这次我们来看一个由吴恩达教授推出的提示词工程Prompt Engineering教程。这套教程被很多人认为是2026年之前最系统、最实用的学习资源它从大模型的基础入门讲起一直深入到高级应用和实战技巧并且附带了完整的课件和代码。无论你是想快速上手ChatGPT、Claude这类聊天机器人还是想将大模型API集成到自己的应用中这套教程都能提供清晰的路径。教程的核心价值在于“系统性”和“实用性”。它不空谈理论而是直接围绕如何写出高效、可靠的提示词Prompt展开涵盖了从零样本Zero-shot到少样本Few-shot再到思维链Chain-of-Thought等核心技巧。对于开发者而言更重要的是它讲解了如何通过API如OpenAI API将提示工程应用到实际项目中比如构建智能客服、内容生成工具或数据分析Agent。本文不会复述视频内容而是会基于这套教程的核心理念和网络上的最佳实践为你梳理出一套可立即上手的提示工程实战指南并附上具体的代码示例和调试方法。如果你关心如何让大模型更听话、如何通过API稳定地获得高质量输出、如何设计提示词模板来处理批量任务那么这篇文章值得你仔细阅读并动手尝试。我们将重点关注提示词的设计原则、API调用中的关键参数、以及如何构建可复用的提示工作流。1. 核心能力速览在学习或应用这套提示工程方法论前可以先通过下表快速了解其覆盖的核心能力和技术要点能力项说明与要点教程定位系统性提示工程课程涵盖从入门到进阶聚焦于实用技巧与API集成。核心内容提示词设计原则、零样本/少样本学习、思维链推理、指令格式化、输出控制、API集成实战。技术栈关联直接适用于 OpenAI API、ChatGPT、Claude 等聊天模型方法论可迁移至 LangChain、LlamaIndex 等应用开发框架。硬件/环境门槛无特殊要求。主要依赖能访问大模型API的网络环境如OpenAI API或能运行开源大模型的本地环境。学习阶段一台普通电脑即可。关键产出结构化提示词模板、可编程的API调用逻辑、处理复杂任务的提示工作流设计思路。适合场景1. 快速提升与大模型对话的效率和质量。2. 为应用程序集成智能文本生成、总结、分类、提取等功能。3. 构建基于大模型的Agent或自动化工作流。是否涉及本地部署教程核心是提示工程方法不强制要求本地部署模型。但方法同样适用于本地部署的LLM如Qwen、Llama。是否支持批量任务是。通过设计好的提示模板和脚本可以轻松处理批量文本的总结、翻译、分类等任务。是否提供API示例是。教程会涉及如何使用 OpenAI API 等接口将提示工程技巧转化为实际的代码调用。2. 适用场景与使用边界提示工程是一套“如何与AI有效沟通”的方法论其适用场景非常广泛但同时也存在明确的边界。适用场景内容生成与创作撰写文章、邮件、营销文案、代码注释、诗歌小说。通过精心设计的提示可以控制风格、长度和格式。信息提取与总结从长文档、会议记录、研究报告中快速提取关键信息、生成摘要、列出要点。分类与归因对用户反馈、支持工单、新闻稿件进行情感分析、主题分类或意图识别。代码辅助解释代码、生成代码片段、重构代码、调试错误。使用“引导词”如import能显著提升生成代码的准确性。模拟与对话构建客服机器人、面试官、角色扮演游戏中的NPC。通过定义角色、上下文和对话规则让AI行为更符合预期。复杂推理与规划解决数学问题、制定项目计划、进行多步骤逻辑推理。利用思维链Chain-of-Thought技巧引导模型展示思考过程。使用边界与注意事项非万能钥匙提示工程无法让模型获得其训练数据之外的知识或突破其固有的能力上限。对于需要精确事实、最新信息或高度专业领域知识的问题仍需结合检索增强生成RAG或微调。输出不确定性即使使用相同的提示模型的输出也可能因temperature等参数设置而产生波动。对于需要完全确定性的生产环境需谨慎设置参数并实施后处理校验。提示注入风险如果提示中包含了用户提供的不可信内容可能存在“提示注入”攻击导致模型执行非预期操作。在构建对外服务时必须对用户输入进行严格的清洗和隔离。成本与延迟复杂的提示尤其是包含大量示例的少样本提示会消耗更多Token增加API调用成本并可能影响响应速度。需要在效果和效率间取得平衡。版权与合规使用大模型生成的内容需注意版权问题特别是生成模仿特定作家或艺术家风格的内容。用于商业用途时务必了解相关服务条款。3. 环境准备与前置条件开始实践提示工程前你需要准备好开发环境。以下是一个通用且必要的清单Python 环境推荐使用 Python 3.8 或更高版本。这是使用大多数AI相关库如OpenAI Python库的基础。包管理工具使用pip或conda来管理依赖。代码编辑器或IDE如 VS Code、PyCharm 等用于编写和调试提示工程脚本。大模型访问权限云端API你需要一个可用的 API 密钥。最常用的是OpenAI API可访问其官网注册并获取密钥。此外Anthropic Claude、Google Gemini 等也提供类似接口。