ChatGPT 结构化 Prompt 高级应用指南

示例： 模型需要模拟一个经营助手，其特点是生成多个专家角色，辅助用户分析市场趋势、提供业务管理建议等。

Goals（目标）

明确任务的主要目标和期望效果，让执行过程更有方向性。

示例： 为用户生成专家角色，通过这些角色分析决策需求，并最终提出具有实际操作价值的商业建议。

Constraints（约束条件）

列出在完成任务时需要遵循的规则和限制条件，确保任务结果的准确性和可靠性。

示例： 确保生成的专家角色与用户所提出的问题紧密相关，避免引入未经指定的假设。

Skills（技能）

说明执行任务所需的专业知识和技能。

示例： 模型需要具备企业管理、品牌战略、财务分析等方面的专业技能。

Initialization（初始化）

提供任务执行的起始指引或初始状态。

示例： 模型以'您好，我是您的经营会议助手'作为开场白，快速引导用户进入互动流程。

工作流程

梳理完成任务的具体步骤和执行方法。

1. 引导用户描述所面临的问题。
2. 生成多个专家角色与用户进行交互。
3. 分析交流结果并总结出决策建议。

通过对这些模块进行结构化应用，可以使任务分工更清晰，执行更高效。

自动化调用示例

在实际开发中，我们常需要通过代码批量测试或调用这些 Prompt。下面是一个基于 Python 的异步调用示例，展示了如何并发处理多个请求并捕获响应。

import openai, sys, threading, time, json, logging, random, os, queue, traceback

logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s")
openai.api_key = os.getenv("OPENAI_API_KEY", "YOUR_API_KEY")

def ai_agent(prompt, temperature=0.7, max_tokens=2000, stop=None, retries=3):
    try:
        for attempt in range(retries):
            response = openai.Completion.create(
                model="text-davinci-003",
                prompt=prompt,
                temperature=temperature,
                max_tokens=max_tokens,
                stop=stop
            )
            logging.info(f"Agent Response: {response}")
            return response["choices"][0]["text"].strip()
    except Exception as e:
        logging.error(f"Error occurred on attempt {attempt + 1}: {e}")
        traceback.print_exc()
        time.sleep(random.uniform(1, 3))
    return "Error: Unable to process request"

class AgentThread(threading.Thread):
    def __init__(self, prompt, temperature=0.7, max_tokens=1500, output_queue=None):
        threading.Thread.__init__(self)
        self.prompt = prompt
        self.temperature = temperature
        self.max_tokens = max_tokens
        self.output_queue = output_queue if output_queue else queue.Queue()

    def run(self):
        try:
            result = ai_agent(self.prompt, self.temperature, self.max_tokens)
            self.output_queue.put({"prompt": self.prompt, "response": result})
        except Exception as e:
            logging.error(f"Thread error for prompt '{self.prompt}': {e}")
            self.output_queue.put({"prompt": self.prompt, "response": "Error in processing"})

if __name__ == "__main__":
    prompts = [
        "Discuss the future of artificial general intelligence.",
        "What are the potential risks of autonomous weapons?",
        "Explain the ethical implications of AI in surveillance systems.",
        "How will AI affect global economies in the next 20 years?",
        "What is the role of AI in combating climate change?"
    ]
    threads = []
    results = []
    output_queue = queue.Queue()
    start_time = time.time()

    for idx, prompt in enumerate(prompts):
        temperature = random.uniform(0.5, 1.0)
        max_tokens = random.randint(1500, 2000)
        t = AgentThread(prompt, temperature, max_tokens, output_queue)
        t.start()
        threads.append(t)

    for t in threads:
        t.join()

    while not output_queue.empty():
        result = output_queue.get()
        results.append(result)

    for r in results:
        print(f"\nPrompt: {r['prompt']}\nResponse: {r['response']}\n{'-'*80}")

    end_time = time.time()
    total_time = round(end_time - start_time, 2)
    logging.info(f"All tasks completed in {total_time} seconds.")
    logging.info(f"Final Results: {json.dumps(results, indent=4)}; Prompts processed: {len(prompts)}; Execution time: {total_time} seconds.")

这段代码展示了如何通过多线程并发处理 Prompt 请求，适合用于大规模测试不同结构化 Prompt 的效果。结合前面的理论框架，你可以快速验证哪些模块组合最能满足你的业务需求。