基于吴恩达《ChatGPT Prompt Engineering》的高效提示词设计实战

2次阅读

没有评论

共计 2392 个字符，预计需要花费 6 分钟才能阅读完成。

在实际开发中，很多开发者会遇到这样的问题：明明输入了一大段文字，AI 却总是给出似是而非的回答。常见的痛点包括：

模糊不清的指令 ：比如“写篇文章”，却没有明确主题、风格和长度
缺乏结构化 ：大段文字堆砌需求，关键信息被淹没
忽视上下文 ：多轮对话中丢失了重要背景信息
过度依赖默认参数 ：比如始终使用 temperature=0.7
缺少评估标准 ：无法量化提示词改进的效果

吴恩达的课程提出了几个核心原则，经过我的实践验证确实有效：

清晰明确的指令
使用分隔符（“`, “””, — 等）突出关键部分
指定输出格式（JSON/XML/ 列表等）
明确长度限制（字数 / 段落数）
提供参考示例 （Few-shot Learning）
给 1 - 3 个输入输出示例
示例要覆盖典型场景
分步思考 （Chain-of-Thought）
让 AI 展示推理过程
特别适合数学和逻辑问题
角色设定
“你是一个经验丰富的 Python 工程师”
比单纯的技术要求更有效

优化前：

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "客户说商品坏了怎么办？"}]
)

优化后：

# 参数说明：# temperature=0.3 降低随机性
# max_tokens=200 限制响应长度
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    temperature=0.3,
    max_tokens=200,
    messages=[{"role": "system", "content": "你是一个专业客服，请用友善语气回答，先确认问题再提供 3 步解决方案"},
        {"role": "user", "content": "客户投诉：刚收到的智能音箱无法开机"}
    ]
)

效果对比：
– 优化前：可能直接给出维修地址
– 优化后：会先确认电源状态，再指导重置步骤，最后提供退换货选项

def generate_api_doc(function_code):
    prompt = """
    请为以下 Python 函数生成 Markdown 格式的文档，包含：1. 功能描述
    2. 参数说明（类型 + 用途）3. 返回值说明
    4. 使用示例

    函数代码：```python
    {function_code}
    ```
    """.format(function_code=function_code)

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

error_message = "IndexError: list index out of range"
code_snippet = "items = []; print(items[0])"

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "system", "content": "你是一个调试助手，请：1. 解释错误原因 2. 指出具体行号 3. 给出两种修复方案"},
        {"role": "user", "content": f"错误:{error_message}\n 代码:{code_snippet}"}
    ]
)

建议从三个维度评估：

相关性 （0- 5 分）：回答是否切题
一致性 （0- 5 分）：多次询问结果是否稳定
有用性 （0- 5 分）：实际解决问题的程度

可以建立一个简单的评估脚本：

def evaluate_response(prompt, response):
    # 示例评估逻辑
    relevance = input("相关性评分 (0-5):")
    consistency = input("一致性评分 (0-5):")
    usefulness = input("有用性评分 (0-5):")
    return {
        "prompt": prompt,
        "score": (int(relevance) + int(consistency) + int(usefulness)) / 3
    }

不要假设 AI 知道你的上下文
坏实践：直接问“上面的方案怎么样？”
修复：总是携带必要上下文
避免开放式提问
坏实践：“谈谈机器学习”
修复：“用 200 字解释监督学习和无监督学习的区别”
注意 token 限制
大段提示词可能被截断
解决方案：先用摘要再展开
温度参数滥用
creative 写作可以 0.7，技术问答建议 0.2-0.3
忽视系统消息
系统角色设定能显著影响风格

版本控制
用 Git 管理不同版本的提示词

示例目录结构：

/prompts
  /v1
    customer_service.md
  /v2
    customer_service.md

A/ B 测试方案
同时部署两个提示词版本
收集用户反馈数据
使用 t 检验统计显著性
构建提示词库
分类存储已验证的提示词
添加元数据（适用场景、测试评分等）

尝试改进这个基础提示词：

# 原始版本
prompt = "写一篇关于人工智能的文章"

# 你的优化版（参考结构）improved_prompt = """请以'AI 如何改变医疗行业 ' 为题，写 800 字科普文章。要求：1. 包含 3 个具体应用案例
2. 使用比喻解释技术原理
3. 结尾给出 2 个伦理思考
格式：Markdown 带二级标题
"""

建议先在 Playground 测试效果，再用 API 实现自动化。记住：好的提示词都是迭代出来的，不要期待一次完美。

正文完