大模型入门实战指南：环境配置与提示词工程

前言

在深入大模型学习之前，了解基础概念至关重要。目前主流的大语言模型主要分为两类：Base LLM（基座模型）和 Instruction Tuned LLM（指令微调模型）。基座模型主要用于预测下一个 token，而指令微调模型则经过专门训练，能够更准确地理解并执行用户的指令。本文将基于 Python 环境，带你完成从环境搭建到基础提示词工程（Prompt Engineering）的实战演练。

资源、配置与环境

1. 学习平台推荐

建议通过 DeepLearning.AI 等权威平台进行基础学习，这些平台通常内置 Jupyter Notebook 环境，方便读者边看视频边编写代码，提升学习效率。

2. 本地环境搭建

如果你选择在本机运行代码，首先需要安装必要的依赖库。OpenAI 的官方 Python 客户端是核心工具。

pip install openai python-dotenv

openai：用于与 OpenAI API 进行交互。
python-dotenv：用于管理环境变量，避免将敏感信息（如 API Key）硬编码在代码中。

3. API 密钥配置

为了安全起见，建议使用 .env 文件存储 API 密钥，并在代码中动态加载。

import openai
import os
from dotenv import load_dotenv, find_dotenv

# 加载环境变量
_ = load_dotenv(find_dotenv())

# 设置 OpenAI API 密钥
openai.api_key = os.getenv('OPENAI_API_KEY')

这段代码的作用是读取项目根目录下的 .env 文件中的 OPENAI_API_KEY 变量，并将其赋值给 OpenAI 库的配置项，确保后续调用服务时具备认证权限。

核心函数封装

为了方便后续调用，我们定义一个通用的辅助函数 get_completion。该函数封装了请求发送、参数配置及结果提取的逻辑。

def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = openai.ChatCompletion.create(
        model=model,
        messages=messages,
        temperature=0, # 控制输出的随机性，0 表示最确定
    )
    return response.choices[0].message["content"]

参数说明：

prompt：用户输入的提示信息。

大模型入门实战指南：环境配置与提示词工程