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。
model：使用的模型名称，默认为 gpt-3.5-turbo。
temperature：温度参数。值越低（如 0），输出越稳定、一致；值越高，输出越具有创造性但可能不稳定。

提示词工程原则一：清晰具体的指令

大模型对指令的理解能力依赖于输入的质量。编写清晰、具体的指令可以显著减少无关或错误的响应。

示例：文本总结

以下代码演示了如何通过明确指令让模型总结长文本。

text = f"""
You should express what you want a model to do by \
providing instructions that are as clear and \
specific as you can possibly make them. \
This will guide the model towards the desired output, \
and reduce the chances of receiving irrelevant \
or incorrect responses. Don't confuse writing a \
clear prompt with writing a short prompt. \
In many cases, longer prompts provide more clarity \
and context for the model, which can lead to \
more detailed and relevant outputs.
"""
prompt = f"""
Summarize the text delimited by triple backticks \
into a single sentence.
```{text}```
"""
response = get_completion(prompt)
print(response)

解析：

定义了一段关于如何编写有效提示的文本。
构建了一个新的 prompt，要求模型总结用三重反引号括起来的文本。
调用 get_completion 生成单句总结。

此示例证明了提供足够的上下文（Context）比简短的指令更能引导模型输出高质量内容。

提示词工程原则二：结构化输出

为了让程序更好地处理模型返回的数据，我们可以要求模型以特定格式（如 JSON、HTML）输出。

示例：JSON 格式生成

prompt = f"""
Generate a list of three made-up book titles along \
with their authors and genres. 
Provide them in JSON format with the following keys: 
book_id, title, author, genre.
"""
response = get_completion(prompt)
print(response)

解析：

明确要求生成三个虚构书籍信息。
指定 JSON 格式及键名（book_id, title, author, genre）。
这种结构化输出便于后续代码直接解析为对象使用。

指令格式化与逻辑判断

除了总结，我们还可以利用大模型进行文本重组和逻辑判断。

示例：步骤化指令提取

text_1 = f"""
Making a cup of tea is easy! First, you need to get some \
water boiling. While that's happening, \
grab a cup and put a tea bag in it. Once the water is \
hot enough, just pour it over the tea bag. \
Let it sit for a bit so the tea can steep. After a \
few minutes, take out the tea bag. If you \
like, you can add some sugar or milk to taste. \
And that's it! You've got yourself a delicious \
cup of tea to enjoy.
"""
prompt = f"""
You will be provided with text delimited by triple quotes. 
If it contains a sequence of instructions, \
re-write those instructions in the following format:

Step 1 - ...
Step 2 - …
…
Step N - …

If the text does not contain a sequence of instructions, \
then simply write "No steps provided."

"""{text_1}"""
"""
response = get_completion(prompt)
print("Completion for Text 1:")
print(response)

对比测试： 如果输入一段描述性文本（如风景描写），模型应识别出其中不包含指令。

text_2 = f"""
The sun is shining brightly today, and the birds are \
singing. It's a beautiful day to go for a \
walk in the park...
"""
# 使用相同的 prompt 结构
# 预期输出：No steps provided.

进阶：给予机器思考时间

对于复杂任务，分步指令（Chain of Thought）能显著提升准确性。这被称为'给机器思考时间'。

示例：多步骤任务处理

text = f"""
In a charming village, siblings Jack and Jill set out on \
a quest to fetch water from a hilltop \
well. As they climbed, singing joyfully, misfortune \
struck—Jack tripped on a stone and tumbled \
down the hill, with Jill following suit. \
Though slightly battered, the pair returned home to \
comforting embraces. Despite the mishap, \
their adventurous spirits remained undimmed, and they \
continued exploring with delight.
"""
prompt_1 = f"""
Perform the following actions: 
1 - Summarize the following text delimited by triple \
backticks with 1 sentence.
2 - Translate the summary into French.
3 - List each name in the French summary.
4 - Output a json object that contains the following \
keys: french_summary, num_names.

Separate your answers with line breaks.

Text:
```{text}```
"""
response = get_completion(prompt_1)
print("Completion for prompt 1:")
print(response)

解析： 通过明确列出 1、2、3、4 步操作，模型会按顺序执行，避免了遗漏关键步骤，最终输出包含法语摘要和名字数量的 JSON 对象。

示例：数学逻辑验证

prompt = f"""
Determine if the student's solution is correct or not.

Question:
I'm building a solar power installation and I need \
help working out the financials. 
- Land costs $100 / square foot
- I can buy solar panels for $250 / square foot
- I negotiated a contract for maintenance that will cost \
me a flat $100k per year, and an additional $10 / square \
foot
What is the total cost for the first year of operations 
as a function of the number of square feet.

Student's Solution:
Let x be the size of the installation in square feet.
Costs:
1. Land cost: 100x
2. Solar panel cost: 250x
3. Maintenance cost: 100,000 + 10x
Total cost: 100x + 250x + 100,000 + 10x = 360x + 100,000
"""
response = get_completion(prompt)
print(response)

解析： 此示例展示了模型作为'导师'的角色。通过提供问题和学生答案，模型需要运用逻辑推理来验证计算过程是否正确。这证明了在提示词中引入推理步骤（Thinking Process）能有效提升复杂问题的解答质量。

总结与注意事项

1. 幻觉现象（Hallucinations）

大模型在回答问题时可能会出现事实性错误，这被称为'幻觉'。这是当前技术的正常现象。应对策略包括：

优化提示词，要求模型引用来源。
结合检索增强生成（RAG）技术。
人工审核关键输出。

2. 最佳实践

明确角色：告诉模型它是谁（如'你是一个资深程序员'）。
提供示例：Few-Shot Prompting 能显著提高效果。
迭代优化：根据输出不断调整提示词。

3. 下一步计划

本文仅涵盖了基础配置与简单提示词。后续章节将深入探讨：

对话历史管理与上下文窗口限制。
高级微调（Fine-tuning）流程。
企业级应用架构设计。

希望本指南能为你的大模型学习之路打下坚实基础。