本地模型如果你打算使用开源模型如 Qwen、Llama 3则需要准备相应的GPU资源显存通常需要8GB以上用于7B参数模型并完成本地部署。本文主要围绕API进行演示。网络环境确保你的开发机可以稳定访问所选大模型提供商的API端点。基础环境配置步骤创建一个干净的Python虚拟环境并安装核心库。# 1. 创建并激活虚拟环境 (可选但推荐) python -m venv prompt_env # Windows: prompt_env\Scripts\activate # Linux/Mac: source prompt_env/bin/activate # 2. 安装OpenAI Python客户端库 pip install openai # 3. 安装requests库用于HTTP调用备用 pip install requests # 4. 安装python-dotenv用于管理环境变量推荐 pip install python-dotenv设置API密钥安全做法永远不要将API密钥硬编码在代码中。推荐使用环境变量。# 在项目根目录创建 .env 文件并写入你的密钥 echo OPENAI_API_KEYyour-api-key-here .env4. 提示工程核心原则与代码实践接下来我们结合吴恩达教程的精髓和OpenAI官方的最佳实践通过具体代码示例来拆解提示工程的核心原则。4.1 原则一指令清晰上下文分离核心思想将你的指令任务描述与需要处理的上下文输入文本明确分开通常使用###、或等分隔符。这能帮助模型更好地区分“要做什么”和“对什么做”。效果较差的提示prompt f 将下面的文本总结为要点列表列出最重要的内容。 {user_text} 模型可能混淆指令和待总结的文本边界。效果更好的提示prompt f 将下面的文本总结为要点列表列出最重要的内容。 文本\\\{user_text}\\\ 或者更结构化prompt f ### 指令 ### 请将提供的文本总结为一个要点列表突出其核心内容。 ### 文本 ### {user_text} ### 总结 ### API调用示例import openai from dotenv import load_dotenv import os load_dotenv() # 加载 .env 文件中的环境变量 client openai.OpenAI(api_keyos.getenv(OPENAI_API_KEY)) user_text OpenAI 是一家专注于人工智能研究的公司其开发的GPT系列模型在自然语言处理领域取得了突破性进展。该公司还提供了DALL-E图像生成模型和ChatGPT聊天机器人等服务。 response client.chat.completions.create( modelgpt-4o-mini, # 或 gpt-4, gpt-3.5-turbo messages[ {role: system, content: 你是一个专业的文本总结助手。}, {role: user, content: f将下面的文本总结为要点列表。\n\n文本\\\{user_text}\\\} ], temperature0.5, max_tokens150 ) print(response.choices[0].message.content)预期输出- OpenAI是一家专注于人工智能研究的公司。 - 其GPT系列模型在自然语言处理领域取得突破性进展。 - 公司还提供DALL-E图像生成模型。 - 以及ChatGPT聊天机器人等服务。4.2 原则二具体描述明确格式核心思想尽可能详细地描述你想要的输出包括角色、风格、长度、格式甚至数据结构。效果较差的提示prompt 写一首关于人工智能的诗。输出可能过于随机不符合你的具体期望。效果更好的提示prompt 你是一位擅长写现代诗的诗人。请以李白的豪放风格创作一首关于人工智能AI如何改变未来的短诗。 要求 1. 诗体为四行每行七言。 2. 融入“算法”、“数据”、“智能”等关键词。 3. 表达出对科技发展的乐观与敬畏。 请直接输出诗句不要有额外解释。 API调用示例response client.chat.completions.create( modelgpt-4o-mini, messages[ {role: system, content: 你是一位诗人。}, {role: user, content: prompt} ], temperature0.8, # 写诗可以稍高一些增加创造性 max_tokens100 ) print(response.choices[0].message.content)4.3 原则三提供示例少样本学习核心思想对于复杂或格式要求严格的任务在提示中提供一两个输入-输出示例让模型通过示例学习你的要求。场景从产品描述中提取特定格式的属性信息。少样本提示示例few_shot_prompt 请从产品描述中提取品牌、产品类型和主要功能。 