大语言模型提示工程实战：迭代式开发流程与技巧（附代码）

明月夜&

399人浏览 · 2026-04-17 22:34:03

明月夜& · 2026-04-17 22:34:03 发布

摘要

很多初学者以为写出完美的提示词是提示工程的关键，但事实上，第一次提示就成功的概率并不高。真正重要的是掌握一套迭代式开发流程：先写一个初始提示，运行观察结果，分析不足，然后逐步优化。本文基于 OpenAI 官方课程，用一个真实的“产品规格说明书生成营销文案”案例，带你完整走一遍迭代过程。你将学习如何控制输出长度、调整关注点、提取特定字段、生成 HTML 表格等。读完本文，你将不再盲目尝试“万能提示”，而是拥有属于自己的高效提示迭代方法论。

适用人群 / 前置知识

适用人群：使用大语言模型（如 ChatGPT）开发应用的开发者、产品经理、数据分析师；希望系统提升提示工程能力的学习者。
前置知识：了解 Python 基础；能读懂 OpenAI API 的基本调用代码；对提示工程有初步概念更佳。

引言：为什么“完美提示词”是一个陷阱？

你可能在互联网上见过类似“30 个最佳提示词”的文章，仿佛只要复制粘贴这些“完美”的提示，就能让大语言模型为你所用。但现实是：不存在能应对所有场景的完美提示词。不同的任务、不同的输出格式、不同的受众，都需要不同的提示。

真正高效的提示工程师，不是记住一堆提示模板的人，而是掌握迭代式开发流程的人。就像训练机器学习模型一样，你从第一个实验开始，观察结果，分析错误，然后改进，再实验……直到达到满意的效果。

本文将通过一个完整的实战案例，演示这一流程。案例目标：根据一把办公椅的技术规格说明书，为营销团队生成适合不同渠道的产品描述。

环境准备：基础代码

首先，确保你安装了 OpenAI Python 库（版本 0.27.0 或 1.0.0），并配置好 API 密钥。以下为辅助函数：

import openai
import os
from dotenv import load_dotenv, find_dotenv

_ = load_dotenv(find_dotenv())
openai.api_key = os.getenv('OPENAI_API_KEY')

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0,  # 确定性输出
    )
    return response.choices[0].message["content"]

如果你使用 OpenAI 库 1.0.0 及以上版本，请使用以下代码：

client = openai.OpenAI()
def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0
    )
    return response.choices[0].message.content

案例数据：椅子技术规格说明书

我们有一份关于办公椅的技术文档（fact_sheet_chair），包含：概述、结构、尺寸、选项、材料、原产国等。完整内容见代码。我们的目标是：基于这份文档，生成产品描述。

迭代流程总览

下面展示了提示开发的迭代循环：

想法 → 2. 写提示 → 3. 运行获得结果 → 4. 分析结果 → 5. 改进提示 → 回到步骤2

这个循环会一直持续，直到结果满足需求。

第一次尝试：基础提示

我们从一个最简单的提示开始：

prompt = f"""
你的任务是帮助营销团队基于技术规格说明书，
为零售网站创建产品描述。

请根据三重反引号内的技术规格编写产品描述。

技术规格：```{fact_sheet_chair}```
"""

response = get_completion(prompt)
print(response)

输出：一段比较完整的产品描述，但长度较长（约 150+ 词）。对于零售网站来说，可能过于冗长。

问题1：文本太长 → 需要控制长度。

第二次迭代：控制输出长度

我们添加“最多 50 个词”的约束：

prompt = f"""
...（同上）...
使用最多 50 个词。

技术规格：```{fact_sheet_chair}```
"""

运行后，输出约 52 个词，明显更简洁。你也可以尝试“最多 3 句话”或“最多 280 个字符”。注意：大语言模型对精确字数/字符数的控制并不完美，但大致在合理范围内。

问题2：关注点不对 → 当前描述偏向消费者（时尚、美观），但我们的目标受众是家具零售商，他们更关心技术细节和材料。

第三次迭代：调整受众和侧重点

修改提示，明确受众为“家具零售商”，并要求侧重技术细节和材料：

prompt = f"""
...（同上）...
此描述面向家具零售商，因此应偏技术性，
重点介绍产品的制造材料。

使用最多 50 个词。

技术规格：```{fact_sheet_chair}```
"""

输出示例：“涂层铝底座、气动升降椅、高品质材料……”——更符合零售商的需求。

新需求：在描述末尾包含产品 ID（如 SWC-100, SWC-110）。

第四次迭代：添加特定信息提取

在提示末尾添加指令：

prompt = f"""
...（同上）...
在描述末尾，包含技术规格中的每个 7 字符产品 ID。

使用最多 50 个词。

技术规格：```{fact_sheet_chair}```
"""

输出中正确包含了两个产品 ID。

进一步需求：还需要一个尺寸表格，并且希望输出是 HTML 格式，便于嵌入网站。

第五次迭代：生成结构化 HTML 表格

添加更复杂的指令：生成一个两列的尺寸表格（第一列尺寸名称，第二列英寸数值），并以 HTML 格式输出，放在

中。

prompt = f"""
你的任务是帮助营销团队基于技术规格说明书，
为零售网站创建产品描述。

请根据三重反引号内的技术规格编写产品描述。

此描述面向家具零售商，因此应偏技术性，
重点介绍产品的制造材料。

在描述末尾，包含技术规格中的每个 7 字符产品 ID。

在描述之后，包含一个表格，给出产品尺寸。
表格应有两列：第一列是尺寸名称，第二列是英寸数值。
表格标题为“Product Dimensions”。

将所有内容格式化为可用于网站的 HTML。
将描述放在一个 <div> 元素中。

技术规格：```{fact_sheet_chair}```
"""

运行后，模型返回一段 HTML 代码。我们可以用 IPython.display 渲染查看：

from IPython.display import display, HTML
display(HTML(response))

注意：这次我没有加“最多 50 词”的限制，所以描述可能较长。你可以根据需要继续调整。

迭代过程中的常见改进方向

迭代轮次	发现的问题	改进手段
1	输出太长	增加长度约束（词数/句子数/字符数）
2	关注点错误	明确受众和侧重点
3	缺少关键字段	要求提取特定信息（如产品 ID）
4	格式不便解析	要求结构化输出（JSON/HTML/表格）
5	需要可视化	要求生成 HTML 并嵌入样式

进阶：从单个示例到批量评估

在应用的早期开发阶段，用一个代表性示例迭代完全可行。但当应用趋于成熟，你可能需要在一个验证集上评估提示的稳定性。例如，准备 50 份不同的产品规格说明书，运行同一个提示，检查平均输出质量、最差情况等。这能帮助你发现边缘案例，进一步优化提示。

常见问题与注意事项

1. 一次迭代只解决一个问题：不要一次性添加太多约束，否则难以判断哪个修改有效。
2. 保留历史版本：记录每次迭代的提示和输出，便于回溯和对比。
3. temperature参数：在迭代过程中建议保持 temperature=0，保证输出确定性。只有在需要创造性变化时才调高temperature参数。
4. 长度控制的不精确性：模型对精确字数/字符数的控制有限，多试几次或使用后处理截断。
5. 提示注入风险：如果用户输入不可信，请使用分隔符隔离用户内容。