ChatGPT自定义指令实战指南：如何精准控制AI输出

1次阅读

共计 2141 个字符，预计需要花费 6 分钟才能阅读完成。

在开发基于 ChatGPT 的应用时，我们常遇到两个典型问题：

客服机器人场景 ：当用户询问 ” 如何退款 ” 时，AI 可能直接生成退款政策全文，而不是优先提供简洁的操作步骤
内容生成场景 ：请求生成营销文案时，AI 可能忽略品牌调性要求，输出风格不符的内容

这些问题本质上都是由于缺乏对 AI 输出的精准控制。与人类员工需要明确工作指引一样，AI 也需要清晰的操作指令才能稳定输出符合预期的结果。

 写一篇关于夏季防晒的科普文章

– 优点：简单快捷
– 缺点：
– 输出长度和风格不可控
– 无法确保覆盖关键知识点
– 难以维护（修改需求时需要重写整个提示）

## 指令
角色：护肤科普作家
要求：1. 面向 18-30 岁女性读者
2. 包含 SPF 值选择建议
3. 禁用医学术语
4. 输出 3 段，每段不超过 50 字

– 优点：
– 响应稳定性高
– 可模块化维护
– 便于团队协作
– 缺点：设计成本较高

适用场景 ：需要固定输出风格的场景（如品牌客服、专业顾问）

 你是一名资深咖啡师，需要用亲切但专业的口吻回答问题。知识范围：- 意式咖啡制作
- 豆子产地特性
- 设备保养常识
禁止行为：- 猜测不确定的答案
- 推荐非咖啡饮品

常见问题 ：
– 角色特征被后续对话覆盖 → 在每次请求中重复关键角色定义
– 知识范围不足 → 配合向量数据库提供参考资料

适用场景 ：流程化任务（如商品推荐、故障排查）

 按以下步骤回答用户问题：1. 确认用户预算范围 [必选]
2. 询问使用场景（办公 / 游戏 / 设计）[必选]
3. 推荐不超过 3 款产品
4. 说明每个推荐理由

常见问题 ：
– 用户跳过关键步骤 → 设置强制验证逻辑
– 步骤顺序混乱 → 为步骤添加编号依赖

适用场景 ：合规敏感场景（如法律咨询、医疗建议）

 输出必须满足：- 不包含具体剂量建议
- 标注 "非专业医疗建议" 免责声明
- 引用资料需注明来源
- 使用中文简体
禁用内容：- 疾病治愈承诺
- 偏方推荐

常见问题 ：
– 约束冲突导致无输出 → 设置约束优先级
– 规避性表述 → 结合正则表达式过滤

import openai
import logging
from tenacity import retry, stop_after_attempt, wait_exponential

logging.basicConfig(filename='ai_interaction.log', level=logging.INFO)

# 指令模板
ROLE_INSTRUCTION = """
你是一名专业的 IT 支持工程师，用中文回答技术问题。回答要求：1. 先确认具体故障现象
2. 分步骤给出排查建议
3. 最后提供官方文档链接
禁用行为：- 猜测非技术原因
- 推荐非官方工具
"""

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
async def get_ai_response(prompt):
    try:
        response = await openai.ChatCompletion.acreate(
            model="gpt-3.5-turbo",
            messages=[{"role": "system", "content": ROLE_INSTRUCTION},
                {"role": "user", "content": prompt}
            ],
            temperature=0.5,  # 控制输出随机性
            max_tokens=500
        )
        logging.info(f"Successful response for: {prompt}")
        return response.choices[0].message.content
    except Exception as e:
        logging.error(f"Error processing'{prompt}': {str(e)}")
        raise

使用 Git 管理指令变更
为每个版本添加语义化标签（如 v1.0.0- 客服流程）
通过 AB 测试验证新指令效果

from ahocorasick import Automaton

filter_words = ['诈骗', '违禁品', '政治敏感词'] # 示例
automaton = Automaton()
for idx, word in enumerate(filter_words):
    automaton.add_word(word, (idx, word))
automaton.make_automaton()

def contains_sensitive(text):
    for end_index, (insert_order, original_value) in automaton.iter(text):
        return True
    return False