提示词工程简介Prompt Engineering

前情提要:本篇文章是基于视频2小时彻底掌握提示词工程（Prompt Engineering）中记录下来的学习笔记，推荐再看该学习笔记之前先去blili看此教程

一.什么是提示词工程

提示工程也叫指令工程。Prompt就是你发给大模型的指令，比如「讲个笑话」、「用Python编个贪吃蛇游戏」、「给男/女朋友写封情书」等

在使用Prompt的时候，我们应该达到固化一套Prompt到程序中，成为系统功能的一部分的水平，比如「每天生成本公司的简报」「AI客服系统」「基于公司知识库的问答」

1.2 Prompt调优

找到好的prompt是个持续迭代的过程，需要不断调优。

如果知道训练数据是怎样的，参考训练数据来构造prompt是最好的。「当人看」类比:

你知道ta爱读红楼梦，就和ta聊红楼梦
你知道ta十年老阿里，就多说阿里黑话
你知道ta是日漫迷，就夸ta卡哇伊

不知道训练数据怎么办?

看 Ta是否主动告诉你。例如已知:OpenAI GPT对Markdown格式友好，Claude对XML友好
只能不断试了。多一个字少一个字，对生成概率的影响都可能是很大的。「试」是常用方法，确实有运气因素，所以「门槛低、天花板高」

高质量prompt核心要点:

修炼prompt 能力，工夫在平时:

我们的「群聊天」习惯，天然和prompt背道而驰。随口就说，全是短句，容易歧义
欧美的「群发邮件」习惯，更占优势。篇篇都是小作文
让自己在群里也是「小作文」

答案显而易见，是一定需要的，见不同的人肯定要说不同的话。

二.Prompt的典型构成

那么**「定义角色」**为什么有效呢?

模型训练者并没想到过会这样，完全是大家「把AI当人看」玩出的一个实在传得太广，导致现在的大模型训练数据里充满了角色定义，有一篇论文证实的现象，可以说明为啥「你是一个xxx」特别有效

推荐流量包的智能客服

对话系统的基本模块和思路

上面这个图看着可能有点抽象，用对话流程举例:

核心思路:

把输入的自然语言对话，转成结构化的表示(NLU)
把结构化的表示，生成策略(DST--->Policy)
把策略转成自然语言输出(NLG)

用Prompt实现

用逐步调优的方式实现，先搭建基本运行环境

python 复制代码

# 导入依赖库
from openai import OpenAI
from dotenv import load_dotenv, find_dotenv

# 加载 .env 文件中定义的环境变量
_ = load_dotenv(find_dotenv())

# 初始化 OpenAI 客户端
client = OpenAI()  # 默认使用环境变量中的 OPENAI_API_KEY 和 OPENAI_BASE_URL

# 基于 prompt 生成文本
def get_completion(prompt, model="gpt-3.5-turbo"):    # 默认使用 gpt-3.5-turbo 模型
    messages = [{"role": "user", "content": prompt}]  # 将 prompt 作为用户消息
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,                                # 模型输出的随机程度，0 表示最确定
    )
    return response.choices[0].message.content        # 返回生成的文本内容