ChatGPT指令工程实战：如何设计高效可复用的Prompt模板

1次阅读

共计 1931 个字符，预计需要花费 5 分钟才能阅读完成。

开发者在直接拼接自然语言指令时，常遇到三个典型问题：

歧义性 ：比如“总结这篇文章”可能被误解为概括全文或提取关键点，缺乏明确任务边界
长文本截断 ：超过 token 限制时，模型会丢弃部分输入内容，导致生成结果偏离预期
状态维护困难 ：多轮对话中，简单的 append 模式会让上下文膨胀，重要指令被淹没

零样本 (Zero-shot)：
适用场景：任务定义明确且通用（如翻译、基础分类）
示例："将以下英文翻译为中文：{text}"
优点：调用简单，token 消耗少
小样本 (Few-shot)：
适用场景：复杂逻辑或特殊格式要求
示例："按示例转换数据：\n 输入：A1B2 → 输出：A-1,B-2\n 输入：{user_input}"
优点：通过案例降低歧义，但需注意示例数量与 token 消耗的平衡

temperature（0-2）：
0.2：适合事实性问答，输出确定性高
0.7：平衡创意与可控性（推荐默认值）
1.5：用于头脑风暴类任务
top_p（0-1）：
0.9：覆盖 90% 概率质量的候选词（常与 temperature=0.7 配合使用）

template = """
# 角色定义
你是一个资深 Python 开发者，擅长编写可维护的 API 代码

# 任务分解
1. 分析用户输入的功能需求
2. 输出满足 PEP8 规范的代码
3. 添加类型注解和 docstring

# 输出格式
```python
{代码块}

“””


## 代码实现示例

带重试机制的 API 调用封装（Python）：```python
import openai
from tenacity import retry, stop_after_attempt, wait_exponential
import json

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
def safe_completion(prompt: str, max_tokens=2048) -> dict:
    try:
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.7,
            top_p=0.9,
            max_tokens=max_tokens
        )
        # 强制 JSON 格式化
        raw_content = response.choices[0].message.content
        return {"success": True, "data": json.loads(raw_content)}
    except json.JSONDecodeError:
        return {"success": False, "error": "INVALID_JSON"}
    except Exception as e:
        return {"success": False, "error": str(e)}

关键参数说明：
– wait_exponential：指数退避策略应对速率限制
– json.loads 二次校验：确保返回数据可解析
– max_tokens：根据提示词长度动态调整

输入过滤：使用正则移除敏感词（如 API 密钥模式 [A-Za-z0-9]{32}）
输出审核：关键词黑名单扫描（可用 Trie 树实现高效匹配）

from datetime import datetime, timedelta

class SessionManager:
    def __init__(self, ttl_minutes=30):
        self.sessions = {}
        self.ttl = timedelta(minutes=ttl_minutes)

    def get_context(self, session_id: str) -> list:
        if session_id in self.sessions and \
           datetime.now() - self.sessions[session_id]["last_used"] < self.ttl:
            return self.sessions[session_id]["context"]
        return []