OpenAI官方Prompt工程六大原则:从入门到精通

❌ "总结一下会议记录"

✅ "请用一个段落总结会议记录。接着,用markdown列表的形式列出所有发言者及其关键观点。最后,如果有的话,列出发言者提出的下一步计划或建议的行动项。"

我希望你扮演一名**小说家**。您将想出富有创意且引人入胜的故事,可以长时间吸引读者。
你可以选择任何类型,如奇幻、浪漫、历史小说等,但目标是写出具有出色情节、引人入胜的人物和意想不到的高潮的作品。
 
我的第一个要求是:"我要写一部以未来为背景的科幻小说"。

你将会接收到两篇关于相同主题的文章。
首先分别总结这两篇文章的主要论点。
接着评价哪篇文章的论据更具说服力,并说明理由。
 
"""
第一篇文章内容...
"""
 
---
 
"""
第二篇文章内容...
"""

请按照以下步骤来回应用户的输入:
 
第1步 - 用户会给你提供带有三重引号的文本。请将这段文本总结为一句话,并以"摘要:"作为前缀。
 
第2步 - 将第1步中的摘要翻译成西班牙语,并以"翻译:"作为前缀。
 
"""
{用户输入文本}
"""

请按照示例的风格,为新词创造例句:
 
whatpu是一种原产于坦桑尼亚的毛茸茸的小动物。
使用whatpu这个词的句子示例如下:
"我们在非洲旅行,看到了这些非常可爱的whatpus。"
 
farduddle的意思是快速地上下跳跃。
使用该词的句子举例如下:

❌ "总结这篇文章"
✅ "用两段话概括三引号内的文本,每段不超过50字"
 
❌ "写一个产品介绍"
✅ "写一个150字的产品介绍,包含3个核心卖点,语气要吸引年轻用户"

当你被提供特定文章,并需要回答问题时,请依据这些文章中的内容来作答。
如果这些文章中没有包含答案,你只需表明"无法找到答案"。
 
<插入文章内容,每篇文章之间用三个引号隔开>
 
"""
文章1内容...
"""
 
"""
文章2内容...
"""
 
问题: <插入问题>

你将会收到一个用三个引号标记的文档和一个问题。
你的任务是仅使用所提供的文档来回答这个问题,并引用文档中用来回答问题的部分。
 
如果文档中没有包含足够的信息来回答这个问题,就简单地写"信息不足"。
如果提供了问题的答案,那么必须用引用标记。
 
引用相关段落时,请使用以下格式: {"citation": "引用内容"}
 
"""
<插入文档>
"""
 
问题: <插入问题>

答案: 根据文档,该产品的保修期为2年。{"citation": "所有电子产品享受2年免费保修服务"}

用户输入: "我断网了咋整"
 
分类系统提示词:
你是客服助手,请将用户问题分类到以下类别之一:
- 账户问题
- 技术支持 - 网络故障
- 技术支持 - 设备故障
- 订单查询
- 退换货
 
输出格式: {"category": "分类名"}

# 如果分类是"技术支持 - 网络故障"
执行网络故障排查流程：
 
1. 检查路由器指示灯
2. 重启路由器
3. 检查账户是否欠费
4. ...

你的任务是总结人工智能角色与人类对话中之前的信息历史。
为您提供的对话来自一个固定的上下文窗口,可能并不完整。
从人工智能的角度总结对话中发生的事情(使用第一人称)。
 
摘要字数应少于{WORD_LIMIT},切勿超过字数限制。
 
对话历史:
"""
{历史对话}
"""

第1层: 总结每一章 (10章 → 10个摘要)
第2层: 总结10个摘要 (10个摘要 → 1个大摘要)
第3层: 最终总摘要

def summarize_book(chapters):
    # 第1步: 总结每章
    chapter_summaries = [summarize(chapter) for chapter in chapters]
 
    # 第2步: 总结所有章节摘要
    book_summary = summarize(chapter_summaries)
 
    return book_summary

这道数学题的答案对吗?
 
题目: ...
学生答案: ...

Step 1: 请你先独立解决这道题,写出完整步骤。
 
题目: ...
 
---
 
Step 2: 现在对比你的答案和学生的答案,指出学生的错误(如果有)。
 
学生答案: ...

