ChatGPT Prompt 大全：从入门到实战的工程化实践指南-深圳市維司達科技有限公司

ChatGPT Prompt 大全：从入门到实战的工程化实践指南

面向中级开发者的 Prompt 工程化笔记，附可直接粘贴跑的 Python 代码。

1. 背景痛点：为什么 Prompt 总“不听话”

过去一年，我在内部孵化了 7 个小工具，全部基于 ChatGPT。踩坑无数后，把最常见的问题总结成三句话：

意图模糊 → 模型自由发挥，结果离题
缺乏边界 → 输出格式像开盲盒，前端解析直接崩溃
无法复现 → 同一 Prompt 今天跑得好好的，明天换模型版本就翻车

一句话：Prompt 不是“写作文”，而是“写协议”。协议越严谨，模型越省心，开发者也越安心。

2. 核心原则：Prompt 设计的 5 大黄金法则

明确性：任务、角色、边界、输出格式四要素缺一不可
上下文：把“对话记忆”显式写进 Prompt，避免模型“失忆”
示例驱动（few-shot）：给 2-3 个“输入→输出”样例，比描述 100 句都管用
防御式指令：先告诉它“禁止做什么”，再告诉它“应该做什么”
可测性：把 Prompt 当代码，写单元测试——输入 10 组用例，看通过率

3. 实战示例：3 个场景模板直接可用

下面每个模板都满足“复制即可运行”，依赖官方openai>=1.0版本。

3.1 场景 A：JSON 结构化抽取

需求：从用户口语里提取“出发地、目的地、时间”，返回合法 JSON。

import os from openai import OpenAI client = OpenAI(api_key=os.getenv("OPENAI_API_KEY")) prompt = """ 你是一名行程解析助手，只输出 JSON，不解释。 禁止添加任何注释或 markdown 代码块标记。 输入示例： "下周二我从上海去北京" 输出示例： {"departure":"上海","destination":"北京","date":"2024-07-02"} 请解析以下用户输入： >>> 大后天下午从杭州出发去深圳 """ resp = client.chat.completions.create( model="gpt-3.5-turbo", messages=[{"role": "user", "content": prompt}], temperature=0 ) print(resp.choices[0].message.content) # -> JSON 字符串，可直接 json.loads

3.2 场景 B：可配置风格改写

需求：把技术文档改写成“小红书风格”，并控制emoji密度。

style = "小红书" # 可切换为「知乎」「脉脉」等 emoji_density = 2 # 0=禁用，5=每句一个 prompt = f""" 角色：{style}文案高手 任务：把输入段落改写成{style}风格，emoji密度={emoji_density} 输入： OpenAI 于 2024 春季发布新一代模型，推理成本降低 50%。 输出： """ resp = client.chat.completions.create( model="gpt-3.5-turbo", messages=[{"role": "user", "content": prompt}], temperature=0.7 ) print(resp.choices[0].message.content)

3.3 场景 C：带记忆的多轮客服

需求：多轮对话中保持“订单号”与“处理状态”。

history = [ {"role": "system", "content": "你是客服助手。用户订单号=12345，状态=已发货。"}, {"role": "user", "content": "我的快递到哪了？"} ] resp = client.chat.completions.create( model="gpt-3.5-turbo", messages=history, temperature=0 ) answer = resp.choices[0].message.content history.append({"role": "assistant", "content": answer}) # 下轮继续追加

4. 性能优化：让 Token 花钱更值

把“静态指令”放 system 消息，减少每轮重复输入
用max_tokens硬截断，避免“说书模式”狂喷
对高频任务微调模型：准备 500 条样本，用gpt-3.5-turbo做 LoRA，成本降 40%
缓存命中率：对“相同输入”做哈希缓存，1 小时内直接读缓存，响应时间从 2s → 0.1s

5. 避坑指南：5 个高频错误与急救方案

错误	现象	快速修复
1. 角色与任务混在一句话	输出风格漂移	拆成两句：先“角色”，再“任务”
2. 忘记指定格式	前端解析炸	在结尾加“必须返回纯 JSON，禁止 markdown”
3. temperature=1 用于抽取	每次字段名不同	抽结构化数据一律 0
4. 示例与真实输入分布不一致	幻觉暴增	示例覆盖 90% 真实句式
5. 长 Prompt 放 user 消息	占 token 多	静态部分挪到 system，立刻省 20%

6. 进阶思考：如何构建可维护的 Prompt 管理系统

当模板数 >30，手工 CV 已经崩溃。我现在的架构如下：

graph TD A[前端/客户端] -->|场景ID+参数| B(Prompt 渲染服务) B --> C[Jinja2 模板引擎] C --> D[版本化 Prompt 仓库] D --> E[CI 单元测试] E -->|通过| F[灰度发布] F --> G[线上效果监控] G -->|指标异常| H[回滚或迭代]