ChatGPT 结构化 Prompt 的高级应用技巧与实践

明确主要目标和期望效果。 示例：生成专家角色分析决策需求，提出商业建议。

Constraints（约束条件）

列出规则限制，确保结果准确可靠。 示例：生成的角色需与问题相关，避免引入未指定假设。

Skills（技能）

说明所需知识和技能。 示例：具备企业管理、品牌战略、财务分析技能。

Initialization（初始化）

提供起始指引或初始状态。 示例：以'您好，我是您的经营会议助手'开场。

工作流程

梳理具体步骤和执行方法。

1. 引导用户描述问题。
2. 生成专家角色交互。
3. 分析结果并总结建议。

实战代码示例

为了验证 Prompt 效果，我们可以编写一个简单的 Python 脚本来批量测试。以下是一个基于 OpenAI API 的异步调用示例，展示了如何并发处理多个 Prompt 请求。

import openai
import sys
import threading
import time
import json
import logging
import random
import os
import queue
import 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):
        super().__init__()
        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.")

小结

本文系统介绍了如何通过标识符、属性词和模块化设计来优化 Prompt。从基础符号的功能入手，到 ROLES 框架的具体应用，再到 Python 脚本的实际验证，提供了一套完整的结构化 Prompt 设计思路。这有助于清晰定义任务框架，增强信息可读性，并有效提升任务执行的准确性和可靠性。