前言
随着大语言模型技术的快速普及，AI应用开发不再局限于复杂的算法编程，Prompt工程逐渐成为普通人与开发者落地AI场景的核心能力。作为人工智能领域的权威学者，吴恩达在AI应用课程中系统梳理了Prompt设计的核心逻辑、基础架构与落地规则，打破了大众对“Prompt只是简单提问”的认知误区。优质的Prompt能够精准调动大模型能力，规范模型输出结果，大幅提升AI交互与应用开发的效率。本文将围绕吴恩达提出的Prompt核心原则、五大构建模块、核心函数用法及实操规则，系统拆解AI应用中Prompt的设计逻辑与实践技巧，为高效使用大模型、开发轻量化AI应用提供理论与实操支撑。
一、Prompt设计的核心基本原则
吴恩达在课程中明确提出，优质Prompt的核心底层逻辑是清晰详细的指令表达与标准化的输出约束，这两大原则是所有Prompt设计的基础，贯穿各类AI应用场景。
首先，清晰且详细的Prompt是精准获取模型响应的前提。大语言模型不具备主动揣测人类意图的能力，模糊、简短、表意模糊的指令，极易导致输出内容偏离需求、逻辑混乱、内容空洞。而清晰的指令能够明确任务核心目的，让模型锁定主题、减少错误；详细的指令则为模型提供充足的上下文信息，填补信息差，避免模型因信息缺失产生无效输出。在实操中，清晰意味着指令目标明确，杜绝歧义；详细则代表补充场景、要求、范围、风格等关键信息，让模型的输出有明确依据。
其次，约束模型输出结构，优先指定JSON格式返回。在AI应用开发中，无序的文本输出难以被程序读取、调用和二次开发，而JSON格式结构规整、层级清晰、适配各类代码接口。吴恩达重点强调，面向工程化、落地化的AI Prompt，必须主动约束输出格式，强制模型返回结构化数据，这是实现AI自动化、模块化应用的关键，也是区分普通对话Prompt与工程级Prompt的核心标准。
二、Prompt的五大核心构建模块
吴恩达总结的Prompt五大构建模块，是标准化、高质量Prompt的通用框架，适配文本总结、内容创作、数据提取、智能问答等绝大多数AI场景，是Prompt工程的核心骨架。五大模块相辅相成，缺一不可，能够系统性提升指令的完整性与有效性。
-
第一，任务定义模块。明确告知模型需要完成的核心任务，比如总结、翻译、改写、分类、数据分析等，杜绝任务模糊，让模型精准定位工作方向。
-
第二，上下文信息模块。补充任务相关的背景资料、原始文本、场景场景、适用范围等核心信息，为模型输出提供素材支撑，避免内容空洞。
-
第三，输出要求模块。包含输出字数、风格、语气、角度、侧重点等细节要求，规范输出内容的质量与形态。
-
第四，格式约束模块。指定输出结构，如段落式、分点式、JSON结构化数据等，适配人工阅读或程序调用需求。
-
第五，纠错优化模块。提前规避模型常见问题，比如禁止冗余废话、禁止偏离主题、保证内容真实准确，进一步提升输出精度。
五大构建模块的核心价值，是将随意的自然语言提问，转化为标准化、工程化的指令，彻底解决大模型输出随机性强、质量不稳定的问题，让AI输出结果可复用、可迭代、可落地。
三、get_response核心函数的应用优势
在AI应用开发中，Prompt并非单纯的人工对话指令，而是可以通过代码函数封装、批量调用的工具，吴恩达重点讲解的get_response函数，是连接Prompt与大模型API的核心载体，大幅提升了Prompt的复用性与灵活性。
该函数最核心的优势是参数默认值优化设计，这一语法特性让函数适配多场景使用，无需每次调用都重复配置基础参数，实现了简便、高效、灵活的开发需求。从API调用逻辑来看，大模型接口主要分为两类，
-
一是基础的completions完成接口，核心参数为自定义prompt指令，适用于单轮简单任务；
-
二是chat.completions对话接口，适配多轮对话场景，通过结构化消息列表实现连续交互。
chat.completions接口的消息模板是Prompt工程的关键实操要点，消息列表包含四大角色内容：
- system系统指令，用于定义模型身份、工作规则、输出标准；
- user用户首轮提问，输入核心Prompt与任务需求；
