChatGPT写作指令大全：从原理到实战的高效提示词设计指南

1次阅读

共计 1723 个字符，预计需要花费 5 分钟才能阅读完成。

最近在技术社区看到不少开发者吐槽：用 ChatGPT 生成内容时，明明给了指令，结果却南辕北辙。比如让写技术文档却输出散文，要求 200 字却生成 800 字。这背后其实隐藏着几个典型问题：

指令模糊陷阱：像 ” 写篇文章 ” 这样的指令，AI 会默认使用自己的理解填充细节
上下文丢失：在多轮对话中，AI 可能 ” 忘记 ” 先前的关键约束条件
参数配置不当：temperature 值设得过高导致输出随机性太强

直接给出任务要求，适合简单明确的场景：

response = openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  messages=[{"role": "user", "content": "用 100 字解释 RESTful API 设计原则"}]
)

提供示例降低歧义，适合专业领域：

examples = """
输入：简述 Python 装饰器
输出：装饰器是修改函数行为的特殊函数，使用 @语法糖调用

输入：简述 Git rebase
输出：变基是通过修改提交历史来整合分支的操作
"""

引导 AI 展示推理过程，适合复杂问题：

请分步骤思考：1. 识别用户需求的核心痛点
2. 列举可能的解决方案
3. 评估每种方案的优缺点
4. 给出最终建议

graph TD
    A[角色设定] --> B[任务描述]
    B --> C[输出约束]
    C --> D[风格控制]

import openai

# 分层指令组装
def build_prompt(role, task, constraints):
    return f"""【角色】{role}【任务】{task}【要求】{constraints}
    """

# 带参数控制的 API 调用
response = openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  messages=[{"role": "system", "content": "你是一位资深技术文档工程师"},  # 角色设定
        {"role": "user", "content": build_prompt(
            role="云计算专家",
            task="编写 AWS S3 的入门教程",
            constraints="包含代码示例，不超过 500 字"
        )}
    ],
    temperature=0.7,  # 平衡创意与稳定性
    max_tokens=512,   # 防止过长响应
    top_p=0.9         # 控制词汇多样性
)

# 打印格式化结果
print(response.choices[0].message.content)

敏感内容过滤：
使用 Moderation API 预检用户输入

设置明确的内容边界：

if "暴力" in user_input:
    return "内容不符合政策"

长文本管理：
分段处理：每 2000token 做一次总结

关键信息回注：

context_window = keep_last_n_messages(5)

防提示词注入：

用户输入清洗：

cleaned_input = input.replace("ignore previous", "")

延迟优化：
设置合理的 max_tokens
启用 stream=True 实现流式响应
成本控制：
监控 token 使用量
对非关键任务使用 gpt-3.5-turbo

缓存策略：

from diskcache import Cache
cache = Cache("./ai_cache")

@cache.memoize()
def get_cached_response(prompt):
    return openai.ChatCompletion.create(...)