提示词工程：这样跟AI说话，它才听你的！

最新推荐文章于 2025-12-04 15:03:47 发布

原创最新推荐文章于 2025-12-04 15:03:47 发布 · 1.5k 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #Prompt

AI应用入门到精通：全景学习路线专栏收录该内容

14 篇文章

订阅专栏

哈，提示词工程这个相对来说比较简单，不像上一篇文章难懂，本文快速过一下！

“这个AI根本不好用，给出的回答都是泛泛而谈！”
“为什么同一个问题，别人能获得高质量答案，而我只能得到平庸的结果？”

如果你曾有过这样的困惑，问题可能不在于AI的能力，而在于你与它对话的方式。今天，我们就来揭开提示词工程的神秘面纱，掌握与AI高效沟通的秘诀。

为什么需要学习提示词工程？

想象一下，你向一位助手交代任务：“帮我写个PPT”和“帮我写一篇主题是春季健身注意事项的PPT，风格轻松有趣，面向20-35岁的上班族”——哪个指令能得到更符合预期的结果？

AI也是如此。提示词（Prompt）就是你与AI沟通的指令，质量直接决定回答的质量。

核心四步法：让AI听懂你的话

1. 明确角色：你是谁？

在提问前，先为AI设定一个专业角色。

普通提问：
“告诉我如何学习英语”

角色设定提问：
“假设你是一位有10年教学经验的英语教授，为一名有一定基础但缺乏系统性的中文母语者设计一个6个月的英语提升计划”

看，角色设定让AI的回答更具专业性和针对性。

2. 定义任务：你要什么？

清晰、具体地描述你的需求，避免模糊表述。

模糊任务：
“帮我写销售文案”

明确任务：
“为一款智能手环撰写朋友圈广告文案，突出其心率监测和睡眠分析功能，目标用户是关注健康的年轻人，字数在150字以内”

3. 补充细节：在什么情况下？

提供背景信息、约束条件和具体要求。

缺乏细节：
“总结这篇文章”

丰富细节：
“用三个 bullet points 总结这篇关于人工智能的文章，每点不超过20字，面向完全不懂技术的小白读者”

4. 指定输出：要什么形式？

明确告诉AI你期望的回答格式。

不指定格式：
“给我一些项目创意”

指定格式：
“列出5个Python初学者可以在一周内完成的小项目创意，每个包括：项目名称、难度等级（1-5星）、所需技能和预期收获”

接下来，老规矩，上实战


import requests
import json
import time
import pandas as pd

# ==================== 全局配置 ====================
# 请根据你的聚合平台信息修改以下配置
BASE_URL = "https://api.ufunai.cn/v1"  # 替换为你的平台地址
API_KEY = "sk-xxxxx"  # 替换为你的API密钥
MODEL_NAME = "gpt-4-turbo"  # 指定要测试的模型名称


# =================================================

def test_prompts(prompts, max_tokens=500, temperature=0.7):
    """
    测试不同提示词在指定模型上的效果

    参数:
        prompts: 提示词列表
        max_tokens: 最大生成长度
        temperature: 温度参数
    """
    headers = {
        'Content-Type': 'application/json',
        'Authorization': f'Bearer {API_KEY}'
    }

    results = []

    print(f"开始测试 {len(prompts)} 个提示词在模型 '{MODEL_NAME}' 上的效果")
    print("=" * 60)

    for i, prompt in enumerate(prompts, 1):
        print(f"\n测试 {i}/{len(prompts)}: {prompt}")
        print("-" * 40)

        payload = {
            "model": MODEL_NAME,
            "messages": [{"role": "user", "content": prompt}],
            "max_tokens": max_tokens,
            "temperature": temperature
        }

        try:
            start_time = time.time()
            response = requests.post(
                f"{BASE_URL}/chat/completions",
                headers=headers,
                json=payload,
                timeout=60
            )
            response_time = time.time() - start_time

            if response.status_code == 200:
                result = response.json()
                content = result['choices'][0]['message']['content']
                usage = result.get('usage', {})

                print(f"生成结果: {content[:200]}...")
                print(f"响应时间: {response_time:.2f}秒")
                print(f"Token使用: {usage.get('total_tokens', 'N/A')}")

                results.append({
                    "提示词": prompt,
                    "生成内容": content,
                    "响应时间(秒)": response_time,
                    "总token数": usage.get('total_tokens', 0),
                    "提示token数": usage.get('prompt_tokens', 0),
                    "生成token数": usage.get('completion_tokens', 0)
                })
            else:
                print(f"请求失败: HTTP {response.status_code} - {response.text}")
                results.append({
                    "提示词": prompt,
                    "生成内容": f"错误: HTTP {response.status_code}",
                    "响应时间(秒)": response_time,
                    "总token数": 0,
                    "提示token数": 0,
                    "生成token数": 0
                })

        except Exception as e:
            print(f"请求异常: {str(e)}")
            results.append({
                "提示词": prompt,
                "生成内容": f"异常: {str(e)}",
                "响应时间(秒)": 0,
                "总token数": 0,
                "提示token数": 0,
                "生成token数": 0
            })

        # 添加延迟避免API限制
        time.sleep(1)

    return results


def save_results(results, filename=None):
    """保存结果到文件"""
    if filename is None:
        timestamp = time.strftime("%Y%m%d-%H%M%S")
        filename = f"prompt_test_{MODEL_NAME}_{timestamp}.xlsx"

    df = pd.DataFrame(results)
    df.to_excel(filename, index=False)
    print(f"\n结果已保存到: {filename}")
    return filename


def main():
    """主函数"""
    # 检查配置
    if BASE_URL == "https://your-aggregator-platform.com/api/v1" or API_KEY == "your-api-key-here":
        print("请先修改代码开头的全局配置 (BASE_URL 和 API_KEY)")
        return

    # 定义要测试的提示词
    prompts = [
        # 基础提示词
        "写一篇关于人工智能的文章",

        # 具体指令
        "请以科普作者的身份，用通俗易懂的语言写一篇关于人工智能发展现状的文章",

        # 角色扮演
        "假设你是一位科技杂志主编，为普通读者撰写一篇关于人工智能的专题报道",

        # 结构化要求
        """写一篇关于人工智能的文章，要求：
        1. 开头引人入胜
        2. 主题：对比分析传统编程与人工智能编程的异同点
        3. 中间分析三个主要应用领域
        4. 结尾给出未来展望
        """,
    ]

    # 执行测试
    results = test_prompts(prompts)

    # 保存结果
    filename = save_results(results)

    # 简单总结
    print("\n" + "=" * 60)
    print("测试总结:")
    print("=" * 60)

    success_count = sum(1 for r in results if not r["生成内容"].startswith(("错误:", "异常:")))
    avg_time = sum(r["响应时间(秒)"] for r in results) / len(results)
    avg_tokens = sum(r["总token数"] for r in results) / len(results)

    print(f"测试提示词数量: {len(prompts)}")
    print(f"成功生成数量: {success_count}")
    print(f"平均响应时间: {avg_time:.2f}秒")
    print(f"平均Token使用: {avg_tokens:.0f}")

    # 显示每个提示词的生成内容长度
    print("\n各提示词生成内容长度:")
    for i, result in enumerate(results, 1):
        status = "✓" if not result["生成内容"].startswith(("错误:", "异常:")) else "✗"
        print(f"{i}. {status} 长度:{len(result['生成内容']):4d} - {result['提示词']}...")


if __name__ == "__main__":
    main()

输出结果：