Python

主题

提示工程 ​

什么是提示工程？ ​

提示工程（Prompt Engineering）是设计有效提示以引导大语言模型（LLM）行为的技术。通过精心设计的提示，可以显著提高模型输出的质量、准确性和相关性。

核心概念 ​

1. 提示组成 ​

一个完整的提示通常包含：

  • 指令：告诉模型需要做什么
  • 上下文：提供必要的背景信息
  • 输入数据：需要处理的具体内容
  • 输出格式：指定输出的格式要求

2. 提示类型 ​

常见的提示类型：

  • 零样本提示：不提供示例，直接给出指令
  • 少样本提示：提供几个示例引导模型
  • 思维链提示：引导模型逐步推理
  • 角色提示：指定模型扮演特定角色

3. 提示原则 ​

设计有效提示的原则：

  • 明确具体：避免模糊指令
  • 简洁清晰：避免冗余信息
  • 结构化：使用清晰的结构
  • 可测试：便于验证和迭代

技术原理 ​

1. 注意力机制 ​

LLM基于Transformer的注意力机制：

  • 自注意力：捕捉序列内部依赖关系
  • 多头注意力：并行处理多个注意力模式
  • 位置编码：编码序列位置信息

2. 上下文学习 ​

LLM的上下文学习能力：

  • 少样本学习：从少量示例中学习
  • 零样本泛化：无示例也能理解任务
  • 指令遵循：理解并遵循自然语言指令

3. 思维链推理 ​

思维链（Chain-of-Thought）推理：

  • 逐步推理：将复杂问题分解为简单步骤
  • 中间步骤：展示推理的中间过程
  • 自我验证：验证推理过程的正确性

提示设计技巧 ​

1. 零样本提示 ​

python
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# 简单零样本提示
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "user", "content": "将以下文本翻译成英文：'人工智能是未来的发展方向'"}
    ]
)

print(response.choices[0].message.content)

2. 少样本提示 ​

python
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# 少样本提示
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是一个情感分析专家。"},
        {"role": "user", "content": "示例1：'这个产品太棒了！' -> 正面"},
        {"role": "assistant", "content": "正面"},
        {"role": "user", "content": "示例2：'服务态度很差' -> 负面"},
        {"role": "assistant", "content": "负面"},
        {"role": "user", "content": "请分析：'电影情节很精彩，但演员演技一般'"}
    ]
)

print(response.choices[0].message.content)

3. 思维链提示 ​

python
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# 思维链提示
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是一个数学老师。请逐步解决数学问题。"},
        {"role": "user", "content": "问题：一个商店有15个苹果，卖出了8个，又进货了12个，现在有多少个苹果？\n\n请逐步推理："}
    ]
)

print(response.choices[0].message.content)

4. 角色提示 ​

python
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# 角色提示
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是一个经验丰富的软件工程师，擅长Python编程。请用专业但易懂的方式回答问题。"},
        {"role": "user", "content": "请解释什么是装饰器？"}
    ]
)

print(response.choices[0].message.content)

高级技巧 ​

1. 结构化提示 ​

python
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# 结构化提示
prompt = """
# 任务
请分析以下产品评论，提取关键信息。

# 输入
评论：{{review}}

# 输出格式
请以JSON格式输出：
{
  "sentiment": "正面/负面/中性",
  "key_points": ["要点1", "要点2"],
  "rating": 1-5,
  "summary": "一句话总结"
}

# 要求
1. 情感分析要准确
2. 提取关键要点
3. 给出1-5分的评分
4. 用一句话总结
"""

review = "这款手机拍照效果很好，电池续航也不错，就是价格有点贵。"

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "你是一个产品评论分析专家。"},
        {"role": "user", "content": prompt.replace("{{review}}", review)}
    ],
    response_format={"type": "json_object"}
)

import json
result = json.loads(response.choices[0].message.content)
print(result)

2. 多轮对话提示 ​

python
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# 多轮对话
messages = [
    {"role": "system", "content": "你是一个旅行顾问。请根据用户的需求推荐旅行目的地。"},
    {"role": "user", "content": "我想去一个温暖的地方度假。"},
    {"role": "assistant", "content": "我推荐您去三亚，那里有美丽的海滩和温暖的气候。"},
    {"role": "user", "content": "预算在5000元左右，有什么建议？"}
]

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=messages
)

print(response.choices[0].message.content)

3. 条件提示 ​

python
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# 条件提示
def generate_response(user_input, user_type):
    if user_type == "beginner":
        system_prompt = "你是一个面向初学者的编程老师。请用简单易懂的语言解释概念。"
    elif user_type == "expert":
        system_prompt = "你是一个面向高级开发者的编程专家。可以使用专业术语。"
    else:
        system_prompt = "你是一个编程助手。"
    
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": user_input}
        ]
    )
    
    return response.choices[0].message.content

# 使用示例
response = generate_response("请解释什么是递归", "beginner")
print(response)

最佳实践 ​

1. 提示设计原则 ​

  • 明确任务：清晰定义任务目标
  • 提供上下文：提供必要的背景信息
  • 指定格式：明确输出格式要求
  • 设置约束：明确限制条件

2. 迭代优化 ​

  • 测试验证：测试提示效果
  • 收集反馈：收集用户反馈
  • 持续改进：根据反馈优化提示
  • 版本管理：管理提示版本

3. 错误处理 ​

  • 边界情况：考虑边界情况
  • 异常处理：处理异常输入
  • 回退策略：设计回退策略
  • 用户引导：引导用户正确使用

常见问题 ​

1. 输出质量差 ​

  • 提示模糊：优化提示设计
  • 缺乏上下文：提供更多上下文
  • 格式不明确：明确输出格式
  • 任务复杂：分解复杂任务

2. 响应不稳定 ​

  • 温度参数：调整temperature参数
  • 提示一致性：保持提示一致性
  • 模型选择：选择合适的模型
  • 参数调优：调优其他参数

3. 性能问题 ​

  • 提示过长：精简提示内容
  • 重复调用：缓存常见问题
  • 并发限制：优化并发策略
  • 模型选择：选择更高效的模型

下一步学习 ​