Prompt Pattern Catalog：提升ChatGPT提示工程的系统化方法

6次阅读

共计 1911 个字符，预计需要花费 5 分钟才能阅读完成。

作为开发者，在使用 ChatGPT 这类大语言模型时，最常遇到的困扰就是提示（Prompt）的效果不稳定。同样的意图，换种说法可能得到完全不同的结果。每次都要反复调试提示词，既浪费时间又难以保证质量。更让人头疼的是，昨天还能正常工作的提示，今天可能突然就不灵了，这种不可控性在正式产品中简直是噩梦。

Prompt Pattern Catalog 是一种系统化的提示工程方法，它通过分类整理常见的提示模式（Pattern），帮助我们快速构建高质量的提示。就像设计模式之于软件开发，这些经过验证的模式能显著提升生成结果的准确性和可控性。

定义：在提示中明确告诉模型如何处理输入和输出，相当于给模型一套操作指令。

适用场景 ：当需要模型按照特定格式或逻辑处理复杂任务时。

示例：

 你是一个专业的数据分析师。我将给你一组销售数据，你需要：1. 识别异常值
2. 计算关键指标（平均值、中位数、标准差）3. 用 Markdown 表格展示结果

数据：{输入数据}

效果对比 ：
– Bad：” 分析这些销售数据 ”（结果格式混乱）
– Good：使用元语言模式的提示（结构化输出）

定义：让模型在回答前先验证自己的理解是否正确，或分步骤思考。

适用场景 ：复杂问题解答或需要严谨推理的场景。

示例：

 在回答这个问题前，请先：1. 确认你是否理解问题中的所有术语
2. 列出需要验证的假设
3. 分步骤解释推理过程

问题：为什么天空是蓝色的？

效果对比 ：
– Bad：直接给出简短答案（可能不准确）
– Good：经过验证的详细解释

定义：要求模型提供多种可能的解决方案或视角。

适用场景 ：创意生成或决策支持场景。

示例：

 针对如何提高用户留存率，请提供：1. 三种不同的策略方案
2. 每种方案的优缺点分析
3. 你的最终推荐及理由

效果对比 ：
– Bad：单一解决方案（可能不是最优）
– Good：多个选项对比（更全面）

使用最新 OpenAI SDK 调用 ChatGPT API：

import openai
from tenacity import retry, stop_after_attempt, wait_exponential

# 初始化客户端
client = openai.OpenAI(api_key="your_api_key")

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10))
async def get_chat_completion(messages, model="gpt-4", temperature=0.7):
    try:
        response = client.chat.completions.create(
            model=model,
            messages=messages,
            temperature=temperature,
            max_tokens=2000
        )
        return response.choices[0].message.content
    except Exception as e:
        print(f"API 调用失败: {e}")
        raise

# 使用元语言模式的例子
prompt = [{"role": "system", "content": "你是一个专业的数据分析师"},
    {"role": "user", "content": "请分析以下销售数据..."}
]

result = await get_chat_completion(prompt)
print(result)

关键参数说明：
– temperature：控制生成结果的随机性（0-1）
– max_tokens：限制响应长度
– @retry 装饰器实现了指数退避的重试机制