Prompt Engineering 入门指南：从零掌握高效提示词设计技巧

2次阅读

共计 2377 个字符，预计需要花费 6 分钟才能阅读完成。

在开始学习 Prompt Engineering 之前，我们先来看看几个常见的低效 Prompt 设计案例，这些案例代表了新手在设计提示词时容易犯的错误。

歧义性问题 ：” 写一篇关于健康的文章 ” – 过于笼统，没有明确主题、长度或风格要求，导致模型输出不可控
缺乏约束 ：” 告诉我关于历史的事情 ” – 未指定具体历史时期、地域或事件类型，可能产生无关信息
忽略上下文 ：在对话中突然提问 ” 它是什么颜色？” – 没有提供足够的上下文参考，模型无法理解 ” 它 ” 的指代对象

一个高效的 Prompt 通常包含以下几个关键组成部分：

角色定义 (Role Definition)：明确模型应该扮演的角色
任务描述 (Task Description)：具体说明需要完成的工作
输出格式 (Output Format)：规定回答的结构和形式
示例 (Examples)：提供输入输出的示范案例

 你是一位经验丰富的营养学家 (角色定义)。请根据以下食物清单，为糖尿病患者设计一周的餐食计划 (任务描述)。要求：1. 每天三餐加两次零食
2. 每餐标注热量和碳水化合物含量
3. 使用表格形式呈现 (输出格式)

示例输入：食物清单：鸡胸肉、糙米、西兰花...

示例输出：| 时间 | 餐食 | 热量 (kcal) | 碳水化合物 (g) |
|------|------|------------|----------------|
...(示例)

在使用大语言模型 API 时，有几个关键参数会影响输出质量：

temperature(温度)：控制输出的随机性
较低值 (0.2-0.5)：更确定性和保守的回答
较高值 (0.7-1.0)：更有创意但可能偏离主题
top_p(核采样)：控制词汇选择的多样性
较低值 (0.1-0.5)：更集中在前几个可能的词
较高值 (0.7-0.9)：考虑更广泛的词汇选择
max_tokens(最大令牌数)：限制生成长度

评估 Prompt 效果常用的指标包括：

BLEU(Bilingual Evaluation Understudy)：比较机器输出与人工参考的 n -gram 重叠
ROUGE(Recall-Oriented Understudy for Gisting Evaluation)：特别关注召回率，适用于摘要任务
人工评估 ：仍然是黄金标准，可设计评分卡评估相关性、流畅度等

import openai

conversation_history = []

def chat_with_gpt(prompt):
    conversation_history.append({"role": "user", "content": prompt})

    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=conversation_history,
        temperature=0.7,
        max_tokens=500
    )

    assistant_reply = response.choices[0].message.content
    conversation_history.append({"role": "assistant", "content": assistant_reply})

    return assistant_reply

# 使用示例
response = chat_with_gpt("如何学习 Python 编程？")
print(response)

def few_shot_prompting():
    examples = [{"input": "这家餐厅的服务很棒", "output": "正面"},
        {"input": "产品质量很差", "output": "负面"},
        {"input": "体验一般", "output": "中性"}
    ]

    prompt = """请根据以下示例判断情感倾向："""

    for ex in examples:
        prompt += f"输入：{ex['input']}\n 输出：{ex['output']}\n\n"

    prompt += """
    现在请判断这个新输入的情感倾向：输入：物流速度很快，但包装破损
    输出："""

    response = openai.Completion.create(
        engine="text-davinci-003",
        prompt=prompt,
        max_tokens=10,
        temperature=0
    )

    return response.choices[0].text.strip()

# 使用示例
result = few_shot_prompting()
print(result)  # 应该输出 "中性"