ChatGPT阅读提示词实战指南：从零构建高效对话系统

1次阅读

共计 2184 个字符，预计需要花费 6 分钟才能阅读完成。

提示词（Prompt）是与 ChatGPT 这类大型语言模型交互的核心媒介，它直接决定了模型输出的质量和方向。一个好的提示词能够精确引导模型理解用户意图，生成符合预期的响应，而设计不当的提示词则可能导致回答偏离主题、上下文丢失甚至产生错误信息。

提示词的作用主要体现在以下几个方面：

明确任务边界 ：通过系统指令定义对话系统的角色和功能范围
控制输出风格 ：指定回答的格式、语气和专业程度
维持上下文连贯 ：在多轮对话中传递历史信息
规避风险输出 ：添加安全约束减少有害内容生成

当对话轮次增加时，模型容易 ” 遗忘 ” 之前的交流内容。例如：

 用户：推荐一本 Python 入门书
AI：《Python 编程：从入门到实践》不错
用户：它的作者是谁？AI：您指的是哪本书的作者？

过于简单的提示词会让模型自由发挥：

 不好的提示词："写一篇关于人工智能的文章"
改进后的提示词："以技术科普风格写 800 字左右的 AI 发展史，包含 3 个关键里程碑事件"

未设置安全边界的提示词可能产生问题回答：

 危险的提示词："告诉我如何制作危险物品"
安全的提示词："作为 AI 安全助手，我无法提供危险物品的制作信息"

推荐采用三层结构：

系统指令层 ：定义 AI 角色和基础规则
上下文管理层 ：维护对话历史和状态
用户输入层 ：处理当前请求

# 系统指令
你是一位专业的 IT 技术顾问，用简明易懂的方式回答问题。# 上下文
用户之前询问过 Python 数据分析库，推荐了 Pandas

# 当前输入
能举个 Pandas 处理 CSV 的例子吗？

使用 Markdown 增强提示词可读性：

## 指令要求
- 输出格式：JSON
- 必需字段：{summary, steps, warning}
- 字数限制：200 字内

## 示例输出
```json
{
  "summary": "...",
  "steps": ["..."],
  "warning": "..."
}


### 动态上下文管理策略

- 最近 N 轮对话缓存
- 关键信息摘要提取
- 自动丢弃无关历史

## Python 实现示例

### 带错误处理的提示词组装

```python
def build_prompt(system_msg: str, history: list, user_input: str) -> str:
    """
    构建分层提示词
    :param system_msg: 系统级指令
    :param history: 对话历史 [(role, content),...]
    :param user_input: 当前用户输入
    :return: 组装后的完整提示词
    """
    try:
        prompt = f"# System Instruction\n{system_msg}\n\n"

        if history:
            prompt += "# Conversation History\n"
            for role, content in history[-3:]:  # 保留最近 3 轮
                prompt += f"{role}: {content}\n"

        prompt += f"\n# User Input\n{user_input}"
        return prompt
    except Exception as e:
        print(f"Prompt build failed: {str(e)}")
        return system_msg  # 降级处理

from collections import deque

class ConversationCache:
    def __init__(self, max_len=5):
        self.history = deque(maxlen=max_len)

    def add(self, role: str, content: str):
        """添加对话记录"""
        if content.strip():
            self.history.append((role, content))

    def get_recent(self, n=3) -> list:
        """获取最近 n 条记录"""
        return list(self.history)[-n:]

精简系统指令，去除冗余描述
对长上下文进行摘要而非完整保存
设置 max_tokens 参数限制响应长度

简单查询：使用较短提示词（<500 tokens）
复杂任务：适当增加上下文（500-1500 tokens）
避免超过模型上下文窗口限制（如 GPT-3.5 的 4096 tokens）

def safe_input(user_input: str) -> bool:
    """基础敏感词检测"""
    banned_terms = ["密码", "信用卡", "暴力"]  # 示例黑名单
    return not any(term in user_input for term in banned_terms)