吴恩达 Prompt 工程课精讲②：写出高可靠 Prompt 的2大黄金法则

吴恩达 Prompt 工程课精讲②：写出高可靠 Prompt 的2大黄金法则（附 Python 工程代码）

"如果你只记住两件事，请记住：1. 指令要清晰具体；2. 复杂任务要分步思考。"

------ 吴恩达《ChatGPT Prompt Engineering for Developers》

上一篇我们讲了"为什么开发者要学提示词工程"。

今天，我们进入实战核心 ：如何写出高准确率、可工程化的提示词？

吴恩达在课程第2章《Guidelines for Prompting》中，只强调了两个原则，却覆盖了 90% 的高质量 prompt 场景：

清晰具体的指令（Be Specific and Clear）
思维链推理（Use Chain-of-Thought）

本文不仅详解原理，更提供可直接运行的 Python 代码，教你如何将这两个原则落地到真实项目中。

🧱 法则一：清晰具体的指令 ------ 让模型"无法误解你"

❌ 为什么模糊指令会失败？

python 复制代码

# Bad Prompt 示例
prompt = "写点关于健康的内容。"

模型可能返回：

一篇 2000 字医学论文
一条"多喝水"的微博
一段健身教练的推销话术

问题：你没告诉模型：写给谁？写多长？聚焦什么？用什么语气？

✅ 正确姿势：四维明确法

吴恩达建议，一个好指令应包含：

What：任务目标
How：格式/长度/语气
For Whom：目标受众
Constraints：禁忌或边界

🧪 代码示例：生成结构化用户回复

python 复制代码

from openai import OpenAI
from pydantic import BaseModel, ValidationError
import json

client = OpenAI()

class CustomerResponse(BaseModel):
    reply: str
    tone: str  # "polite" or "urgent"

def generate_customer_reply(user_complaint: str) -> CustomerResponse:
    prompt = f"""
    你是一名电商客服。请根据以下用户投诉，生成一条回复。
    
    要求：
    - 用中文，语气礼貌且专业
    - 回复不超过 60 字
    - 不要承诺具体处理时间
    - 表达"我们已收到并正在处理"
    
    用户投诉：
    "{user_complaint}"
    
    请以 JSON 格式输出，包含字段：reply（字符串）、tone（"polite"）。
    不要包含任何其他文字。
    """
    
    response = client.chat.completions.create(
        model="gpt-4-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.0  # 降低随机性
    )
    
    try:
        output = json.loads(response.choices[0].message.content)
        return CustomerResponse(**output)
    except (json.JSONDecodeError, ValidationError) as e:
        raise ValueError(f"模型输出格式错误: {e}")

# 测试
complaint = "订单三天了还没发货，急着用！"
result = generate_customer_reply(complaint)
print(result.reply)  # → "您好，您的反馈我们已收到，正在加急处理中，感谢您的耐心！"

💡 关键点 ：通过 Pydantic 强制校验输出结构，确保程序可消费。

🧠 法则二：思维链（Chain-of-Thought）------ 让模型"慢下来思考"

❌ 为什么直接问答案会出错？

复制代码

问题：一个班级30人，20人喜欢数学，15人喜欢语文，8人两科都喜欢，多少人两科都不喜欢？

模型可能直接答："5人"（错误！正确是 3 人）。

原因：模型跳过了"去重"步骤。

✅ 正确姿势：强制分步推理

吴恩达指出： "对于任何需要推理的任务，加上'请一步步思考'能显著提升准确率。"

🧪 代码示例：带 CoT 的数学推理 + 结果提取

python 复制代码

import re

def solve_set_problem() -> int:
    prompt = """
    一个班级有30名学生。
    - 20人喜欢数学
    - 15人喜欢语文
    - 8人两科都喜欢
    
    请问有多少人两科都不喜欢？
    
    请一步步推理，并在最后一行以"答案：X人"的格式给出最终结果。
    """
    
    response = client.chat.completions.create(
        model="gpt-4-turbo",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.0
    )
    
    text = response.choices[0].message.content
    print("模型推理过程：\n", text)
    
    # 从最后一行提取答案
    match = re.search(r"答案：(\d+)人", text)
    if match:
        return int(match.group(1))
    else:
        raise ValueError("未找到答案格式")

# 测试
answer = solve_set_problem()
print("最终答案：", answer)  # → 3

🔍 输出示例：

ini 复制代码

喜欢至少一科的人数 = 20 + 15 - 8 = 27  
两科都不喜欢 = 30 - 27 = 3  
答案：3人

💡 工程技巧 ：即使模型自动推理，显式要求 CoT 仍可提升准确率 15--30% （尤其在数学/逻辑场景）。

🛠️ 进阶：将两大法则结合到生产系统

在真实项目中，你往往需要同时满足清晰指令 + 结构化输出 + CoT 推理。

🌰 场景：金融风险评估

python 复制代码

class RiskAssessment(BaseModel):
    risk_level: str  # "low", "medium", "high"
    reasoning: str   # 简要推理

def assess_loan_risk(income: int, debt: int, history: str) -> RiskAssessment:
    prompt = f"""
    你是一名银行风控专家。请评估以下用户的贷款风险：
    
    - 月收入：{income} 元
    - 月负债：{debt} 元
    - 信用历史：{history}
    
    请按以下步骤分析：
    1. 计算负债收入比（DIR = 负债 / 收入）
    2. 结合信用历史判断还款意愿
    3. 综合给出风险等级（low/medium/high）
    
    最后，以严格 JSON 格式输出，包含：
    - "risk_level": 字符串
    - "reasoning": 不超过 50 字的中文推理
    
    不要包含其他内容。
    """
    
    # ...（调用 API + Pydantic 校验，同上）

✅ 小结：两大黄金法则的工程价值

法则	解决什么问题	工程收益
清晰具体	输出不可控、格式混乱	可解析、可集成、可测试
思维链	复杂任务准确率低	可解释、可 debug、可审计

记住：

不要指望模型"猜你心思"

不要跳过"中间步骤"

好 prompt = 明确需求 + 强制约束 + 可验证输出

📌 行动清单（开发者自查）

我的 prompt 是否明确了受众、长度、格式、语气？
复杂任务是否要求"一步步思考"？
输出是否能被程序直接解析（JSON/Pydantic）？
是否设置了 temperature=0 以保证确定性？

下一篇文章预告：《吴恩达 Prompt 工程课精讲③：提示词也要"敏捷开发"？迭代优化实战指南》------我们将用 Git 管理 prompt，像写代码一样迭代优化！

👋 作者：Imnobody | 专注 LLM 应用开发

💬 欢迎在评论区分享你的 prompt 踩坑经历！