- assistant模型历史回复，用于承接多轮对话上下文；
- user二次提问，用于补充需求、修正内容、细化任务。
通过该结构化模板，开发者可以精准控制每一轮对话的逻辑，实现复杂AI任务的落地，同时搭配get_response函数的封装特性，实现Prompt指令的复用与批量调用，极大降低了AI应用的开发门槛。
# JS 模块化
# 浏览器的副产品 2015 es6+
# import openai from OpenAI
from openai import OpenAI
# go里面没有class ，也不需要new
client = OpenAI(
api_key="",
# 转发请求
base_url="https://api.deepseek.com/v1",
)
# 参数默认值
# 工具函数
# 主要用deepseek-chat 不传
# 传入 其它模型
# llm 很智能
# - completions aigc 生成
# - chat 聊天+completions 生成接口 对话形式
def get_completion(prompt, model="deepseek-chat"):
response = client.chat.completions.create(
model=model,
messages=[
{"role": "user", "content": prompt}
]
)
return response.choices[0].message.content
print(get_completion("何为vibe coding"))
# get_completion("",'gpt-5')
#(deepseek)
四、吴恩达Prompt实操核心规则
结合理论与工程实践，吴恩达提炼出最适配新手与开发者的实操规则，核心可概括为“清晰表意、具体赋能、格式锚定”。
清晰表意是基础，核心是规避歧义、明确目标，让模型完全理解任务需求，从根源减少内容跑偏、逻辑错误、答非所问等问题。具体赋能是关键，要求为任务提供充足的上下文与参考信息，避免模型无依据输出、凭空捏造内容。在文本总结、自然语言处理等机器学习常见任务中，为精准区分指令文本与待处理素材，吴恩达提出标准化标注方式：利用{text}字符串占位符搭配```特殊符号，划定独立的文本处理区间，清晰告知大模型待加工内容的边界，杜绝模型混淆指令与原始数据。同时，文本总结、语义分析、文本分类、机器翻译等，都是NLP与机器学习依托Prompt实现的高频基础任务，标准化的文本标注方式可大幅提升这类任务的处理精度。
# python 多行字符串模板
text = f"""
你应当通过尽可能清晰、具体的指令，来明确你希望模型完成的任务。
这能引导模型产出符合预期的结果，同时降低回复内容偏离主题或出现错误的概率。
不要把编写清晰的提示词和精简提示词混为一谈。
很多时候，篇幅更长的提示词能为模型提供更完整的说明与背景信息，进而让输出内容更加详实、贴合需求。
"""
# 字符串模板
prompt = f"""
将三个反引号之间的文本总结为一句话。
```{text}```
"""
# (deepseek)
# 一步一步，分步执行，有利于任务的顺序执行
# 用户的输入
# 具身智能
text = f"""
泡一杯茶其实很简单！
首先把水烧开。烧水的同时，拿出茶杯，放入茶包。
水烧开后，将热水冲入杯中浸泡茶包。静置片刻让茶香析出。
几分钟后取出茶包。
根据个人口味，还可以加入糖或牛奶。
这样一杯美味的茶饮就泡好了。
"""
# 转义 符号本身
prompt = f"""
你将收到由三个引号包裹的文本。
若文本中包含一系列操作指令，
请按照以下格式重新整理这些指令。
步骤一···
步骤二···
步骤三···
···
步骤 N ···
如果文本中没有一系列操作指引，
直接输出**没有必要的步骤**
\"\"\"{text}\"\"\"
"""
print(get_completion(prompt))
