书接上文 【AI大模型应用开发】1.0 Prompt Engineering（提示词工程）- 典型构成、原则与技巧，代码中加入Prompt，我们开始实战。
0. 从最简单的开始
0.1 通用代码封装
修改下我们上篇文章中的代码，将Prompt封装起来
from openai import OpenAI # 加载 .env 到环境变量 from dotenv import load_dotenv, find_dotenv _ = load_dotenv(find_dotenv()) client = OpenAI() ###### 这里封装成函数 ####### def get_openai_chat_completion(messages, temperature, model = "gpt-3.5-turbo-1106"): response = client.chat.completions.create( model = model, messages = messages, temperature = temperature, ) return response.choices[0].message.content
0.2 使用 - 从最简单的Prompt开始
if __name__ == "__main__": messages = [ { "role": "user", "content": "你是谁？", } ] print(get_openai_chat_completion(messages, 0.8))
- 回复（执行3次，3次回复均不同）
0.2.1 temperature参数测试
- 更改temperature值为0，回复（执行3次，3次回复均相同）
temperature可以改变答案生成的随机性，约小，答案越固定。建议不要超过1。
0.2.2 加上System Prompt
前文我们知道prompt有三种角色：
- system：系统指令，最重要，用于初始化GPT行为，以及规定GPT的角色、背景和后续行为模式。system是主提示，可以进行更加详细的设置。
- user: 用户输入的信息。
- assistant: 机器回复，由 API 根据 system 和 user 消息自动生成的。
assistant prompt通常由大模型回复生成，不需要自己设定。下面我们来加上System Prompt。
SYSTEM_PROMPT = """ 你是一个Prompt优化器, 你叫同学小张，用户会给你一个提示，你根据用户给的提示，来将提示优化成更适合大模型的Prompt。 """ if __name__ == "__main__": while True: user_input = input("请输入你的提示：") messages = [ { "role": "system", "content": SYSTEM_PROMPT, }, { "role": "user", "content": user_input, } ] print(get_openai_chat_completion(messages, 0.5))
上面我们增加了System Prompt，给其指定了任务：帮助用户优化Prompt，并且名字叫【同学小张】。来看下它的回复：
可以看到System已经生效了，它充当了Prompt优化工具。虽然效果欠佳，但是是一个好的开始。下面我们将上篇文章总结的Prompt原则和技巧加进来，逐步迭代优化我们的这个Prompt。
1. 迭代优化Prompt
先把我们总结的Prompt典型构成和原则与技巧放进来：
1.1 提供清晰和具体的指令
1.1.1 使用分隔符指示输入的不同部分
不知道大家有没有发现，前面它回答名字出错了，它应该回答叫【同学小张】，但是它回答的却是【小张】。
- 优化：将名字用分隔符隔出来，例如“”双引号。
SYSTEM_PROMPT = """ 你是一个Prompt优化器, 你叫“同学小张”，用户会给你一个提示，你根据用户给的提示，来将提示优化成更适合大模型的Prompt。 """
- 看下效果还不错：
为了能更清晰的看出优化前后结果的好坏，下面我换了一个“规划学习大纲”的Prompt，优化空间更大。
- 原始Prompt
SYSTEM_PROMPT = """ 你叫“同学小张”，用户会给你一个提示，你根据用户给的提示，来为用户设计关于此课程的学习大纲。 """
- 原始结果
1.1.2 让模型充当某个角色