示例1 描述Apple最新发布的iPhone 16 Pro配备了更强大的A18芯片摄像头系统升级显著并支持更快的5G网络。 输出 品牌Apple 产品类型智能手机 主要功能A18芯片升级的摄像头系统更快的5G网络 示例2 描述Dyson的V12 Detect Slim无绳吸尘器非常轻便并配有激光灰尘探测功能适合家庭深度清洁。 输出 品牌Dyson 产品类型无绳吸尘器 主要功能轻便激光灰尘探测深度清洁 现在请根据以下描述进行提取 描述索尼的WH-1000XM5无线降噪耳机在音质和降噪效果上广受好评电池续航长达30小时。 输出 API调用与解析response client.chat.completions.create( modelgpt-4o-mini, messages[ {role: user, content: few_shot_prompt} ], temperature0 # 提取任务需要确定性temperature设为0 ) output_text response.choices[0].message.content print(output_text) # 预期输出 # 品牌索尼 # 产品类型无线降噪耳机 # 主要功能优秀音质卓越降噪效果30小时电池续航你可以编写一个简单的解析函数将这种格式化的输出转换为字典便于后续程序处理。4.4 原则四使用“引导词”启动特定模式核心思想对于代码生成、SQL查询等任务在提示末尾添加一个“引导词”如import,SELECT,def可以强烈暗示模型开始生成特定类型的文本。效果较差的提示prompt 写一个Python函数输入一个数字列表返回这个列表的平均值。 模型可能会先解释一遍再写代码。效果更好的提示prompt 写一个Python函数输入一个数字列表返回这个列表的平均值。 def calculate_average(numbers): 这个def开头就是引导词直接告诉模型“从这里开始写代码”。API调用示例response client.chat.completions.create( modelgpt-4o-mini, messages[ {role: system, content: 你是一个Python编程助手。只返回代码不要解释。}, {role: user, content: prompt} ], temperature0, max_tokens150 ) print(response.choices[0].message.content)预期输出if not numbers: return 0 return sum(numbers) / len(numbers)5. 关键API参数解析与调优仅仅有好的提示词还不够合理配置API参数是获得稳定、高质量输出的关键。以下是几个最核心的参数model选择模型。通常越新、越大的模型能力越强但成本更高响应可能更慢。根据任务复杂度选择例如简单分类可用gpt-4o-mini复杂推理可用gpt-4o。temperature温度控制输出的随机性。范围[0, 2]。temperature0输出确定性最高相同的输入几乎总是得到相同的输出。适合事实提取、分类、代码生成。temperature0.7~1.0常用的创造性范围输出多样且自然。适合写作、创意生成、头脑风暴。temperature 1.0输出非常随机可能产生不连贯或奇怪的内容。慎用。max_tokens/max_completion_tokens限制模型生成内容的最大长度Token数。这是一个硬性上限设置过小可能导致输出被截断。需要根据任务预估对于总结任务可能设150对于长文生成可能设1000。stop停止序列指定一个字符串列表当模型生成其中任何一个字符串时立即停止生成。常用于控制输出格式或段落。例如在生成一个列表时可以设置stop[\n\n, ###]当模型生成两个换行或###时停止防止它继续写下去。参数调优示例# 一个用于稳定提取实体信息的配置 response client.chat.completions.create( modelgpt-4o-mini, messages[...], # 你的提示消息 temperature0, # 确定性输出 max_tokens200, # 给予足够的空间 stop[\n\n, ###END###] # 定义明确的停止符 ) # 一个用于创意写作的配置 response client.chat.completions.create( modelgpt-4o, messages[...], temperature0.9, # 更高的创造性 max_tokens500, stopNone # 不设停止符直到达到max_tokens或自然结束 )6. 构建可复用的提示模板与批量处理当提示工程应用于生产环境时我们需要将提示词模板化、参数化并支持批量处理。1. 