基于吴恩达ChatGPT提示词工程的高效开发实践

1次阅读

没有评论

共计 2111 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，很多开发者会遇到输出不稳定、效果时好时坏的问题。这往往是因为提示词设计不够科学导致的。一个好的提示词就像给 AI 的明确工作说明书，而糟糕的提示词则像模糊不清的需求文档。

当前开发者面临的主要挑战包括：

效果不稳定：同样的提示词在不同时间可能得到不同质量的回答
调试成本高：需要反复尝试不同的提示词变体
格式控制困难：难以让 AI 输出结构化、可解析的内容
上下文管理复杂：在多轮对话中难以维持一致的对话逻辑

吴恩达教授的提示词工程方法论为我们提供了系统化的解决方案。与传统随意尝试的方法相比，这套方法论有几个核心原则：

清晰明确的指令
避免模糊的描述
明确指定输出格式和长度
必要时提供示例
提供上下文和示例
使用 few-shot learning（小样本学习）
给出输入输出对作为参考
分步思考
让 AI 展示推理过程
适用于复杂问题的求解
迭代优化
持续测试和改进提示词
使用 A / B 测试比较不同版本

# 多轮对话上下文管理
def chat_with_context():
    context = []
    while True:
        user_input = input("You:")
        if user_input.lower() == 'exit':
            break

        # 构建包含上下文的提示词
        prompt = """ 以下是对话上下文：{context}

        请基于以上对话，回应这句话：{user_input}
        """.format(context='\n'.join(context), user_input=user_input)

        response = get_chatgpt_response(prompt)
        print(f"AI: {response}")

        # 更新上下文（控制长度防止 token 超限）context.append(f"User: {user_input}")
        context.append(f"AI: {response}")
        context = context[-6:]  # 只保留最近 3 轮对话

# 强制结构化输出
def get_structured_response():
    prompt = """ 请将以下文本分析为 JSON 格式，包含三个字段：- "sentiment": 情感分析结果（positive/neutral/negative）- "keywords": 关键词列表（最多 5 个）- "summary": 50 字以内的摘要

    文本："这款手机相机表现非常出色，夜间拍摄效果惊艳，但电池续航令人失望。"

    请确保输出是有效的 JSON，可以直接用 json.loads 解析。"""

    response = get_chatgpt_response(prompt, temperature=0.3)
    try:
        result = json.loads(response)
        print("解析成功:", result)
    except json.JSONDecodeError:
        print("格式错误，请重试")

# 带错误处理的 API 调用
def safe_chatgpt_call(prompt, max_retries=3):
    retries = 0
    while retries < max_retries:
        try:
            response = openai.ChatCompletion.create(
                model="gpt-3.5-turbo",
                messages=[{"role": "user", "content": prompt}],
                temperature=0.7,
                max_tokens=1000
            )
            return response.choices[0].message.content
        except Exception as e:
            print(f"请求失败: {e}")
            retries += 1
            time.sleep(2 ** retries)  # 指数退避
    return "系统繁忙，请稍后再试"

精简上下文：定期清理对话历史
使用缩写提示：如用 ”TLDR” 替代 ” 请用简短的语言总结 ”
设定最大 token 限制：避免生成过长内容

# 敏感内容过滤
def contains_sensitive_content(text):
    prompt = """ 判断以下文本是否包含:
    1. 暴力或仇恨言论
    2. 个人隐私信息
    3. 违法内容

    只需回答是或否。文本："{text}"
    """.format(text=text)

    response = get_chatgpt_response(prompt, temperature=0)
    return "是" in response.lower()