【AI大模型应用开发】1.1 Prompt Engineering（提示词工程）- 用OpenAI API实战，优化方法论总结-编程知识

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。

文章目录

- 0. 从最简单的开始
- - 0.1 通用代码封装
  - 0.2 使用 - 从最简单的Prompt开始
  - - 0.2.1 temperature参数测试
    - 0.2.2 加上System Prompt
- 1. 迭代优化Prompt
- - 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
    - 1.1.2 让模型充当某个角色
    - - 1.1.2.1 为什么给大模型定义角色就能得到更好的结果？
    - 1.1.3 告诉大模型我是谁 AND 给模型时间思考
    - 1.1.4 输出内容约束
- 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
- 3. 加一句Prompt，让你的Prompt效果翻倍

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：
在这里插入图片描述
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：
在这里插入图片描述

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：

在这里插入图片描述

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

在这里插入图片描述

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。
在这里插入图片描述

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。
在这里插入图片描述
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。
在这里插入图片描述

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）。
在这里插入图片描述
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）：
在这里插入图片描述
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。