5. 实践与分析

本课旨在通过设计高级提示词编写练习，提升你创建高效、精准且具备上下文意识提示词的能力。通过实践真实场景的任务、分析结果并进行迭代改进，你将学会微调提示词，以达到最佳效果。

1. 高级提示词练习介绍

高级提示词编写涉及构建不仅能够准确响应的查询，还要能够处理复杂任务，掌握上下文信息，并优化响应的效率。本节将带你通过模拟真实世界的案例进行练习，提供实际的学习机会。

通过本课的学习，你将能够：

• 分层并结构化提示词，以处理多步骤任务。
• 在提示词中利用上下文，获得连贯且相关的回答。
• 优化提示词，实现简洁、针对性强的响应。
• 通过精心设计的提示词解决复杂且有条件的查询。

---

2. 练习1：多步骤任务与分层提示词

目标：将复杂任务拆解为较小步骤，并引导 AI 生成连贯的输出。

场景：

你被要求撰写一份关于电动汽车（EV）行业的市场调研报告。

步骤：

1. 研究市场规模：“全球电动汽车行业当前的市场规模是多少？”
2. 识别主要厂商：“列出电动汽车前五大制造商及其市场份额。”
3. 讨论市场趋势：“总结电动汽车市场的三大最新趋势。”
4. 综合分析：“将以上信息整合成一份报告，包含简介、关键发现及结论。”

提示词序列：

# 第一步：研究市场规模
prompt_1 = "全球2023年电动汽车行业的市场规模是多少？"

# 第二步：识别主要厂商
prompt_2 = "列出电动汽车前五大制造商及其市场份额。"

# 第三步：讨论市场趋势
prompt_3 = "总结2023年电动汽车行业的三大主要趋势。"

# 第四步：综合分析
prompt_4 = """
根据以下信息：
1. 市场规模数据: {response_1}
2. 主要厂商: {response_2}
3. 趋势: {response_3}

撰写一份关于电动汽车行业的市场调研报告，包括简介、关键发现和结论。
"""

分析：

• 分层有助于组织复杂任务，确保 AI 在综合分析前拥有所有必要的数据。
• 每个提示词基于上一步的结果，确保最终输出结构严谨。

---

3. 练习2：基于上下文的提示词

目标：使用上下文信息优化提示词，提升 AI 回答的连贯性和相关性。

场景：

你需要基于一篇文章写一篇书评摘要，重点关注书评中讨论的主要主题。

步骤：

1. 上下文提示：向 AI 提供文章文本：“基于这篇文章，总结书评中讨论的主要主题。”
2. 细化：“在总结主要主题时，重点关注角色发展和叙事风格。”
3. 比较上下文：“将这本书的主题与另一部当代小说进行比较，重点讨论两者在角色发展的差异。”

提示词序列：

# 第一步：基于上下文的总结
prompt_1 = """
这是书评文章：
'{article_text}'

基于这篇文章，总结书评中讨论的主要主题。
"""

# 第二步：重点细化
prompt_2 = "总结书评的主要主题，重点关注角色发展和叙事风格。"

# 第三步：比较上下文
prompt_3 = """
将这本书的主题与另一部当代小说进行比较，重点讨论两者在角色发展上的不同处理方式。
"""

分析：

• 基于上下文的提示确保 AI 理解源材料，从而生成更准确连贯的总结。
• 细化步骤让你可以聚焦特定主题或兴趣点，提升输出的针对性。

---

4. 练习3：为效率和准确性优化提示词

目标：编写简洁但精准的提示词，确保响应既快速又相关。

场景：

你需要快速获取关于小型企业的网络安全挑战的见解，并提出三个具体挑战。

步骤：

1. 初始提示：“小型企业面临的网络安全挑战是什么？”
2. 优化提示：“列出小型企业面临的三大网络安全挑战，并简要解释（每个不超过50字）。”

提示词序列：

# 初始提示
prompt_1 = "小型企业面临的网络安全挑战是什么？"

# 优化提示
prompt_2 = "列出小型企业面临的三大网络安全挑战，并为每个提供简要解释（每个不超过50字）。"

分析：

• 初始提示可能生成冗长或不聚焦的回应。
• 优化提示为项目数量和解释长度设定了明确限制，提高了效率和准确性。

---

5. 练习4：通过条件提示处理复杂查询

目标：使用条件提示处理复杂查询，其中响应取决于多个因素。

场景：

你正在编写关于为项目选择合适编程语言的指南，语言的选择应取决于项目类型和可扩展性需求。

步骤：

1. 初始提示：“我应该为我的项目选择什么编程语言？”
2. 条件提示：“如果项目是 web 开发且需要可扩展性，请推荐一种合适的编程语言并解释原因。”

提示词序列：

# 初始泛泛提示
prompt_1 = "我应该为我的项目选择什么编程语言？"

# 带有约束的条件提示
prompt_2 = """
如果项目是 web 开发且需要可扩展性，请推荐一种合适的编程语言。请从性能、开发者生态系统及长期可扩展性角度解释推荐理由。
"""

分析：

• 初始查询过于宽泛，可能导致建议过于泛泛。
• 条件提示添加了特定上下文（web 开发和可扩展性），并请求详细的解释，使回应更加准确。

---

6. 提示词分析：评估与微调提示词

在编写提示词后，评估 AI 的响应在清晰度、相关性和准确性方面的表现至关重要。评估时应注意：

• 检查任务的各个部分是否都得到了回应。
• 评估响应质量：是否过于冗长？是否太简短？是否保持主题？
• 测试改进措施：提示词是否可以简化或更具体，以获得更好的结果？

评估标准：

• 相关性：AI 是否专注于手头的任务？
• 清晰度：答案是否清晰简明？
• 深度：回应是否提供了有见地的信息还是仅仅是肤浅的？
• 效率：是否可以用更少的字数达到相同的输出？

---

7. 模块流程图与代码示例

多步骤提示词编写流程图

graph TD;
    A[复杂任务] --> B[分解为子任务];
    B --> C[创建分层提示词];
    C --> D[测试每个提示词];
    D --> E[分析并改进];

优化提示词的代码示例

下面是一个使用 AI API 的 Python 代码示例，展示如何针对特定任务优化提示词。

import openai

# 初始未优化提示
response_1 = openai.Completion.create(
  engine="text-davinci-003",
  prompt="小型企业面临的网络安全挑战有哪些？",
  max_tokens=300,
  temperature=0.7
)

print("初始响应：")
print(response_1.choices[0].text)

# 优化提示
optimized_prompt = "列出小型企业面临的三大网络安全挑战，并为每个提供简要解释（每个不超过50字）。"

response_2 = openai.Completion.create(
  engine="text-davinci-003",
  prompt=optimized_prompt,
  max_tokens=150,
  temperature=0.3
)

print("\n优化后的响应：")
print(response_2.choices[0].text)

---

**8. 结

论：掌握高级提示词编写**

通过练习高级提示词编写练习，你可以从 AI 获取更精准、相关且高效的结果。掌握的关键在于：

• 分层提示词用于复杂任务。
• 引入上下文以引导响应。
• 优化提示词以提高效率和准确性。
• 通过精准指令处理复杂或有条件的查询。

通过持续的练习和评估，你将能够熟练编写高质量提示词，针对具体目标获取更有意义的洞察和可行的建议。

---

参考资料

• OpenAI 提示词编写指南
• AI 提示词优化高级技巧