吴恩达ChatGPT提示工程实战：从原理到高效应用

共计 1898 个字符，预计需要花费 5 分钟才能阅读完成。

背景痛点：为什么提示工程如此重要？

开发者在使用大语言模型时，经常会遇到以下问题：

• 模型理解偏差：同样的提示词，有时能获得理想输出，有时却南辕北辙
• 结果不可控：生成的文本可能包含无关信息、重复内容或不符合格式要求
• 上下文丢失：在多轮对话中，模型容易忘记之前的讨论重点
• 效率低下：冗长的提示导致 token 消耗激增，API 成本难以控制

这些问题本质上都指向同一个核心：如何通过设计更好的提示（prompt）来引导模型行为。吴恩达在《ChatGPT 提示工程》课程中系统性地提出了解决方案。

技术对比：不同提示策略的适用场景

1. 零样本提示（Zero-shot）

直接给模型一个新任务指令，不提供示例。适合简单明确的查询：

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "将下面句子翻译成法语：我喜欢编程"}]
)

2. 少样本提示（Few-shot）

提供少量示例帮助模型理解任务模式。适合需要特定格式的场景：

examples = """
输入: 苹果
输出: 这是一种水果

输入: 汽车
输出: 这是一种交通工具
"""

response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": f"{examples}\n 输入: 钢笔 \n 输出:"}]
)

3. 思维链（Chain-of-Thought）

要求模型展示推理过程，显著提升复杂问题的准确性：

prompt = """
问题: 小明有 5 个苹果，给了小红 2 个，又买了 8 个，现在有多少个？请一步步思考。"""

核心实现：构建高效提示模板

关键要素设计

1. 角色设定：明确模型的身份和职责

   system_msg = "你是一名资深 Python 开发顾问，用简洁专业的语言回答问题"

2. 任务分解：将复杂问题拆解为步骤

   task_steps = """
   1. 理解用户需求
   2. 分析可能的解决方案
   3. 推荐最优实现并解释原因
   """

3. 格式约束：指定输出结构

   format_guide = """
   请按以下格式回应：【结论】一句话总结【理由】分点列出 1 - 3 个关键原因【示例】提供代码片段
   """

上下文保持技术

# 使用消息队列维护对话历史
conversation = [{"role": "system", "content": system_msg},
    {"role": "user", "content": "如何用 Python 高效处理大型 CSV 文件?"}
]

# 添加新问题时携带历史记录
def ask(prompt, conversation):
    conversation.append({"role": "user", "content": prompt})
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=conversation
    )
    conversation.append({"role": "assistant", "content": response.choices[0].message.content})
    return response

生产环境优化策略

Token 效率优化

• 设置 max_tokens 限制响应长度
• 用缩写替代完整短语（”Python”→”Py”）
• 对长文本先进行摘要再处理

安全机制

from openai.moderation import create

# 内容审核
moderation = create(input=user_input)
if moderation.results[0].flagged:
    return "内容不符合安全规范"

避坑指南：5 个常见错误

1. 模糊指令
2. 错误：” 写点关于 AI 的东西 ”

3. 修正：” 用 300 字介绍监督学习与无监督学习的区别，面向大学生群体 ”

4. 过度约束

5. 错误：” 必须用 50 字回答，包含 10 个专业术语 ”

6. 修正：” 用简洁语言解释神经网络，适当使用专业术语 ”

7. 忽略上下文

8. 错误：每次交互都是独立请求

9. 修正：维护最少 3 轮对话历史

10. 缺乏示例

11. 错误：” 生成产品描述 ”

12. 修正：” 参照 ’ 防水设计，续航 30 小时 ’ 的风格写耳机描述 ”

13. 未处理边界

14. 错误：直接使用用户输入
15. 修正：添加输入校验和异常处理

启发思考

1. 在你的业务场景中，哪些任务最适合使用思维链提示？
2. 如何设计评估指标来量化提示改进效果？
3. 当遇到模型 ” 胡言乱语 ” 时，有哪些即时干预策略？

提示工程既是科学也是艺术，需要持续迭代优化。建议从简单提示开始，逐步增加复杂度，同时建立效果评估体系。记住：好的提示应该像给聪明人写的清晰工作说明。