吴恩达《提示词工程》课程全解析从入门到精通的AI智能体开发指南在AI技术快速发展的今天掌握提示词工程已成为开发者必备的核心技能。吴恩达教授的《提示词工程》系列课程以其系统性的教学体系和实战导向的内容设计为学习者提供了完整的学习路径。本文将基于课程核心内容结合最新实践案例带你深入掌握提示词工程的精髓。1. 提示词工程基础概念与重要性1.1 什么是提示词工程提示词工程Prompt Engineering是指通过精心设计和优化输入提示Prompt来引导AI模型生成更准确、更符合预期的输出结果的技术方法。它不仅仅是简单的问问题而是一门需要系统学习和实践的技能。在实际应用中一个优秀的提示词应该包含清晰的指令、足够的上下文信息、具体的输出格式要求以及适当的约束条件。例如对比以下两种提示词普通提示词帮我写一段代码优化后的提示词使用Python编写一个函数实现两个数字的加法运算。要求 1. 函数名为add_numbers 2. 接受两个参数a和b 3. 返回a和b的和 4. 包含类型注解和文档字符串1.2 提示词工程的应用场景提示词工程在多个领域都有重要应用价值代码生成与优化根据需求描述生成特定功能的代码片段文本摘要与改写对长文档进行智能摘要或风格转换数据分析与可视化基于数据描述生成分析报告和图表创意内容创作辅助写作、设计思路生成等创意工作技术问题解答解决编程中的具体技术难题1.3 为什么需要系统学习提示词工程随着大语言模型的普及很多人误以为只需要简单描述需求就能获得理想结果。但实际上未经训练的提示词往往会导致输出结果偏离预期目标忽略重要的约束条件产生不完整或不准确的回答无法处理复杂的多步骤任务系统学习提示词工程可以帮助开发者显著提升与大模型交互的效率和质量这在当前AI技术应用中具有重要的实践价值。2. 课程环境准备与工具配置2.1 基础环境要求在学习提示词工程之前需要准备相应的开发环境操作系统要求Windows 10/11、macOS 10.15 或 Linux Ubuntu 18.04至少8GB内存推荐16GB以上稳定的网络连接编程环境Python 3.8 环境Jupyter Notebook 或 VS CodeGit版本控制工具2.2 API密钥配置大多数提示词工程实践需要接入大语言模型API以下是常见的配置方式# 环境变量配置示例 import os from openai import OpenAI # 方法1直接设置API密钥 client OpenAI(api_keyyour-api-key-here) # 方法2通过环境变量设置推荐 # 在终端执行export OPENAI_API_KEYyour-api-key client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) # 使用DeepSeek等替代API的配置 client OpenAI( api_keyyour-deepseek-api-key, base_urlhttps://api.deepseek.com )2.3 开发工具推荐代码编辑器VS Code with Python extensionJupyter Notebook for interactive learningCursor editor (AI-enhanced development)实用库安装# 基础AI开发库 pip install openai pip install anthropic # 数据处理和可视化 pip install pandas numpy matplotlib # 提示词工程工具 pip install langchain pip install guidance3. 核心提示词编写技巧3.1 基础提示词结构一个完整的提示词通常包含以下几个关键组成部分# 标准提示词模板 prompt_template 角色定义{role} 任务描述{task} 输入信息{input} 输出要求{output_format} 约束条件{constraints} 示例参考{examples} # 实际应用示例 effective_prompt 你是一名资深Python开发者擅长编写清晰高效的代码。 任务编写一个函数来处理用户注册数据验证 输入用户提交的注册信息字典包含username, email, password字段 输出要求 - 返回验证结果字典包含is_valid布尔值和errors列表 - 使用类型注解 - 包含详细的文档字符串 约束条件 - 用户名长度3-20字符只允许字母数字 - 邮箱格式必须有效 - 密码至少8位包含大小写字母和数字 示例参考 输入{username: test123, email: testexample.com, password: Abc12345} 输出{is_valid: True, errors: []} 3.2 角色扮演技巧通过明确的角色定义可以显著提升模型输出的专业性# 不同角色的提示词对比 # 通用角色 generic_prompt 解释什么是机器学习 # 专业角色 expert_prompt 你是一位有10年经验的机器学习工程师正在向技术团队的新成员解释基本概念。 请用专业但易懂的语言解释 1. 机器学习的核心思想 2. 监督学习与非监督学习的区别 3. 常见的应用场景示例 要求避免过于学术化的表述侧重实际工程应用。 3.3 迭代优化策略提示词工程是一个需要不断迭代优化的过程# 第一版基础提示词 prompt_v1 写一个Python函数计算斐波那契数列 # 第二版增加具体需求 prompt_v2 写一个Python函数计算斐波那契数列的第n项 要求 - 函数名为fibonacci - 参数n为整数 - 使用递归实现 - 处理n0的情况 # 第三版优化性能和边界条件 prompt_v3 写一个高效的Python函数计算斐波那契数列的第n项 要求 - 函数名为fibonacci - 参数n为非负整数 - 使用记忆化递归优化性能 - 包含类型注解和异常处理 - 提供使用示例 4. 高级提示词技术实战4.1 思维链Chain-of-Thought提示思维链技术通过引导模型展示推理过程提升复杂问题的解决能力complex_prompt 问题一个水池有进水管和出水管。进水管单独注满水池需要6小时出水管单独排空水池需要8小时。如果同时打开进水管和出水管需要多少小时注满水池 请按步骤推理 1. 先分析进水管和出水管的效率 2. 计算同时开启时的净效率 3. 得出最终结果 逐步解答 # 预期模型输出格式 步骤1进水管效率为1/6水池/小时出水管效率为1/8水池/小时 步骤2净效率 1/6 - 1/8 1/24水池/小时 步骤3注满时间 1 ÷ (1/24) 24小时 答案需要24小时注满水池 4.2 少样本学习Few-Shot Learning通过提供少量示例引导模型理解任务模式few_shot_prompt 请将以下英文技术术语翻译成中文并给出简要解释 示例1 输入API Gateway 输出API网关 - 一种管理系统间API通信的中间件 示例2 输入Microservices 输出微服务 - 将应用程序构建为一组小型服务的架构风格 现在请翻译 输入Containerization 输出 # 预期输出 容器化 - 将应用程序及其依赖项打包到独立运行环境的技术 4.3 函数调用Function Calling集成现代AI API支持函数调用功能实现更复杂的应用逻辑function_calling_prompt 用户查询今天北京的天气怎么样 请根据用户需求调用合适的函数获取信息。 # 对应的函数定义 functions [ { name: get_weather, description: 获取指定城市的天气信息, parameters: { type: object, properties: { city: { type: string, description: 城市名称 }, date: { type: string, description: 日期格式YYYY-MM-DD } }, required: [city] } } ]5. 实际项目应用案例5.1 代码审查助手开发下面是一个完整的代码审查提示词工程案例# 代码审查系统提示词模板 code_review_prompt 你是一名资深软件工程师负责代码审查工作。请对以下Python代码进行详细审查 代码文件{filename} 代码内容 python {code}审查要求代码规范检查PEP8符合性潜在bug和逻辑错误识别性能优化建议安全漏洞检查可读性和维护性评价输出格式代码审查报告总体评价[简要总体评价]主要问题[问题1描述]位置[行号]严重程度[高/中/低]建议修复方案[具体建议][问题2描述]位置[行号]严重程度[高/中/低]建议修复方案[具体建议]优化建议[其他优化建议]安全注意事项[安全相关建议] ### 5.2 技术文档生成系统 基于提示词工程自动生成技术文档 python documentation_prompt 根据以下Python函数代码生成完整的技术文档 函数代码 python def calculate_compound_interest(principal, rate, time, compound_frequency1): 计算复利 Args: principal (float): 本金 rate (float): 年利率小数形式 time (float): 时间年 compound_frequency (int): 复利计算频率每年次数 Returns: float: 最终金额 return principal * (1 rate/compound_frequency) ** (compound_frequency * time)文档要求函数功能描述参数详细说明返回值说明使用示例数学公式说明常见问题解答 预期输出结构calculate_compound_interest 函数文档功能描述计算在给定本金、利率和时间条件下的复利最终金额...参数说明principal: 初始投资金额...rate: 年利率以小数形式表示...使用示例result calculate_compound_interest(1000, 0.05, 10) print(result) # 输出1628.89数学公式最终金额 本金 × (1 利率/复利频率)^(复利频率×时间) ## 6. 常见问题与解决方案 ### 6.1 提示词效果不佳的排查方法 当提示词没有产生预期结果时可以按照以下步骤排查 **问题现象输出过于笼统或偏离主题** - 可能原因提示词指令不够具体 - 解决方案增加具体的约束条件和输出格式要求 - 改进示例 python # 改进前写一个排序算法 # 改进后用Python实现快速排序算法要求包含分区函数和递归调用提供测试用例问题现象模型忽略重要约束条件可能原因约束条件表述不够突出解决方案使用明确的关键词和格式强调改进示例# 重要约束条件使用强调格式 注意必须使用递归实现禁止使用内置排序函数6.2 API调用常见错误处理在实际使用API时可能遇到的各种问题及解决方法# 错误处理最佳实践 import openai from openai import OpenAIError import time def robust_api_call(prompt, max_retries3): client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) for attempt in range(max_retries): try: response client.chat.completions.create( modelgpt-3.5-turbo, messages[{role: user, content: prompt}], temperature0.7, max_tokens2000 ) return response.choices[0].message.content except OpenAIError as e: if rate limit in str(e).lower(): print(f速率限制等待重试... ({attempt1}/{max_retries})) time.sleep(2 ** attempt) # 指数退避 else: print(fAPI错误: {e}) break return None # 使用示例 result robust_api_call(解释机器学习的基本概念) if result: print(result) else: print(API调用失败请检查网络连接和API密钥)6.3 提示词长度与token限制优化处理长文本时的优化策略def optimize_long_prompt(text, max_tokens4000): 优化长提示词确保不超过token限制 if len(text) max_tokens * 3: # 粗略估算1token≈3字符 # 策略1提取关键信息 summary_prompt f 请将以下文本压缩到{max_tokens}字符以内保留核心信息 {text[:5000]} # 只处理前5000字符避免过长 # 先调用API进行摘要 summarized robust_api_call(summary_prompt) return summarized if summarized else text[:max_tokens*3] return text # 使用示例 long_text 非常长的技术文档内容... optimized_prompt optimize_long_prompt(long_text)7. 高级技巧与最佳实践7.1 多轮对话上下文管理在复杂任务中维护对话上下文的方法class ConversationManager: def __init__(self, system_prompt): self.messages [] if system_prompt: self.messages.append({role: system, content: system_prompt}) def add_user_message(self, content): self.messages.append({role: user, content: content}) def add_assistant_message(self, content): self.messages.append({role: assistant, content: content}) def get_conversation_summary(self): 生成对话摘要用于长对话的上下文管理 if len(self.messages) 10: summary_prompt 请将以下对话历史压缩为简洁的摘要保留重要决策和关键信息 \n.join([f{msg[role]}: {msg[content]} for msg in self.messages[-6:]]) summary