如何设计高效的awesome chatgpt prompts：从原理到工程实践

1次阅读

没有评论

共计 2184 个字符，预计需要花费 6 分钟才能阅读完成。

在使用 ChatGPT 进行开发时，很多开发者都会遇到 prompt 效果不稳定的问题。这主要体现在几个方面：

歧义性：过于简短的 prompt 容易导致模型理解偏差
低效循环：模型反复要求澄清或给出不相关的响应
质量波动：同一 prompt 在不同时间可能得到不同质量的回答

这些问题不仅影响开发效率，也降低了最终用户体验。我们需要一套系统的方法来设计更可靠的 prompt。

直接给出任务要求，不提供示例。适用于简单、明确的任务。

示例：

 请将以下英文翻译成中文："Hello, world"

提供少量示例帮助模型理解任务模式。适用于需要特定格式输出的场景。

示例：

 请按以下格式回答问题：Q: 什么是人工智能？A: 人工智能是...

现在请回答：Q: 什么是机器学习？

引导模型展示推理过程。适用于需要复杂推理的任务。

示例：

 小明有 5 个苹果，给了小红 2 个，又买了 4 个，他现在有多少个苹果？请一步步思考。

明确指定模型扮演的角色，这能显著提高回答的相关性。

 你是一位经验丰富的 Python 开发者，擅长编写干净、高效的代码。

将复杂任务拆解为清晰的子步骤。

 请完成以下任务：1. 解释 Python 中的装饰器概念
2. 提供一个实际应用示例
3. 指出常见使用误区

明确限制回答的范围和格式。

 请用不超过 200 字回答，使用中文，并提供代码示例。

import openai
from typing import Optional, Dict

def call_chatgpt(prompt: str, model: str = "gpt-3.5-turbo", max_tokens: int = 500) -> Optional[Dict]:
    try:
        response = openai.ChatCompletion.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
            max_tokens=max_tokens,
            temperature=0.7
        )
        return response
    except Exception as e:
        print(f"API 调用失败: {str(e)}")
        return None

def generate_prompt(task: str, context: str = None, examples: list = None) -> str:
    base_prompt = f"""
    你是一位专业的技术专家，请完成以下任务：任务: {task}
    """

    if context:
        base_prompt += f"\n 上下文: {context}"

    if examples:
        example_str = "\n 示例:" + "\n".join(examples)
        base_prompt += example_str

    base_prompt += "\n 请用清晰、专业的方式回答，必要时提供代码示例。"
    return base_prompt

def parse_response(response: Dict) -> str:
    if not response:
        return "无法获取有效响应"

    choices = response.get("choices", [])
    if not choices:
        return "响应中没有有效内容"

    return choices[0].message.content