🤖 吴恩达亲授：如何用Prompt工程让大模型“靠谱”地为你工作？
告别“随机输出”，像写代码一样精确控制LLM
在AI应用开发的浪潮中，大语言模型（LLM）展现了惊人的理解与生成能力。但很多开发者都遇到过这样的困扰：同样的Prompt，有时输出完美，有时却答非所问；有时返回优美的JSON，有时却夹杂着废话；甚至还会一本正经地编造事实……
吴恩达（Andrew Ng）在多次演讲和课程中反复强调：要让LLM成为“靠谱”的工程师伙伴，而不是一个随性的诗人。这就需要我们掌握一套系统化的Prompt工程原则——它不仅是写几句话，而是像编程一样，通过清晰性、结构化、约束和示例来减少随机性。
本文将基于吴恩达的核心思想，深入讲解如何设计高质量Prompt、封装API调用函数、以及实战中应对“幻觉”等棘手问题。无论你是新手还是进阶玩家，都能从中获得可落地的技巧。
📌 目录
- Prompt工程的三个核心原则
get_response：封装LLM API的艺术- 四大实战规则：让输出更确定
- 3.1 清晰且具体的表达
- 3.2 强制输出JSON并丰富语义
- 3.3 分布式提示（分解复杂任务）
- 3.4 Few-shot：给模型“抄作业”的机会
- 直面幻觉：原因与缓解策略
- 完整案例：从模糊到可靠的Prompt进化
- 总结与推荐资源
1. Prompt工程的三个核心原则
吴恩达将Prompt设计总结为三个层次：
| 原则 | 说明 |
|---|---|
| 清晰且详细的指令 | 不要只告诉模型“做什么”，还要说明“怎么做”和“不要做” |
| 约束返回结构 | 要求模型输出JSON/XML等结构化数据，便于程序解析 |
| 五个构建块 | 指令 + 上下文 + 输入数据 + 输出格式 + 示例 |
💡 记住：LLM不是读心者。你越是含糊，它就越可能“自由发挥”。
2. get_response：封装LLM API的艺术
在实际开发中，我们通常不会每次都裸调API，而是封装一个get_response函数。这样做的好处：
- 复用默认参数：比如
temperature=0.2、max_tokens=1000 - 统一异常处理：处理限流、超时等
- 支持不同接口：
completions（老式补全）和chat.completions（推荐）
2.1 简单封装示例（伪代码）
def get_response(prompt, system_msg="你是一个有用的AI助手", temperature=0.3):
response = openai.ChatCompletion.create(
model="gpt-4",
messages=[
{"role": "system", "content": system_msg},
{"role": "user", "content": prompt}
],
temperature=temperature,
max_tokens=800
)
return response.choices[0].message.content
2.2 两种API的区别
| 接口 | 特点 | 何时使用 |
|---|---|---|
completions | 输入单个prompt字符串，返回续写 | 简单生成任务（如写诗、翻译单句） |
chat.completions | 输入messages数组，支持多角色对话 | 99%的现代应用（尤其是需要系统指令的） |
messages结构示例：
[
{"role": "system", "content": "你是一个严格的数据分析师，只回答数值型事实，不编造数据。"},
{"role": "user", "content": "2024年全球AI融资总额是多少？"},
{"role": "assistant", "content": "根据Crunchbase数据，约为500亿美元。"}
]
🔔 小技巧：
system消息是最强大的控制开关。你可以在这里设置角色、语气、安全边界，甚至禁止模型说“我不知道”。
3. 四大实战规则：让输出更确定
吴恩达提出了四条黄金规则，下面一一拆解。
3.1 清晰且具体的表达
错误示例：
“总结这篇文章。”
（模型不知道长度、风格、侧重点）
正确示例：
请用三句话总结下面的文本，每句话不超过20个字，聚焦于技术难点，忽略背景介绍。
文本：{文章内容}
关键技巧：使用分隔符
用三个反引号```、"""或<tag>将原始数据与指令隔开，可以显著降低模型混淆。这是经过了数百次实验验证的有效手段。
请将以下客户评价的情感分类为【正面/负面/中性】，并输出JSON。
---
评价：```这个产品很好，但物流太慢了。```
3.2 强制输出JSON并丰富语义
结构化输出是LLM接入工程系统的前提。我们不仅要要求JSON，还可以通过在字段后添加注释（自然语言描述） 来进一步约束模型。
基础要求：
{"summary": "...", "score": 0.8}
进阶要求（带语义约束）：
{
"summary": "// 20字以内，一句话总结",
"confidence": "// 0~1之间的浮点数，表示模型对自己的回答有多确信",
"keywords": "// 数组，最多3个关键词"
}
⚠️ 注意：某些模型会忽略注释，所以最好在指令中明确：“字段后的
//内容仅为说明，不要输出//符号”。
3.3 分布式提示：拆解复杂任务
不要让LLM一次完成太多事。例如“分析合同 → 提取条款 → 判断合规性 → 生成报告”四个步骤，最好分成四次调用。
优点：
- 每个子任务错误率更低
- 中间结果可缓存、可调试
- 可替换或升级单个环节的模型
案例：分析用户反馈
- 步骤1：提取关键实体（产品名、问题类型、情绪词）
- 步骤2：判断情绪强度（1-5分）
- 步骤3：生成改进建议
- 最终：合并为结构化报告
# 伪代码
entities = extract_entities(feedback) # 子Prompt 1
sentiment = score_sentiment(feedback) # 子Prompt 2
suggestions = generate_actions(entities, sentiment) # 子Prompt 3
report = merge(entities, sentiment, suggestions)
3.4 Few-shot：给模型“抄作业”的机会
Few-shot是指在Prompt中提供少量（通常是2~5个）输入-输出示例，让模型通过类比学习任务格式。它比零样本（zero-shot）要稳定得多，又比微调（fine-tuning）轻量得多。
零样本（效果一般）：
将英文翻译成法文：
Hello
Few-shot（效果更好）：
示例1：
英文：Good morning → 法文：Bonjour
示例2：
英文：Thank you → 法文：Merci
示例3：
英文：How are you? → 法文：Comment allez-vous?
