AI大模型之提示词工程详解（一）

最新推荐文章于 2025-04-15 17:11:13 发布

程序员搞AI

最新推荐文章于 2025-04-15 17:11:13 发布

阅读量578

点赞数 7

文章标签： chatgpt 人工智能语言模型

本文链接：https://blog.csdn.net/2501_91465155/article/details/147053153

版权

1.1 什么是提示词(Prompt)

所谓的提示词其实指的就是提供给模型的⼀个⽂本⽚段，⽤于指导模型⽣成特定的输出或回答。提示词的⽬的是为模型提供⼀个任务的上下⽂，以便模型能够更准确地理解⽤户的意图，并⽣成相关的回应。

1.2 什么是提示词工程(Prompt Engineering)

所谓的提示⼯程也可以被称为「指令⼯程」，提示⼯程的核⼼思想是，通过精⼼设计的提示，可以显著提⾼模型的性能和输出质量。

貌似简单，但其实意义⾮凡。（提问的智慧）

Prompt 是 AGI 时代的「编程语⾔」
提示⼯程师是 AGI 时代的「程序员」

如果要学好提示⼯程，那么其实就是要知道如何对咱们的Prompt进⾏调优，与⼤模型进⾏更好的交互。

获得更好结果的6中策略:

write clear instructions 编写清晰的说明
provide reference text 提供参考⽂本
split complex tasks into simpler subtasks 将复杂任务拆分为更简单的⼦任务
give the model time to think 给模型时间思考
use external tools 使⽤外部⼯具
test changes systematically 系统地测试更改

1.3 提示词工程常用技巧

使⽤清晰，明确，避免模糊的词语

在对话中包含详细信息以获得更好的答案

给openai写⾸诗，⽤中⽂
给openai写⼀⾸四句的中⽂诗，模仿李⽩的《望庐⼭瀑布》

⻆⾊扮演

给我⼀个减肥的计划 VS 我想让你扮演⼀个专业的健身私⼈教练。你应该利⽤你的运动科学知识、营养建议和其他相关因素为你的客户定制专业的计划。给我⼀个减肥的计划。

告诉⽤户的⻆⾊

怎么提⾼英语成绩？ VS 我是⼀名幼⼉园的5岁⼩朋友，还不会写字。怎么提⾼英语成绩？

指定输出的格式

给openai写⼀⾸四句的中⽂诗，模仿李⽩的《望庐⼭瀑布》,输出格式为json

少样本提示

1. ⽣成⽂本：ChatGPT可以⽣成与给定主题相关的⽂章、新闻、博客、推⽂等等。您可以提供⼀些关键词或主题，然后ChatGPT将为您⽣成相关的⽂本。2. 语⾔翻译：ChatGPT可以将⼀种语⾔的⽂本翻译成另⼀种语⾔。3. 问答系统：ChatGPT可以回答您提出的问题，⽆论是事实性的问题、主观性的问题还是开放性的问题。4. 对话系统：ChatGPT可以进⾏对话，您可以与ChatGPT聊天，让它回答您的问题或就某个话题进⾏讨论。5. 摘要⽣成：ChatGPT可以从较⻓的⽂本中⽣成摘要，帮助您快速了解⽂章的主要内容。6. ⽂本分类：ChatGPT可以将⼀些给定的⽂本分类到不同的类别中，例如新闻、体育、科技等等。7. ⽂本纠错：ChatGPT可以⾃动纠正⽂本中的拼写错误和语法错误，提⾼⽂本的准确性。请把上⾯7段话各⾃的开头⼏个词，翻译成英⽂，并按序号输出

通过DeekSeep对话得到的结果，可以看到它把所有的内容都翻译成了英文，和我们的需求是有差异的。

我们可以在上面的提示词最后加上这样一段话就可以了

1.4 Prompt调优

找到好的 prompt 是个持续迭代的过程，需要不断调优。

⾼质量 prompt 核⼼要点：具体、丰富、少歧义

简洁：尽量⽤最简短的⽅式表达问题。过于冗⻓的问题可能包含多余的信息，导致模型理解错误或答⾮所问。
具体：避免抽象的问题，确保问题是具体的，不含糊。
详细上下⽂：如果问题涉及特定上下⽂或背景信息，要提供⾜够的详情以帮助模型理解，即使是直接提问也不例外。
避免歧义：如果⼀个词或短语可能有多重含义，要么明确其含义，要么重新表述以消除歧义。
逻辑清晰：问题应逻辑连贯，避免出现逻辑上的混淆或⽭盾，这样才能促使模型提供有意义的回答。

Prompt 的典型构成

⻆⾊：给 AI 定义⼀个最匹配任务的⻆⾊，⽐如：「你是⼀位软件⼯程师」「你是⼀位⼩学⽼师」
指示：对任务进⾏描述
上下⽂：给出与任务相关的其它背景信息（尤其在多轮交互中）
例⼦：必要时给出举例，学术中称为 one-shot learning, few-shot learning或 in-context learning；实践证明其对输出正确性有帮助
输⼊：任务的输⼊信息；在提示词中明确的标识出输⼊
输出：输出的格式描述，以便后继模块⾃动解析模型的输出结果，⽐如（JSON、XML）

⼤模型对 prompt 开头和结尾的内容更敏感

为什么要⽤代码完成⼀部分需求，⽽不是直接使⽤OpenAI

产品中集成和使⽤仍然需要⼤量的⼯作

1.5 用代码完成提示词工程

# 查看openai api支持的基座模型
from openai import OpenAI
from dotenv import load_dotenv
load_dotenv()  # 从我们的env文件中加载出对应的环境变量
import os
os.environ["http_proxy"] = "http://127.0.0.1:1083"
os.environ["https_proxy"] = "http://127.0.0.1:1083"

client = OpenAI()

"""直接写提示词"""
# prompt = '输出一个九九乘法口诀表'
prompt = '请使用python语言 只能利用for循环不能使用其他的语法 输出一个九九乘法口诀表并写好相应的注释'

"""对任务进行描述"""
instruction = """
你的任务是识别用户输入的的信息
提取出对应的时间(time),地点(Locations)、人物(character)
"""

"""输出"""
output = """
并以JSON格式输出
"""

# input_text = """在北京，小明和小红在下午两点钟相约去公园散步。"""
# input_text = """在本周末，我将和我的同事王五一起去海洋公园玩耍。"""
input_text = """今天晚上 我会和我的闺蜜小美一起去酒馆喝酒"""

"""例子"""
examples = """
在北京，小明和小红在下午两点钟相约去公园散步。:{"Locations": "北京","character": ["小明", "小红"],"time": "下午两点钟"}
"""

# examples = """
# 在本周末，我将和我的同事王五一起去海洋公园玩耍。:{"时间": "本周末","地点": "海洋公园","人物": ["我", "我的同事王五"]}
# """

# prompt = f"""
# {instruction}
#
# {output}
#
# {examples}
#
# 用户输入：
# {input_text}
# """

print(prompt)


def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,  # 模型输出的随机性，0 表示随机性最小
    )
    return response.choices[0].message.content


print(get_completion(prompt))