提示词工程实战指南：从新手到高效开发的技能跃迁

2次阅读

共计 1861 个字符，预计需要花费 5 分钟才能阅读完成。

作为刚接触提示词开发的工程师，你是否经常遇到这些问题：

需求模糊不清：无法用准确的语言描述期望模型执行的任务
效果不稳定：相同的提示词在不同时段得到差异巨大的结果
缺乏结构化：长文本提示缺乏逻辑分层，模型难以抓住重点
调试效率低：没有系统化的评估方法，只能靠感觉反复尝试

基础模板式
特点：固定句式 + 变量插槽
优点：实现简单，响应速度快

缺点：复杂任务理解能力有限

# 基础模板示例
prompt = """ 翻译以下内容到法语:
{user_input}"""

思维链 (CoT) 式
特点：显式引导推理步骤
优点：复杂任务准确率提升 30-50%

缺点：token 消耗增加 2 - 3 倍

# CoT 示例
prompt = """ 请按步骤思考：1. 识别句子中的主语和谓语
2. 分析时态和语态  
3. 转换为法语并保持语法正确
句子：{user_input}"""

单轮对话：
适合简单明确的任务
API 调用次数 =1
平均延迟 200-400ms
多轮对话：
需维护对话历史
上下文长度影响成本

典型实现方案：

messages = [{"role": "system", "content": "你是一位法语翻译专家"},
    {"role": "user", "content": "我想知道' 你好 '怎么说"},
    {"role": "assistant", "content": "'你好' 翻译为 'Bonjour'"},
    {"role": "user", "content": "那' 谢谢 '呢？"}  # 保持上下文
]

import openai

# 结构化提示词模板
def build_prompt(role, task, constraints):
    return f"""
    # 角色定义
    你是一位{role}

    # 任务分解
    请依次完成：1. {task['step1']}
    2. {task['step2']}

    # 输出约束
    {constraints}
    """

# 参数调优建议
params = {
    "temperature": 0.7,  # 创意性任务建议 0.7-1.0
    "top_p": 0.9,       # 与 temperature 二选一
    "max_tokens": 500,  # 根据输出长度调整
    "frequency_penalty": 0.5  # 减少重复表达
}

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": build_prompt(
        role="资深技术作家",
        task={"step1": "解释提示词工程的核心概念", 
              "step2": "给出 3 个实际应用场景"},
        constraints="使用中文回答，包含代码示例"
    )}],
    **params
)

角色定义
明确模型身份（领域专家 / 助手等）
示例：” 你是一位有 10 年经验的 Python 开发顾问 ”
任务分解
使用编号步骤引导思考
避免使用 ” 并且 ” 连接多个任务
输出约束
格式要求（JSON/Markdown 等）
内容限制（字数 / 语言 / 风格）

# 关键词过滤函数
def contains_sensitive(text):
    banned_words = [...] # 自定义敏感词库
    return any(word in text.lower() for word in banned_words)

if contains_sensitive(user_input):
    return "内容不符合安全策略"