使用Python字符串格式化创建模板class PromptTemplate: def __init__(self, template): self.template template def format(self, **kwargs): 使用关键字参数填充模板 return self.template.format(**kwargs) # 定义一个总结模板 summary_template PromptTemplate( 请将以下文本总结为不超过{bullet_count}个要点的列表。 文本 \\\{input_text}\\\ 总结要点 ) # 使用模板 input_text 这里是一段很长的需要总结的文本... formatted_prompt summary_template.format(input_textinput_text, bullet_count3) print(formatted_prompt)2. 批量处理数据假设你有一个包含多条文本的列表需要为每条文本生成摘要。import json from typing import List def batch_summarize(texts: List[str], model: str gpt-4o-mini, batch_size: int 5) - List[str]: 批量总结文本列表。 注意实际调用API时需考虑速率限制和错误处理。 summaries [] template PromptTemplate( 请用一句话总结以下内容 内容\\\{text}\\\ 总结 ) for i in range(0, len(texts), batch_size): batch texts[i:ibatch_size] # 在实际生产中这里应该加入延时、错误重试等逻辑 for text in batch: prompt template.format(texttext) try: response client.chat.completions.create( modelmodel, messages[{role: user, content: prompt}], temperature0.3, max_tokens50 ) summary response.choices[0].message.content.strip() summaries.append(summary) except Exception as e: print(f处理文本时出错: {e}) summaries.append([总结失败]) return summaries # 示例数据 documents [ 第一段很长很长的文本内容..., 第二段文档的内容..., # ... 更多文档 ] # result batch_summarize(documents) # print(result)7. 高级技巧思维链Chain-of-Thought, CoT与自洽性对于复杂的数学、逻辑推理问题直接提问可能得不到正确答案。思维链技巧引导模型“一步一步思考”将推理过程展示出来。基础提问可能失败问题一个篮子里有5个苹果你拿走了2个又放进去3个梨最后篮子里有多少个水果模型可能直接回答6忽略了水果种类的变化。使用思维链提示请逐步推理以下问题 问题一个篮子里有5个苹果你拿走了2个又放进去3个梨最后篮子里有多少个水果 让我们一步一步思考 1. 最初有5个苹果。 2. 拿走了2个苹果剩下 5 - 2 3个苹果。 3. 放进去3个梨。现在篮子里有3个苹果和3个梨。 4. 水果的总数是苹果数加梨数3 3 6。 所以最后篮子里有6个水果。通过让模型先生成推理步骤再得出结论可以显著提高复杂问题的回答准确率。在API调用中你可以要求模型在最终答案前先输出“思考过程”。8. 常见问题与排查方法在实际使用提示工程和API时你会遇到一些典型问题。下表列出了常见问题及其解决方法。问题现象可能原因排查方式解决方案API调用返回认证错误API密钥错误、过期或未正确设置。检查.env文件或环境变量OPENAI_API_KEY是否正确加载。打印密钥前几位验证勿泄露完整密钥。1. 在OpenAI官网检查密钥状态。2. 确保代码中通过os.getenv(OPENAI_API_KEY)正确读取。3. 对于国内环境检查网络代理设置。模型输出不符合格式要求提示词指令不够清晰或temperature设置过高。检查提示词是否明确指定了输出格式如JSON、列表。检查temperature参数值。1. 在提示词中使用更明确的分隔符和格式说明。2. 提供少样本示例。3. 对于格式严格的输出将temperature设为0或接近0。输出内容被截断max_tokens参数设置过小。查看API返回的finish_reason字段。如果是length则表示因达到token限制而停止。适当增加max_tokens的值。同时可以在提示词中要求模型“用更简洁的语言”或“分点列出”。处理长文本时上下文溢出输入的文本加上提示词超过了模型的上下文窗口如GPT-4o是128K但旧版本可能只有4K。