ChatGPT Prompt Generator 实战：如何构建高效可靠的提示词生成系统

1次阅读

没有评论

共计 2469 个字符，预计需要花费 7 分钟才能阅读完成。

作为一名开发者，在使用 ChatGPT 这类大语言模型时，最令人头疼的问题之一就是提示词（Prompt）的设计。手动编写提示词不仅费时费力，而且质量参差不齐。主要痛点体现在以下几个方面：

重复劳动：针对相似任务需要反复编写结构雷同的提示词
质量不稳定：提示词效果依赖个人经验，难以保证一致性
调试困难：需要多次尝试才能找到最佳表达方式
维护成本高：业务需求变更时需要大量修改现有提示词

为了解决这些问题，我们可以考虑以下几种技术方案：

规则引擎
优点：实现简单，规则明确
缺点：灵活性差，难以处理复杂场景
模板引擎
优点：结构清晰，易于维护
缺点：需要预先定义大量模板
机器学习
优点：自适应性强
缺点：训练成本高，需要大量数据

综合考虑开发效率和维护成本，我们选择基于模板引擎的方案，并辅以简单的规则引擎进行质量校验。

我们的 Prompt Generator 采用模块化设计，主要包含以下组件：

模板管理模块
参数处理模块
质量校验模块
结果输出模块

# prompt_generator.py
from typing import Dict, Optional
import jinja2
import re

class PromptGenerator:
    def __init__(self, template_dir: str = 'templates'):
        """初始化模板引擎"""
        self.env = jinja2.Environment(loader=jinja2.FileSystemLoader(template_dir),
            autoescape=True
        )

    def generate(
        self, 
        template_name: str, 
        context: Dict,
        validate: bool = True
    ) -> Optional[str]:
        """
        生成提示词
        :param template_name: 模板文件名
        :param context: 模板变量
        :param validate: 是否进行质量校验
        :return: 生成的提示词或 None(校验失败时)
        """
        try:
            template = self.env.get_template(template_name)
            prompt = template.render(context)

            if validate and not self._validate(prompt):
                return None

            return prompt
        except Exception as e:
            print(f"生成提示词失败: {e}")
            return None

    def _validate(self, prompt: str) -> bool:
        """质量校验"""
        # 检查长度
        if len(prompt) > 2000:
            return False

        # 检查是否包含敏感词
        if self._contains_sensitive_words(prompt):
            return False

        return True

    def _contains_sensitive_words(self, text: str) -> bool:
        """检查敏感词"""
        sensitive_words = ['暴力', '色情', '政治']  # 示例敏感词列表
        pattern = '|'.join(sensitive_words)
        return bool(re.search(pattern, text))

{# classification.jinja2 #}
请将以下文本分类为 {{categories|join('、') }} 中的一种：文本："{{text}}"

请只输出分类结果，不要包含其他内容。

模板缓存
使用内存缓存已加载的模板
实现模板热更新机制
结果缓存
对常见参数组合的生成结果进行缓存
设置合理的缓存过期策略
并发处理
使用异步 IO 提高吞吐量
实现批量生成接口

模板变量未定义
解决方案：设置默认值或严格校验输入
提示词过长
解决方案：添加长度校验，自动截断
敏感内容
解决方案：实现敏感词过滤机制
模板语法错误
解决方案：添加模板预编译检查
性能瓶颈
解决方案：监控生成耗时，优化高频模板

# test_prompt_generator.py
import unittest
from prompt_generator import PromptGenerator

class TestPromptGenerator(unittest.TestCase):
    def setUp(self):
        self.generator = PromptGenerator('tests/templates')

    def test_generate_success(self):
        context = {'categories': ['体育', '科技', '娱乐'],
            'text': '苹果发布新款 iPhone'
        }
        result = self.generator.generate('classification.jinja2', context)
        self.assertIsNotNone(result)

    def test_validate_fail(self):
        # 测试敏感词检测
        context = {'text': '包含政治敏感内容'}
        result = self.generator.generate('classification.jinja2', context)
        self.assertIsNone(result)

if __name__ == '__main__':
    unittest.main()