面向开发人员的 ChatGPT 提示词教程 - ChatGPT Prompt Engineering for Developers_开发人员相关的大模型提示词

1. 指南(原文: Guidelines)

1-1. 提示的指南(原文: Guidelines for Prompting)

在本课中，你将练习两个提示原则及其相关策略，以便为大型语言模型编写有效的提示语。

1-2. 配置

安装 openai 依赖，

!pip install openai
!export OPENAI_API_KEY='sk-...'
1
2

加载API密钥和相关的Python库，

import openai
import os

from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv()) # read local .env file

openai.api_key  = os.getenv('OPENAI_API_KEY')
1
2
3
4
5
6
7

在整个课程中，我们将使用 OpenAI 的 gpt-3.5-turbo 模型和聊天完成度端点(chat completions endpoint)。

这个辅助函数将使我们更容易使用提示语和查看生成的输出，

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0, # this is the degree of randomness of the model's output
    )
    return response.choices[0].message["content"]
1
2
3
4
5
6
7
8

1-3. 提示语原则(原文: Prompting Principles)

• 原则 1: 写出清晰而具体的指示(Write clear and specific instructions)

• 原则 2: 给模型 "思考 "的时间(Give the model time to “think”)

原则 1: 写出清晰而具体的指示(原文: Write clear and specific instructions)

技巧 1: 使用分隔符来清楚地表明输入的不同部分(原文: Use delimiters to clearly indicate distinct parts of the input)

• 分隔符可以是任何东西，例如: ```, """, < >, <tag> <\tag>, :

示例代码，

text = f"""
你应该通过提供尽可能清晰和具体的指令来表达你希望模型做什么。\
这将引导模型走向所需的输出，并减少收到不相关或不正确响应的机会。\
不要把写一个清晰的提示和写一个短的提示混为一谈。\
在许多情况下，较长的提示为模型提供了更多的清晰度和背景，\
这可以导致更详细和相关的输出。
"""
prompt = f"""
将由三个反斜线划定的文本总结为一句话。
```{text}```
"""
response = get_completion(prompt)
print(response)
1
2
3
4
5
6
7
8
9
10
11
12
13

输出结果如下，

提供清晰具体的指令可以引导模型输出所需结果，避免不相关或不正确响应，较长的提示可以提供更多清晰度和背景，导致更详细和相关的输出。
1

技巧 2: 要求提供结构化的输出(原文: Ask for a structured output)

• JSON, HTML

示例代码，

prompt = f"""
生成一个包含三个编造的书名及其作者和流派的列表。\
以JSON格式提供，键值如下：
book_id, title, author, genre。
"""
response = get_completion(prompt)
print(response)
1
2
3
4
5
6
7

输出结果如下，

[
  {
    "book_id": 1,
    "title": "The Shadow of the Wind",
    "author": "Carlos Ruiz Zafón",
    "genre": "Gothic fiction"
  },
  {
    "book_id": 2,
    "title": "The Nightingale",
    "author": "Kristin Hannah",
    "genre": "Historical fiction"
  },
  {
    "book_id": 3,
    "title": "The Martian",
    "author": "Andy Weir",
    "genre": "Science fiction"
  }
]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

技巧 3: 要求模型检查条件是否得到满足(原文: Ask the model to check whether conditions are satisfied)

示例代码 1，

text_1 = f"""
泡一杯茶很容易！\
首先，你需要让一些水沸腾。\
在这过程中，拿起一个杯子，把茶包放进去。\
一旦水足够热，就把它倒在茶包上。\
让茶叶浸泡一会儿。\
几分钟后，取出茶包。\
如果你喜欢，你可以加入一些糖或牛奶来调味。\
就这样 你就可以享受到一杯美味的茶了。
"""
prompt = f"""
你将得到由三引号划定的文本。\
如果它包含一连串的指令，请按以下格式重写这些指令：

第1步 - ...
第2步 - ...
...
第N步 - ...

如果该文本不包含指令序列，那么只需写上 "未提供步骤"。

\"\"\"{text_1}\"\"\"
"""
response = get_completion(prompt)
print("Completion for Text 1:")
print(response)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

输出结果如下，

Completion for Text 1:
第1步 - 让一些水沸腾。
第2步 - 拿起一个杯子，把茶包放进去。
第3步 - 一旦水足够热，就把它倒在茶包上。
第4步 - 让茶叶浸泡一会儿。
第5步 - 取出茶包。
第6步 - 如果你喜欢，你可以加入一些糖或牛奶来调味。
第7步 - 享受你的美味茶！
1
2
3
4
5
6
7
8

示例代码 2，

text_2 = f"""
今天阳光明媚，鸟儿在歌唱。
这是一个去公园散步的好日子。
鲜花盛开，树木在微风中轻轻摇曳。
人们都出来走动，享受这美好的天气。
一些人正在野餐，而另一些人正在玩游戏，或只是在草地上放松。
这是一个完美的日子，可以花时间在户外，欣赏大自然的美丽。
"""
prompt = f"""
你将得到由三引号划定的文本。\
如果它包含一连串的指令，请按以下格式重写这些指令：

第1步 - ...
第2步 - ...
...
第N步 - ...

如果该文本不包含指令序列，那么只需写上 "未提供步骤"。

\"\"\"{text_2}\"\"\"
"""
response = get_completion(prompt)
print("Completion for Text 2:")
print(response)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

输出结果如下，

Completion for Text 2:
未提供步骤
1
2

技巧 4: "少许样本"提示(原文: “Few-shot” prompting)

举出完成任务的成功例子，然后要求模型执行任务。

示例代码，

prompt = f"""
你的任务是以一致的风格来回答。

<孩子>：教我耐心。

<祖父母>：雕琢最深山谷的河流从一个小小的泉眼流过；\
最宏伟的交响乐源于一个音符；最复杂的织锦从一根线开始。

<孩子>：教我如何坚韧不拔。
"""
response = get_completion(prompt)
print(response)
1
2
3
4
5
6
7
8
9
10
11
12

输出结果如下，

<祖父母>：坚韧不拔的力量来自于内心的信念和毅力。要有目标，有计划，有毅力，不断努力，不轻易放弃，才能走向成功的道路。
1