计算输入文本的Token数可用tiktoken库。1. 对长文本进行分段处理分别总结再合并。2. 使用支持更长上下文的模型如gpt-4o。3. 采用“映射-归约”策略先分段提取关键信息再综合。批量处理时遇到速率限制单位时间内发送的请求过多触发API提供商的速率限制。API返回错误信息中通常包含rate_limit相关字样。1. 在代码中增加请求间隔如time.sleep(1)。2. 使用异步请求或更小的批次大小。3. 申请提高速率限制付费账户。少样本示例效果不稳定提供的示例不够典型或与待处理任务差异过大。手动检查几个失败案例对比示例输入和实际输入的差异。1. 增加示例数量2-5个。2. 确保示例覆盖了任务的主要变体。3. 在示例中明确展示可能的“边缘情况”如何处理。代码生成功能不准确引导词使用不当或问题描述不够精确。检查生成的代码是否有语法错误或逻辑错误。1. 使用更明确的引导词如import pandas as pd\n开头。2. 在提示词中指定编程语言、库版本和输入输出示例。3. 要求模型“只输出代码不要输出解释”。9. 最佳实践与工程化建议将提示工程从实验阶段推向生产环境需要遵循一些工程化最佳实践版本化提示模板不要将提示词硬编码在业务逻辑中。将提示模板存储在配置文件如JSON、YAML或数据库中便于管理、更新和A/B测试。// prompts_config.json { summary_short: { system: 你是一个简洁的总结助手。, user_template: 请用一句话总结以下内容\n内容\\\{text}\\\\n总结 }, entity_extraction: { system: 你是一个信息提取专家。, user_template: 从以下文本中提取公司名、人名和产品名以JSON格式输出\n文本{text} } }实施系统指令System Message在Chat Completion API中充分利用system角色消息来设定AI的长期身份和行为准则这比在每条用户提示中重复说明更有效。构建评估体系对于关键任务建立一套评估标准。可以是人工抽查也可以是自动化指标如提取的关键信息是否完整、总结是否覆盖原文要点。根据评估结果迭代优化提示词。设置超时与重试机制网络请求可能失败。在你的API调用封装函数中必须设置合理的超时时间并实现指数退避等重试逻辑。import time from tenacity import retry, stop_after_attempt, wait_exponential retry(stopstop_after_attempt(3), waitwait_exponential(multiplier1, min4, max10)) def robust_api_call(prompt): # 你的API调用代码 response client.chat.completions.create(...) return response成本监控与优化提示越长、模型越强成本越高。定期审计API使用情况对于简单任务尝试使用更小、更便宜的模型如gpt-4o-mini替代gpt-4o。优化提示词去除冗余信息。安全与合规审查建立对用户输入和模型输出的审查机制。对输入进行过滤防止提示注入对输出进行内容安全审核避免生成有害或不适当的内容。10. 总结与下一步吴恩达的这套提示工程教程之所以被推崇是因为它将一个看似“玄学”的与大模型对话的过程拆解成了可学习、可实践、可迭代的系统性方法。本文基于其核心思想为你呈现了一套从原则到代码的实战指南。最值得立即尝试的点从“指令清晰上下文分离”开始这是提升提示效果最直接、成本最低的方法。立即检查你现有的提示词用###或\\\把指令和输入文本分开。掌握temperature参数理解并熟练运用这个参数你就能在“稳定可靠”和“创意涌现”之间自由切换。对于生产任务先从temperature0开始。构建你的提示词工具箱将常用的提示模板如总结、翻译、格式转换保存下来形成你自己的工具库避免重复劳动。最容易踩的坑忽视max_tokens导致输出被意外截断任务失败。在复杂任务中不使用少样本示例指望模型凭空理解复杂格式结果往往不尽人意。将API密钥写在代码里提交到GitHub这是一个严重的安全隐患务必使用环境变量。后续扩展方向与LangChain等框架结合当你的提示工作流变得复杂时可以考虑使用LangChain来管理提示模板、链式调用和记忆。探索智能体Agent模式让大模型学会使用工具搜索、计算、查数据库处理更复杂的多步骤任务。从提示工程走向微调对于垂直领域、固定格式的任务当提示工程的效果达到瓶颈时可以考虑收集数据对基础模型进行微调SFT/LoRA以获得更专精、更稳定的性能。提示工程是解锁大模型潜力的第一把钥匙。现在打开你的编辑器从一个清晰的指令开始亲手尝试与AI进行一次高效的对话吧。建议将本文中的代码示例保存下来作为你未来项目的起点。