吴恩达 Prompt 学习进阶：用提示词驯服大模型
随着大模型技术普及，提示词（Prompt）不再只是简单的对话指令，而是控制大模型输出质量的核心手段。吴恩达在 AI 应用课程中，系统讲解了提示工程的方法论，帮助开发者减少大模型输出的随机性，把 AI 变成稳定可靠的生产力工具。学习 Prompt，从简单提问进阶到工程化应用，是用好大模型的必经之路。
吴恩达提出的首要原则，是编写清晰且具体的提示词。很多人使用大模型时，习惯简短模糊的指令，很容易造成模型理解偏差。想要模型精准执行任务，需要明确任务目标，补充必要上下文。课程推荐使用 ``` 这类分隔符包裹待处理文本，搭配{text}占位符区分指令与待处理内容，避免输入文本干扰指令理解。例如文本摘要任务，用符号把原文隔离出来，模型就能准确识别需要处理的对象，不会混淆任务说明和素材内容。
其次，对返回结果施加格式约束，最常用的就是指定 JSON 格式输出。在开发场景中，自由文本很难直接接入程序。通过 Prompt 要求模型返回结构化 JSON，预先定义好字段，方便代码直接解析。这也是get_response函数的设计思路，借助 LLM API 的 chat.completions 接口，通过 system、user、assistant 多角色消息数组构建对话上下文，配合函数默认参数，实现 Prompt 代码的复用、灵活调用，将提示词工程封装成可复用模块。
少样本提示（Few-shot）是进阶提示技巧。在指令中附带少量任务示例，模型可以快速学习输出格式、逻辑风格，不用冗长文字反复解释规则。当任务逻辑复杂，单纯文字描述难以讲清标准时，几个示例就能对齐模型行为，大幅降低调试成本。
但我们必须正视大模型固有的缺陷 —— 幻觉。大模型会自信地编造不存在的事实，真假信息混杂输出。这也是提示工程进阶阶段需要持续对抗的问题。依靠规范 Prompt 可以一定程度降低幻觉概率，比如要求模型只基于给定文本作答，禁止编造外部信息，但无法彻底根除。
总而言之，吴恩达的提示工程思想，本质不是寻找万能魔法提示词，而是一套可控、可迭代的工程思路。从写清楚指令、限定输出格式，到使用少样本示例、搭建 API 调用函数，一步步降低大模型的不确定性。掌握这套方法，我们不再被动接受 AI 随机回答，而是主动引导模型稳定输出，真正把大模型能力落地到各类业务场景。
