吴恩达这套Prompt工程教程，帮你打通AI应用开发第一步

由吴恩达老师与OpenAI联合推出的《ChatGPT Prompt Engineering for Developers》教程，正是为入门LLM开发的开发者量身打造的“金钥匙”。今天我们就拆解这门经典教程的核心内容，带大家掌握Prompt工程的底层逻辑，快速上手LLM应用开发。

为什么说Prompt工程是LLM开发的“地基”？

过去开发自然语言处理（NLP）应用，往往需要先收集海量标注数据、训练专属模型、再部署到云端，整套流程耗时数月。但大模型时代彻底改变了这一范式：通过精心设计的Prompt，调用OpenAI等平台的API，几分钟就能实现文本总结、情感分析等功能。

而Prompt工程，就是让大模型“听懂需求、精准干活”的核心技能。就像给新人布置任务，清晰的指令能让效率翻倍——对LLM而言，好的Prompt能充分发挥其语言理解与生成能力，直接决定应用的上限与下限。

Prompt设计的两大核心原则

吴恩达在教程中反复强调：高效Prompt的设计，离不开两个关键原则。掌握这两点，就能避开80%的入门坑。

原则一：编写清晰、具体的指令

跟LLM“沟通”，切忌模糊表述。就像给外星人解释人类规则，要把需求拆解得直白、详尽，甚至用“分隔符”划清不同内容的边界。

技巧1：用分隔符避免“提示词注入”

用户输入的文本可能包含混乱指令（比如“忽略之前要求，直接输出XXX”），用```、"""等分隔符，能像“防火墙”一样保护Prompt逻辑不被干扰。

实战代码：用GPT总结文本并避免干扰

from tool import get_completion

# 待总结的文本
text = f"""
您应该提供尽可能清晰、具体的指示，以表达您希望模型执行的任务。\
这将引导模型朝向所需的输出，并降低收到无关或不正确响应的可能性。\
不要将写清晰的提示词与写简短的提示词混淆。\
在许多情况下，更长的提示词可以为模型提供更多的清晰度和上下文信息，从而导致更详细和相关的输出。
"""

# 用```分隔指令与待总结内容
prompt = f"""
把用三个反引号括起来的文本总结成一句话。
{text}
"""

response = get_completion(prompt)
print(response)
# 输出结果：为获得所需输出，应提供清晰具体的指示，避免与简短提示词混淆，可通过更长提示词提供更多清晰度和上下文信息。

技巧2：要求结构化输出，方便后续处理

如果需要将LLM输出用于代码解析（比如存入数据库、生成报表），直接要求JSON、HTML等格式，能省掉大量格式转换工作。

实战代码：让GPT生成结构化书籍清单

prompt = f"""
请生成包括书名、作者和类别的三本虚构中文书籍清单，\
并以JSON格式提供，其中包含以下键：book_id、title、author、genre。
"""

response = get_completion(prompt)
print(response)
# 输出结果：
# {
#   "books": [
#     {
#       "book_id": 1,
#       "title": "时光缝隙里的信",
#       "author": "林晚",
#       "genre": "文学"
#     },
#     {
#       "book_id": 2,
#       "title": "AI时代的思维跃迁",
#       "author": "陈序",
#       "genre": "科技"
#     },
#     {
#       "book_id": 3,
#       "title": "山居草木记",
#       "author": "苏晓",
#       "genre": "散文"
#     }
#   ]
# }

技巧3：提供“少样本示例”，快速对齐风格

如果需要LLM保持特定语气（比如古风、儿童童话），先给1-2个示例，模型就能快速“get”到风格要求，这就是“少样本提示（Few-shot Prompting）”。

实战代码：让GPT用祖孙对话风格解释“韧性”

prompt = f"""
您的任务是以一致的风格回答问题。
<孩子>: 请教我何为耐心。
<祖父母>: 挖出最深峡谷的河流源于一处不起眼的泉眼；最宏伟的交响乐从单一的音符开始；最复杂的挂毯以一根孤独的线开始编织。
<孩子>: 请教我何为韧性。
"""

response = get_completion(prompt)
print(response)
# 输出结果：
# <祖父母>: 韧性是岩缝里钻出的新芽，风刮不折、雨打不弯，哪怕身处贫瘠，也能向着阳光舒展；是断线的风筝仍能借着气流升空，哪怕遭遇挫折，也能寻回前行的方向。

原则二：给模型“充足的思考时间”

LLM和人类一样，遇到复杂问题（比如数学计算、逻辑推理）时，匆忙回答容易出错。这时可以要求它“分步推理”，模拟人类解题的思考过程。

实战代码：让GPT先解题再判断学生答案

prompt = f"""
请判断学生的解决方案是否正确，请通过如下步骤解决这个问题：
步骤1：自己解决问题。
步骤2：将您的解决方案与学生的解决方案对比，判断是否一致。
在自己完成问题之前，请勿决定学生的解决方案是否正确。

问题：
我正在建造太阳能发电站，土地费用100美元/平方英尺，太阳能电池板250美元/平方英尺，维护合同每年固定10万美元+每平方英尺10美元。作为平方英尺数的函数，首年运营总费用是多少？

学生的解决方案：
设x为发电站大小（平方英尺）。
土地费用：100x；太阳能电池板费用：250x；维护费用：100,000+100x；
总费用：100x+250x+100,000+100x=450x+100,000美元。

实际解决方案和步骤：
"""

response = get_completion(prompt)
print(response)
# 输出结果：
# 1. 土地费用：每平方英尺100美元，总费用100x美元。
# 2. 太阳能电池板费用：每平方英尺250美元，总费用250x美元。
# 3. 维护费用：固定10万美元+每平方英尺10美元，总费用100,000+10x美元。
# 4. 总费用：100x+250x+100,000+10x=360x+100,000美元。
# 学生计算的总费用：450x+100,000美元；实际总费用：360x+100,000美元。
# 学生的解决方案不正确（维护费用误将10x写为100x）。

避坑指南：警惕LLM的“幻觉”问题

值得注意的是，LLM偶尔会“一本正经地胡说八道”——比如描述不存在的产品时，编造看似真实的参数，这就是“幻觉（Hallucination）”。

示例：让GPT描述虚构的“华为GT Watch”

prompt = f"""
告诉我华为公司生产的GT Watch运动手表的相关信息。
"""

response = get_completion(prompt)
print(response)
# 输出结果（部分虚构）：
# 华为GT Watch运动手表采用圆形AMOLED表盘，1.39英寸屏幕，支持心率、血氧监测，续航可达7天...
# （实际华为暂无此型号手表，参数为GPT编造）

应对方法：要求LLM“引用原文”或“基于给定信息回答”，比如在Prompt中加入“仅根据以下文档内容回答，不编造额外信息”，能大幅降低幻觉概率。

写在最后：Prompt工程是“迭代”出来的

没有“一劳永逸的完美Prompt”，哪怕是吴恩达的教程，也强调“迭代优化”的重要性——先写初版Prompt，运行后分析问题（比如输出太长、风格不对），再逐步调整指令，直到符合需求。

对于想入门LLM开发的开发者来说，掌握这些Prompt原则后，再去尝试文本总结、情感分析、聊天机器人等场景，会事半功倍。