以上的结果虽然看起来像那么回事儿，但是仔细看来，更像是学一门知识的步骤，而不太像教程大纲。下面我们给Prompt加上角色。
SYSTEM_PROMPT = """ 你是一名资深教师，你叫“同学小张”，用户会给你一个提示，你根据用户给的提示，来为用户设计关于此课程的学习大纲。 """
结果明显更像是一个学习大纲，更成体系了。
1.1.2.1 为什么给大模型定义角色就能得到更好的结果？
有一篇论文研究表明：大模型对 prompt 开头和结尾的内容更敏感。
先定义角色，其实就是把大模型回复的问题域收窄，减少二义性，意思更清晰了。
1.1.3 告诉大模型我是谁 AND 给模型时间思考
如果我们已经学会了Python，不想让大模型给我们规划的大纲中包含这部分，我们可以作如下优化：
- 在System Prompt中给模型时间思考，确保它理解了你想学的东西，这样可以减少幻觉。
SYSTEM_PROMPT = """ 你是一名资深教师，你叫“同学小张”，用户会给你一个提示，你根据用户给的提示，来为用户设计关于此课程的学习大纲。 你必须遵循以下原则： 1. 你有足够的时间思考，确保在得出答案之前，你已经足够理解用户需求中的所有关键概念，并给出关键概念的解释。 """
- 用户输入中加入“我已经学会了Python语言”，告诉大模型我是谁
我想学习Prompt，我已经学会了Python语言
结果如下，可以看到大纲中已经没有了Python的基础部分。
1.1.4 输出内容约束
指定输出格式为MarkDown格式，并要求至少是10小节的大纲
SYSTEM_PROMPT = """ 你是一名资深教师，你叫“同学小张”，用户会给你一个提示，你根据用户给的提示，来为用户设计关于此课程的学习大纲。 你必须遵循以下原则： 1. 你有足够的时间思考，确保在得出答案之前，你已经足够理解用户需求中的所有关键概念，并给出关键概念的解释。 2. 输出格式请使用Markdown格式，并保证输出内容清晰易懂。 3. 至少输出10小节的内容 """
结果如下（没截全，确实是10小节）。
但是每小节内容有点不规范，于是再次优化：
SYSTEM_PROMPT = """ 你是一名资深教师，你叫“同学小张”，用户会给你一个提示，你根据用户给的提示，来为用户设计关于此课程的学习大纲。 你必须遵循以下原则： 1. 你有足够的时间思考，确保在得出答案之前，你已经足够理解用户需求中的所有关键概念，并给出关键概念的解释。 2. 输出格式请使用Markdown格式，并保证输出内容清晰易懂。 3. 至少输出10章的内容，每章至少有5个小节 """
要求它输出至少10章内容，每章至少5小节，结果如下（越来越像样子了）：
好了，篇幅所限，迭代优化演示就到这里了，Prompt就是这样从最简单的开始，一步一步优化成可以满足自己要求的。还是那句话，一定不要只看网上的教程和吹的很牛的Prompt，一定要下场实操，才能对怎么写出优秀的Prompt有一个深刻的理解。
2. Prompt优化方法论（进阶技巧）
2.1 进阶技巧汇总
2.2 实战举例 - 少样本提示
这里我拿之前我通过Prompt让ChatGPT帮我写代码的例子来看：
这是一个很直观的例子，如果你不告诉它文件里数据的结构，不举个例子告诉它哪些是x坐标，哪些是y坐标，它肯定不会得到正确的结果。
其余的进阶技巧就不一一实战和演示了，没有具体的需求，没碰到具体的事儿，确实不好找例子来演示。等以后遇到了再补上吧。目前先有个大体认识，知道有这么个方法论，以后遇到难题能作为一种解决思路吧。
意犹未尽的同学可以参考这篇文章：提示工程指南，里面总结的很详细。
3. 加一句Prompt，让你的Prompt效果翻倍
本文最后，给大家搜集了几个常用咒语，加上它，大概率让你的Prompt效果翻倍。
- Let’s think step by step（让我们一步一步思考）- 其实就是上文中的思维链
- Please provide a detailed explanation（请提供详细解释）
- Can you break it down into simpler terms?（你能用更简单的术语解释吗？）
- Please list the pros and cons（请列出优缺点）
- Can you provide a step-by-step guide?（你能提供一步一步的指导吗？）
从今天开始，持续学习，开始搞事情。踩坑不易，欢迎关注我，围观我！
本站文章一览：
有任何问题，欢迎+vx：jasper_8017，我也是个小白，期待与志同道合的朋友一起讨论，共同进步！
