ChatGPT Prompts 工程化实践：从零构建高效对话系统的避坑指南

1次阅读

没有评论

共计 2476 个字符，预计需要花费 7 分钟才能阅读完成。

在使用 ChatGPT API 构建对话系统时，开发者经常会遇到以下问题：

结果不可控：相同的 prompt 在不同时间可能返回不同结果，缺乏一致性
缺乏结构化输出：模型返回的自由文本难以直接用于程序处理
上下文管理困难：多轮对话时难以有效维护历史记录
prompt 设计低效：缺乏系统化的设计方法，导致反复调试

这些问题往往导致开发效率低下，系统稳定性差。本文将介绍一套工程化的解决方案。

一个好的 prompt 模板应该包含以下要素：

角色定义：明确模型的角色和任务
指令说明：具体说明需要模型做什么
格式要求：指定输出的格式和结构
示例：提供少量示例帮助模型理解

示例模板结构：

你是一个专业的技术支持助手，负责回答用户关于 API 使用的问题。请按照以下要求回答问题：1. 首先简要回答问题
2. 然后提供示例代码
3. 最后给出常见错误提示

示例问题：如何用 Python 调用 ChatGPT API？示例回答：[简要说明]
[代码示例]
[常见错误]

现在请回答以下问题：[用户问题]

有效的上下文管理需要考虑：

设置合理的对话窗口大小
选择性保留关键对话历史
实现对话状态跟踪

推荐使用队列结构管理对话历史：

from collections import deque

class ConversationHistory:
    def __init__(self, max_length=5):
        self.history = deque(maxlen=max_length)

    def add_message(self, role, content):
        self.history.append({"role": role, "content": content})

    def get_context(self):
        return list(self.history)

强制结构化输出的几种方法：

使用特定分隔符标记不同部分
要求返回 JSON 格式
使用 few-shot learning 提供示例

示例 prompt：

请用以下 JSON 格式回答问题：{
  "summary": "简要总结",
  "steps": ["步骤 1", "步骤 2"],
  "code": "示例代码"
}

class PromptTemplate:
    def __init__(self, template):
        self.template = template

    def generate(self, **kwargs):
        """使用关键字参数填充模板"""
        return self.template.format(**kwargs)

# 使用示例
template = """ 你是一个{role}，请完成以下任务：{task}
要求：{requirements}
"""
prompt = PromptTemplate(template)
print(prompt.generate(
    role="Python 编程助手",
    task="解释列表推导式",
    requirements="提供 3 个不同复杂度的示例"
))

import openai

class ChatManager:
    def __init__(self, system_prompt):
        self.messages = [{"role": "system", "content": system_prompt}]

    def add_user_message(self, content):
        self.messages.append({"role": "user", "content": content})

    def get_response(self):
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=self.messages
        )
        assistant_message = response.choices[0].message
        self.messages.append({
            "role": "assistant",
            "content": assistant_message.content
        })
        return assistant_message.content

def parse_response(response_text):
    """解析结构化的响应文本"""
    try:
        # 尝试解析为 JSON
        import json
        return json.loads(response_text)
    except json.JSONDecodeError:
        # 处理自由文本
        sections = response_text.split("\n\n")
        return {"sections": sections}