同时，实操中必须严格约束响应结果格式，工程化场景下优先采用JSON结构化输出，且不能仅设置单一基础字段，需要丰富JSON键值体系，并搭配自然语义注释加持，让输出数据层级清晰、用途明确、便于程序解析与人工校验。例如可设计task_type（任务类型）、result_content（任务输出结果）、confidence（结果置信度）、remark（结果补充说明）等核心key，全方位完善输出结构，适配二次开发需求。
prompt =f"""
请列出四大名著，并标注对应的作者于书籍类型
使用JSON格式呈现，需包含一下字段:
book_id(书籍编号)、title(书名)、author(作者)、genres(书籍类型)、desc(概述)。
"""
print(get_completion(prompt))
# (deepseek)
text = f"""
在一座风光宜人的小村庄里，姐弟俩杰克和吉尔动身前往山顶的水井取水。
两人一路欢歌向上攀登，不料意外突生
—— 杰克被石头绊倒，滚下山坡，吉尔也跟着摔了下去。
二人虽受了些轻伤，还是回到了家中，得到家人温柔的安抚。
这场小意外并未磨灭他们冒险的兴致，此后他们依旧满心欢喜地四处游玩。
"""
# nlp 任务 翻译任务
prompt = f"""
执行以下操作：
将三个反引号内的文本概括为一句话。
把这句话摘要翻译成法语。
列出法语摘要中出现的所有人名。
使用JSON格式呈现，包含字段：french_summary(法语摘要)、
num_names(人物数量)、names(人物名字,用&链接)。
答案分行展示。
Text:
```{text}```
"""
print(get_completion(prompt))
除此之外，吴恩达Prompt体系包含两大进阶核心技巧，分别是少样本提示与模型幻觉规避，是高阶AI应用开发的关键。
- Few-shot少样本提示，是指在Prompt指令中附带少量标准示例，无需撰写冗长复杂的文字指令，让模型直接参照示例的输出格式、逻辑结构、语言风格、内容维度快速对齐任务要求。这种方式极大降低了复杂任务的指令成本，适配分类、提取、格式规整、文案生成等各类场景，有效解决模型输出风格不统一、逻辑错乱的问题。
# Few-shots 例子
prompt = f"""
你的任务是保持统一的行文风格作答。
提问：请讲讲何为耐心。
回答：能凿出幽深峡谷的江河，源自涓涓细流；
恢弘壮阔的交响乐，起于单个音符；
精美繁复的织锦，始于一丝线。
提问：请讲讲何为韧性？
"""
print(get_completion(prompt))
# (deepseek)
- 大模型幻觉问题是Prompt工程必须重视的核心痛点。LLM具备强大的文本生成能力，但存在内容真假混杂的固有缺陷，会凭空捏造事实、数据、案例、专业理论，出现看似通顺但完全错误的输出。因此在Prompt设计中，除了规范指令、补充上下文、增加示例外，还需要额外添加校验约束指令，要求模型基于真实上下文输出，禁止编造未提及内容，从指令层面最大限度抑制模型幻觉，保障输出内容的真实性与准确性。
# 大模型幻觉
prompt = f"""
介绍一下蜜雪冰城品牌的滑雪装备
"""
print(get_completion(prompt))
# deepseek大模型解决
总结
吴恩达的Prompt工程体系，打破了传统AI交互的随意性，构建了一套标准化、工程化、可落地的Prompt设计逻辑。其核心本质并非复杂的技巧堆砌，而是以“清晰具体指令、结构化格式约束”为核心原则，以五大构建模块为标准化框架，以get_response函数为开发工具，同时融合少样本提示进阶技巧，针对性规避大模型幻觉缺陷，全方位规范大模型的输入与输出。这套体系覆盖了基础对话、文本处理、工程开发、复杂任务落地等全场景需求，通过精准指令、示例参考、格式约束、风险规避，彻底解决了大模型输出随机性强、易出错、不可复用的问题。对于AI学习者与开发者而言，熟练掌握这套完整的Prompt规则，能够摆脱无效提问，精准调动大模型能力，高效落地各类轻量化AI应用，显著提升人机交互与AI开发的整体效率，是当下AI应用开发的核心基础技能。