现在请翻译：
英文：Nice to meet you → 法文：
🧠 原理：LLM在预训练时已经见过类似模式，Few-shot只是激活了正确的“工作记忆”。
4. 直面幻觉：原因与缓解策略
幻觉：模型生成了表面上流畅但事实上错误或杜撰的内容。例如问“谁是火星上第一个人类定居者”，模型可能回答“埃隆·马斯克于2029年建立了基地”——这完全是编造。
4.1 为什么会产生幻觉？
- 模型本质是概率生成器，没有真假判断的神经元
- 训练数据不完整或存在虚假信息
- 用户要求超出了模型知识截止日期
- 模型为了“取悦用户”强行给出答案
4.2 缓解幻觉的实战方法
| 策略 | 说明 | 示例指令 |
|---|---|---|
| 要求引用原文 | 让模型必须基于提供的上下文回答 | “仅根据以下文档回答，不要添加任何外部知识。如果答案不在文档中，输出‘不知道’。” |
| 启用低温度 | temperature=0 使输出确定性最高 | API参数设置 |
| 加入置信度评分 | 让模型输出对自己的答案有多确定 | “在JSON中添加confidence字段，取值0-1，1表示非常确信。” |
| 事后验证 | 用知识图谱或规则检查关键事实 | 写一段代码，检查模型输出的日期、名称是否存在 |
| 系统指令限制 | 明确禁止捏造 | system: “你是一个AI助手，严禁编造事实。如果不知道答案，直接说‘我无法确定’。” |
5. 完整案例：从模糊到可靠的Prompt进化
假设我们需要一个函数，输入任意产品的用户评论，输出情感分析和改进建议，且必须以JSON返回。
❌ 模糊版本（低质量）
分析：
{review}输出建议。
问题：格式随意，情感标签不统一，建议质量飘忽。
✅ 可靠版本（运用所有原则）
system_prompt = """
你是一个专业的产品分析AI。你的任务：
1. 必须严格输出以下JSON结构，不要输出任何其他文字。
2. 字段说明：
- sentiment: 只能是"positive", "neutral", "negative"之一
- confidence: 0~1之间的浮点数
- suggestions: 字符串数组，最多3条具体可操作的改进建议
- quoted_phrases: 从原文中摘录的关键短句数组（证明依据）
3. 如果用户评论少于5个词，设置sentiment为"neutral"，confidence为0.2。
4. 绝不可以捏造建议，如果评论中没有明显问题，建议数组可以留空。
"""
user_prompt = """
请分析以下产品评论：
---
{review}
---
输出JSON：
"""
def analyze_review(review_text):
return get_response(
prompt=user_prompt.format(review=review_text),
system_msg=system_prompt,
temperature=0.1
)
示例输出：
{
"sentiment": "negative",
"confidence": 0.95,
"suggestions": ["加快物流速度", "增加包裹追踪通知"],
"quoted_phrases": ["物流太慢了", "等了一周"]
}
这个案例综合了分隔符、JSON约束、系统指令、低温度、Few-shot思路（虽然没有显式给示例，但通过字段描述模拟了示例效果）。
6. 总结与推荐资源
核心要点回顾
| 问题 | 解决方案 |
|---|---|
| 输出格式混乱 | 强制JSON + 字段注释 |
| 忽略上下文 | 用```分隔符包裹原始文本 |
| 复杂任务出错率高 | 分布式提示（拆分成子任务） |
| 模型不知道想要什么 | 提供2~5个Few-shot示例 |
| 幻觉编造事实 | 要求引用原文 + 低温度 + 事后验证 |
延伸学习
- 吴恩达《ChatGPT Prompt Engineering for Developers》（DeepLearning.ai免费课程）
- OpenAI官方Prompt指南（包括6大策略）
- LangChain：帮你结构化编排多步Prompt调用
最后，记住这句话：Prompt工程不是“与AI聊天”，而是一种面向任务的编程范式。当你把LLM看作一个可控的函数调用，而不是一个神秘的魔盒时，你就真正掌握了它。
如果你在实践中发现了更有趣的技巧，欢迎在评论区分享～ 🚀
