共计 1206 个字符，预计需要花费 4 分钟才能阅读完成。
ChatGPT Prompt Engineering 入门指南：从基础到实战
背景与痛点
最近 ChatGPT 这类大模型越来越火，但很多新手在用的时候会发现，有时候问的问题明明很简单，但 AI 给的回答就是不太对劲。这就是典型的 Prompt Engineering（提示词工程）没做好的问题。
- 常见问题 1：指令太模糊
比如直接问 ” 写篇文章 ”，AI 不知道你要什么主题、什么风格的文章 - 常见问题 2：缺乏上下文
连续对话中突然切换话题，AI 容易 ” 失忆 ” - 常见问题 3：预期不明确
没有说明需要什么格式、长度或详细程度
核心概念
1. 角色设定（Role Prompting）
让 AI 扮演特定角色能显著提升回答质量。比如：
你是一位经验丰富的 Python 开发工程师，请用专业但易懂的方式解释...2. 上下文管理
- 短期记忆：单次对话中的上下文
- 长期记忆：通过系统提示词设置的固定角色
3. 指令清晰度
好的提示词应该包含：
- 明确的任务要求
- 预期的输出格式
- 相关的背景信息
技术方案
不同提示策略对比
-
零样本提示（Zero-shot）
直接给指令，不提供示例
优点：简单直接
缺点：效果不稳定 -
少样本提示（Few-shot）
提供 2 - 3 个示例
优点：效果显著提升
缺点：占用 token 多 -
思维链（Chain-of-Thought）
让 AI 展示推理过程
优点：适合复杂问题
缺点：响应时间长
实用技巧
- 使用 具体 的动词（” 列举 ”、” 对比 ”、” 总结 ”）
- 明确 约束条件（” 用 50 字以内 ”、” 列成表格 ”）
- 提供 参考范例（” 类似这样的格式：…”）
代码示例
基础 API 调用
import openai
response = openai.ChatCompletion.create(
model="gpt-3.5-turbo",
messages=[{"role": "system", "content": "你是一位技术文档撰写专家"},
{"role": "user", "content": "用通俗语言解释什么是 REST API"}
]
)
print(response.choices[0].message.content)提示词对比
普通提示：
"解释机器学习"优化提示：
"用不超过 100 字向高中生解释机器学习，举一个生活化的例子"生产环境考量
性能优化
- 控制提示词长度（token≈字数×1.3）
- 避免开放式问题（” 谈谈你的看法 ”）
安全注意事项
- 过滤用户输入中的特殊符号
- 设置 max_tokens 限制
避坑指南
-
错误：一次问多个问题
解决：拆分成单次对话 -
错误：让 AI” 自由发挥 ”
解决：明确约束条件 -
错误：忽略系统提示词
解决：始终设置基础角色 -
错误：频繁切换话题
解决：新建对话线程 -
错误：直接使用用户输入
解决：添加内容过滤层
进阶建议
- 学习 OpenAI 官方文档
- 分析优秀的 prompt 案例
- 使用 LangChain 等工具管理对话
动手练习
尝试修改这个基础提示词，观察输出变化：
原始版：
介绍神经网络优化方向：
– 添加角色设定
– 指定受众水平
– 要求具体格式
– 限制输出长度
期待看到你的创意 prompt！
正文完