robust_api_call(summary_prompt) return f对话摘要{summary}\n\n当前问题 return def get_current_context(self, user_input): 获取当前对话上下文 context self.get_conversation_summary() if context: return context user_input else: # 包含最近3轮对话 recent_messages self.messages[-6:] [{role: user, content: user_input}] return \n.join([f{msg[role]}: {msg[content]} for msg in recent_messages]) # 使用示例 manager ConversationManager(你是一个编程助手) manager.add_user_message(如何用Python读取CSV文件) manager.add_assistant_message(可以使用pandas库的read_csv函数...) current_context manager.get_current_context(那如何过滤特定列的数据)7.2 温度参数Temperature与多样性控制合理调整生成参数以获得理想输出def generate_with_temperature_control(prompt, creativity_levelbalanced): 根据需求调整生成创造性 temperature_map { deterministic: 0.1, # 确定性高重复提示词输出一致 focused: 0.3, # 聚焦性强适合技术问题 balanced: 0.7, # 平衡模式默认推荐 creative: 1.0 # 创造性高适合创意任务 } temperature temperature_map.get(creativity_level, 0.7) client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) response client.chat.completions.create( modelgpt-3.5-turbo, messages[{role: user, content: prompt}], temperaturetemperature, max_tokens1500 ) return response.choices[0].message.content # 使用示例 technical_prompt 解释Python中的装饰器原理 technical_answer generate_with_temperature_control(technical_prompt, focused) creative_prompt 写一个关于人工智能的短故事 creative_story generate_with_temperature_control(creative_prompt, creative)7.3 提示词模板化与复用创建可复用的提示词模板系统class PromptTemplate: def __init__(self, template_string): self.template template_string self.variables self._extract_variables() def _extract_variables(self): import re return set(re.findall(r\{(\w)\}, self.template)) def format(self, **kwargs): # 检查所有变量是否已提供 missing_vars self.variables - set(kwargs.keys()) if missing_vars: raise ValueError(f缺少变量: {missing_vars}) return self.template.format(**kwargs) # 定义可复用的模板 code_review_template PromptTemplate( 作为{role}请审查以下{language}代码 代码文件{filename} 代码内容 {language} {code}审查重点{focus_point1}{focus_point2}{focus_point3}输出格式要求{output_format} )使用模板生成具体提示词prompt code_review_template.format( role资深Python工程师, languagepython, filenamedata_processor.py, codedef process_data(data): return [x*2 for x in data], focus_point1代码性能优化, focus_point2错误处理完整性, focus_point3代码可读性, output_formatMarkdown格式包含问题列表和建议 )## 8. 性能优化与生产环境部署 ### 8.1 提示词缓存策略 减少重复API调用的优化方法 python import hashlib import pickle import os class PromptCache: def __init__(self, cache_dir.prompt_cache): self.cache_dir cache_dir os.makedirs(cache_dir, exist_okTrue) def _get_cache_key(self, prompt, modelgpt-3.5-turbo): 生成提示词缓存键 content f{model}:{prompt} return hashlib.md5(content.encode()).hexdigest() def get_cached_response(self, prompt, modelgpt-3.5-turbo): 获取缓存响应 cache_key self._get_cache_key(prompt, model) cache_file os.path.join(self.cache_dir, f{cache_key}.pkl) if os.path.exists(cache_file): with open(cache_file, rb) as f: return pickle.load(f) return None def cache_response(self, prompt, response, modelgpt-3.5-turbo): 缓存API响应 cache_key self._get_cache_key(prompt, model) cache_file os.path.join(self.cache_dir, f{cache_key}.pkl) with open(cache_file, wb) as f: pickle.dump(response, f) # 使用缓存的API调用函数 def cached_api_call(prompt, modelgpt-3.5-turbo): cache PromptCache() cached_response cache.get_cached_response(prompt, model) if