Step 1: 独立解题(不展示给学生)
输出格式: <reasoning>推理过程</reasoning>
 
Step 2: 给学生提示(展示)
输出格式: <hint>提示内容</hint>

response = model.generate(prompt)
# 解析输出
reasoning = extract_tag(response, "reasoning")  # 保存但不显示
hint = extract_tag(response, "hint")  # 显示给学生
 
return hint  # 只返回提示

请从以下文档中找出所有与"量子计算"相关的段落。
 
"""
{长文档}
"""

你之前提取了以下段落:
 
{第1轮结果}
 
请再次检查文档,是否还有其他相关段落被遗漏?如果有,请列出。

1. 离线处理: 把知识库分成chunks,每个chunk转成向量,存入向量数据库
2. 在线查询:
   - 用户问题 → 转成向量
   - 向量搜索 → 找到最相关的top-K chunks
   - 把这些chunks作为参考文本提供给模型

# 1. 用户提问
question = "什么是量子纠缠?"
 
# 2. 向量检索
question_embedding = get_embedding(question)
relevant_chunks = vector_db.search(question_embedding, top_k=3)
 
# 3. 构建Prompt
prompt = f"""
根据以下文档回答问题:
 
{relevant_chunks}
 
问题: {question}
"""
 
# 4. 调用模型
answer = model.generate(prompt)

你可以通过用三个反引号包裹Python代码来编写并执行代码
 
这种方式适用于需要进行计算的情况。
 
求解以下多项式的所有实数解: 3*x**5 - 5*x**4 - 3*x**3 - 7*x - 10 = 0

import numpy as np
from numpy.polynomial import polynomial as P
 
# 定义多项式系数
coeffs = [-10, -7, 0, -3, -5, 3]
roots = np.roots(coeffs[::-1])
 
# 过滤实数解
real_roots = [r.real for r in roots if abs(r.imag) < 1e-5]
print(real_roots)

实数解: [2.0]

{
  "name": "get_weather",
  "description": "获取指定城市的天气",
  "parameters": {
    "type": "object",
    "properties": {
      "city": {"type": "string", "description": "城市名,如'北京'"},
      "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}
    },
    "required": ["city"]
  }
}

用户: "北京今天天气怎么样?"

{
  "function_call": {
    "name": "get_weather",
    "arguments": "{\"city\": \"北京\", \"unit\": \"celsius\"}"
  }
}

{
  "role": "function",
  "name": "get_weather",
  "content": "{\"temperature\": 15, \"condition\": \"晴\"}"
}

助手: "北京今天天气晴朗,气温15摄氏度。"

测试用例1
输入: "总结这篇文章"
期望输出: 包含3个关键点的段落
 
测试用例2
输入: "翻译成英文"
期望输出: 准确的英文翻译
 
...

你是评估助手。给定标准答案和候选答案,判断候选答案是否:
1. 包含标准答案中的所有关键事实
2. 没有与标准答案矛盾的内容
 
标准答案: {standard_answer}
候选答案: {model_output}
 
输出格式: {"contains_facts": true/false, "has_contradictions": true/false}

# 版本A: 原始Prompt
prompt_a = "总结这篇文章"
 
# 版本B: 优化Prompt
prompt_b = "用3句话总结这篇文章的核心观点,每句不超过30字"
 
# 在测试集上对比
results_a = evaluate(prompt_a, test_set)
results_b = evaluate(prompt_b, test_set)
 
# 统计
print(f"版本A平均分: {results_a.mean()}")
print(f"版本B平均分: {results_b.mean()}")

1. 基线版本 → 在测试集上跑一遍,记录分数
2. 迭代优化 → 改Prompt,再跑测试集
3. 对比分析 → 哪些用例改进了,哪些变差了
4. 针对性优化 → 分析失败用例,调整策略
5. 重复2-4,直到满意

你是[公司名]的客服助手,专注于回答产品相关问题。
 
你的职责:
- 根据产品文档回答问题
- 如果文档中没有答案,告知用户并建议联系人工客服
- 语气要友好、专业、简洁
 
你不应该:
- 提供产品文档外的信息
- 猜测未确认的信息
- 推销产品或服务

产品文档:
"""
{从知识库中通过Embeddings检索到的相关文档}
"""
 
用户问题: {user_question}

Step 1: 意图分类
判断问题类型: 产品功能 | 价格 | 技术支持 | 其他
 
Step 2: 针对性回答
if 类型 == "技术支持":
    执行故障排查流程
elif 类型 == "价格":
    查询价格表
...

请先在<analysis>标签中分析:
1. 用户问题的核心是什么
2. 文档中是否包含答案
3. 如何用简洁的语言回答
 
然后在<response>标签中给出最终回答。

# 使用Embeddings检索相关文档
# 使用Function Calling查询订单状态
# 使用代码执行计算价格

准备100个真实用户问题
对比不同Prompt版本的表现
持续优化

根据文档回答问题。
 
文档: {doc}
问题: {question}

你是文档问答助手。请根据提供的文档回答问题。
 
规则:
1. 只使用文档中的信息
2. 如果文档中没有答案,明确回复"文档中未找到相关信息"
3. 不要猜测或编造
4. 引用文档时注明段落
 
文档:
"""
{doc}
"""
 
问题: {question}

【原始Prompt】
{你现在使用的Prompt}
 
【应用原则】
□ 原则1: 指令是否清晰明确?
□ 原则2: 是否需要参考文本?
□ 原则3: 任务是否可拆解?
□ 原则4: 是否需要推理步骤?
□ 原则5: 是否需要外部工具?
□ 原则6: 如何测试效果?
 
【优化后Prompt】
{应用原则后的版本}