吴恩达《ChatGPT Prompt Engineering for Developers》课程中文版：从入门到精通的实战指南

2次阅读

没有评论

共计 2215 个字符，预计需要花费 6 分钟才能阅读完成。

在 AI 应用开发中，Prompt（提示词）是与大模型交互的核心桥梁。好的 Prompt 能显著提升模型输出的准确性和实用性，而糟糕的 Prompt 则可能导致结果偏离预期。当前开发者面临三大挑战：

效率低下 ：反复调整 Prompt 仍无法获得理想输出
效果不稳定 ：相同 Prompt 在不同场景下表现差异大
缺乏系统性方法 ：仅靠试错难以掌握设计规律

吴恩达这门课程正是为解决这些问题而生。下面我将结合课程内容，带你系统掌握 Prompt 工程的实战技巧。

课程强调的四大黄金法则：

明确具体 ：避免模糊表述，明确任务边界
分步指导 ：复杂任务拆解为步骤化指令
示例驱动 ：提供 few-shot 示例降低歧义
角色设定 ：通过角色赋予模型特定视角

大模型的上下文窗口是宝贵资源，有效管理方法包括：

关键信息置前 ：重要指令放在 Prompt 开头
动态上下文 ：根据对话进展调整上下文保留策略
摘要压缩 ：对长文本进行阶段性摘要

处理复杂任务的标准流程：

任务分解：将大任务拆解为原子性子任务
串行处理：建立子任务间的输入输出依赖
结果整合：综合各子任务输出生成最终结果

建立科学的评估体系：

制定可量化的评估指标
构建测试用例集
实施 A / B 测试对比不同 Prompt 版本

# 优化前 - 模糊 Prompt
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "写一篇关于 AI 的文章"}]
)

# 优化后 - 具体明确的 Prompt
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{
        "role": "user", 
        "content": "以技术科普风格写一篇 800 字左右的文章，介绍 Transformer 架构的核心思想。要求：\n1. 对比 RNN 的局限性 \n2. 解释 self-attention 机制 \n3. 包含 1 个易于理解的类比示例"
    }]
)

# 建立对话历史管理机制
dialogue_history = []

def chat(query):
    dialogue_history.append({"role": "user", "content": query})

    # 自动修剪过长的历史记录
    if len(str(dialogue_history)) > 3000:
        dialogue_history.pop(0)

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

    bot_reply = response.choices[0].message.content
    dialogue_history.append({"role": "assistant", "content": bot_reply})
    return bot_reply

# 分步骤解决数学应用题
def solve_math_problem(problem):
    # 第一步：问题理解
    step1 = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{
            "role": "user", 
            "content": f"将以下数学问题分解为解题步骤：{problem}"
        }]
    ).choices[0].message.content

    # 第二步：分步求解
    step2 = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[{
            "role": "user", 
            "content": f"按照此解题步骤逐步计算：{step1}"
        }]
    ).choices[0].message.content

    return {"steps": step1, "solution": step2}

错误示例 ：” 写一首诗 ”
解决方案 ：增加具体约束条件，如 ” 写一首七言绝句，主题是江南春天，包含 ’ 细雨 ’ 和 ’ 杏花 ’ 意象 ”

现象：模型输出包含刻板印象
解决方法 ：在 Prompt 中明确排除偏见，如 ” 请从客观技术角度分析，避免性别、种族等偏见 ”

错误做法 ：所有场景都用 temperature=0.9
正确策略 ：
– 创意生成：0.7-1.0
– 事实回答：0-0.3
– 常规对话：0.5-0.7