本文是基于 DeepLearning.AI 推出的课程 ChatGPT Prompt Engineering for Developers 归纳的笔记，主讲人 Isa Fulford (OpenAI) 和 Andrew Ng。
课程围绕 2个原则、1个开发流程、4个特性展开：
- 原则：编写清晰的指令、给模型足够的时间”思考”
- 迭代：从小的任务开始，逐步完善
- 特性：总结、推断、转换、扩展
原则1：编写清晰的指令
策略1：利用分隔符号
使用三重引号 """、三反引号、破折号 ---、尖括号 <>、XML 标签清晰分隔指令和内容。
策略2：格式化输出（如 JSON）
请以文学鉴赏家的角度解读文本(desc)，
用一句话评价它(review)，
结果按 JSON 格式输出，字段为 desc, review策略3：检查条件满足
设置条件检查，让模型根据条件响应。如果条件不满足，给出特定回应。
策略4：提供样本参照（Few-shot）
给出简单样本作为内容风格参照，让模型学习你期望的输出模式。
原则2：给模型时间来”思考”
- 避免一次性描述过多复杂任务，分解任务并给出步骤
- 指导模型在急于得出结论前先制定自己的解决方案
“First find relevant information, then answer the question based on the relevant information.”
AI 没有完全记住它看到的信息，没有知识边界，因此会捏造信息（幻觉）。减少幻觉的办法是让 AI 尽可能找到相关信息，基于事实回答。
迭代开发
提示词的优化如同软件敏捷开发，需要不断快速迭代。从想法到完善的过程中：
- 修改提示词以精确描述期望结果
- 插入细节描述，改进提示侧重点
- 增加额外要求让过程有连贯性
常见长度要求：100 characters / 50 words / 3 sentences / 5 lines / 2 paragraphs
四大能力
总结
解决内容冗长问题，节省时间。对大段文字进行简明扼要的归纳。
推理
对内容进行分析和筛选，如提取标签、理解情感、主题识别等。
转换
将输入转换为不同格式：翻译、格式化内容、更换语调、语法纠错等。
提示：APA style 适合学术论文场景。
扩展
创造性能力，如头脑风暴。API 调用时的 temperature 参数决定随机性强度：
- 值越高 → 结果变化越大（适合创意场景）
- 值为 0 → 结果稳定（适合需要一致性的场景）
ChatBot 上下文
聊天机器人需要上下文记录，角色分为：system（系统）、user（用户）、assistant（助理）。系统消息决定了”世界观”，可以将其视为在助手耳边低声提示，用户其实不知道其存在。
总结
整个课程围绕 2 个原则、1 个迭代开发方式、4 个能力展开。即便不是通过 API 开发应用，关于提示词的技巧也可以用于日常与 ChatGPT 的对话。作者鼓励从小项目开始，用第一个项目学到的知识构建更好的第二个、第三个项目。