cached_response: print(使用缓存响应) return cached_response # 实际API调用 client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) response client.chat.completions.create( modelmodel, messages[{role: user, content: prompt}] ) result response.choices[0].message.content cache.cache_response(prompt, result, model) return result8.2 批量处理与并发优化处理大量提示词时的高效方法import asyncio import aiohttp from typing import List, Dict async def batch_api_call(prompts: List[str], model: str gpt-3.5-turbo) - Dict[str, str]: 批量处理多个提示词 api_key os.getenv(OPENAI_API_KEY) base_url https://api.openai.com/v1/chat/completions headers { Authorization: fBearer {api_key}, Content-Type: application/json } async with aiohttp.ClientSession() as session: tasks [] for prompt in prompts: data { model: model, messages: [{role: user, content: prompt}], max_tokens: 1000 } task session.post(base_url, jsondata, headersheaders) tasks.append(task) responses await asyncio.gather(*tasks, return_exceptionsTrue) results {} for prompt, response in zip(prompts, responses): if isinstance(response, Exception): results[prompt] f错误: {response} else: json_response await response.json() results[prompt] json_response[choices][0][message][content] return results # 使用示例 async def main(): prompts [ 解释Python的列表推导式, 什么是递归函数, 如何优化Python代码性能 ] results await batch_api_call(prompts) for prompt, result in results.items(): print(f问题: {prompt}) print(f回答: {result[:100]}...) print(- * 50) # 运行批量处理 # asyncio.run(main())9. 安全与伦理考量9.1 提示词注入防护防止恶意提示词注入的安全措施def sanitize_prompt(user_input: str) - str: 对用户输入进行安全过滤 # 定义危险模式 dangerous_patterns [ r忽略之前|ignore previous, r扮演|act as, r系统提示|system prompt, r机密|confidential, r绕过|bypass, # 添加更多需要过滤的模式 ] # 检查危险内容 for pattern in dangerous_patterns: if re.search(pattern, user_input, re.IGNORECASE): raise ValueError(输入包含不安全内容) # 长度限制 if len(user_input) 10000: raise ValueError(输入过长) return user_input # 安全包装函数 def safe_api_call(user_prompt: str, system_prompt: str ) - str: try: sanitized_prompt sanitize_prompt(user_prompt) client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) messages [] if system_prompt: messages.append({role: system, content: system_prompt}) messages.append({role: user, content: sanitized_prompt}) response client.chat.completions.create( modelgpt-3.5-turbo, messagesmessages, max_tokens1500 ) return response.choices[0].message.content except ValueError as e: return f输入验证失败: {e} except Exception as e: return fAPI调用错误: {e}9.2 内容审核与过滤确保生成内容符合安全标准def content_moderation(text: str) - bool: 内容审核函数 sensitive_keywords [ # 暴力相关 暴力, 攻击, 伤害, # 违法内容 非法, 犯罪, 违禁, # 歧视性内容 歧视, 仇恨, 侮辱, # 添加更多需要审核的关键词 ] for keyword in sensitive_keywords: if keyword in text: return False return True def generate_with_moderation(prompt: str) - str: 带内容审核的生成函数 # 先审核提示词 if not content_moderation(prompt): return 提示词包含不安全内容 # 生成内容 client OpenAI(api_keyos.getenv(OPENAI_API_KEY)) response client.chat.completions.create( modelgpt-3.5-turbo, messages[{role: user, content: prompt}] ) generated_text response.choices[0].message.content # 审核生成内容 if not content_moderation(generated_text): return 生成内容未通过安全审核 return generated_text通过系统学习提示词工程开发者可以显著提升与大语言模型交互的效率和质量。本文涵盖的技术方法和实践案例为构建可靠的AI应用提供了坚实基础建议读者结合实际项目需求持续练习和优化提示词编写技巧。