ChatGPT Prompt Engineering实战指南：从基础到高级技巧

1次阅读

没有评论

共计 1714 个字符，预计需要花费 5 分钟才能阅读完成。

Prompt Engineering 本质上是通过精心设计输入文本来引导 AI 模型生成更符合预期的输出。对于开发者而言，这相当于为模型编写『使用说明书』，直接影响以下关键指标：

输出准确性：减少答非所问的情况
结果稳定性：降低随机性带来的波动
功能扩展性：实现复杂任务的多步协作

在实际开发中，我们常遇到这些问题：

意图理解偏差
当 Prompt 表述模糊时，模型可能误解核心需求。例如请求『写首诗』未指定主题和风格时，输出结果随机性极高
上下文断裂
在多轮对话中，模型可能『遗忘』前文设定的关键参数，需要反复提醒
输出格式失控
需要结构化数据时（如 JSON），模型可能返回自由文本

通过明确角色身份约束输出风格：

# 专业医生角色设定示例
prompt = """
你是一位三甲医院呼吸科主任医师，需用专业术语但通俗化的方式回答：患者提问：{user_input}
"""

复杂任务应拆分为清晰步骤：
1. 定义主任务目标
2. 列出必需子步骤
3. 指定各步骤输出格式

# 商品推荐系统示例
prompt = """
执行以下步骤：1. 分析用户需求：{query}
2. 筛选 3 个最匹配商品
3. 按格式返回：- 名称: 
   - 价格: 
   - 优势: 
"""

使用显式标记跟踪关键信息：

dialog_history = [{"role": "system", "content": "当前用户偏好：素食主义"},
    {"role": "user", "content": "推荐午餐"}
]

根据运行时条件调整 Prompt：

def build_prompt(context):
    base = "作为{role}，请完成：{task}"
    return base.format(role=context.get('role', '助手'),
        task=context['current_task']
    )

# 要求严格 JSON 输出
prompt = """
以 JSON 格式返回包含 title/author 字段的书籍信息，示例：{"title": "","author":""}
"""

# 控制生成文本在 100token 内
params = {
    "max_tokens": 100,
    "temperature": 0.7  # 降低随机性
}

Token 使用效率
避免重复的指令文本
使用缩写代替长固定句式
响应时间优化
预编译常用 Prompt 模板
设置合理的 max_tokens 上限

未处理模型拒绝响应情况（如伦理限制）
忽略不同语言版本的 Prompt 差异

# 添加 fallback 处理
try:
    response = generate_response(prompt)
except EthicalError:
    return "该请求无法完成"

from openai import OpenAI

client = OpenAI()

def generate_email_response(sender, email_content):
    prompt = f"""
    角色：专业邮件助手
    任务：为 {sender} 起草礼貌回复
    要求：- 不超过 3 句话
    - 包含以下要点：1. 感谢来信
      2. 确认已理解{email_content[:50]}...
      3. 注明 3 个工作日内回复
    格式：直接返回邮件正文
    """

    response = client.chat.completions.create(
        model="gpt-4",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3
    )
    return response.choices[0].message.content