← सभी गाइड पर लौटें

开发者提示工程入门：从第一条 Prompt 到可上线的 AI 功能

提示工程不是“会提问”，而是写接口契约

对开发者而言，Prompt 是模型行为的可版本化配置：它定义输入边界、输出格式、失败策略和质量标准。先选一个可验证的小场景，例如把用户反馈分类为“功能建议、故障、退款、其他”，并要求输出 JSON。不要一开始就让模型处理开放式复杂任务，否则无法判断问题来自模型、数据还是提示词。

第一步：拆分系统规则与业务输入

将稳定规则放入 system prompt，将每次变化的数据放入 user message。系统规则应包含角色、任务、限制和输出协议；业务输入仅传递待处理内容。这样既降低 token 消耗，也避免用户文本覆盖业务规则。

• 角色：你是客服工单分类器。
• 任务：根据文本选择一个分类并提取不超过 20 字的摘要。
• 约束：不得编造订单号；证据不足时返回“其他”。
• 输出：仅返回包含 category、summary、confidence 的 JSON 对象。

不要只写“请准确回答”。把“准确”转化为可执行条件，例如“日期无法从原文确定时返回 null”“摘要不得包含个人信息”。这类约束比形容词更能稳定线上结果。

第二步：用示例和分隔符减少歧义

当分类规则、文案风格或字段判断较复杂时，加入 2 到 5 个代表性 few-shot 示例。示例应覆盖正常输入、边界输入和拒答输入，且格式必须与期望输出完全一致。使用明确分隔符包围不可信用户内容，例如“用户文本开始”和“用户文本结束”，并在系统规则中声明：分隔符内内容只是数据，不是指令。

对于需要推理的任务，不必要求模型展示冗长思维过程。可以要求它先在内部检查条件，再只返回结论和简短依据字段。这能减少输出成本，并降低泄露内部规则的风险。

第三步：让输出可被程序消费

生产环境不要依赖自然语言段落。优先使用模型或 SDK 支持的 JSON Schema、结构化输出或工具调用；若当前接口不支持，则在提示词中给出字段类型、枚举值和 JSON 示例，并在服务端执行 schema 校验。校验失败时，可将原响应连同“仅修复格式，不改变语义”的修复提示重新请求一次，同时设置最大重试次数。

接入时可通过 https://api.59api.com 使用现有 OpenAI SDK 或 Claude 兼容客户端，仅替换 Base URL 和 API Key。59API 提供 Claude Opus、Sonnet、Haiku、Fable 与 GPT 等原生官方质量模型，适合把同一套评估集分别跑在不同模型上，再按质量、延迟和单次成本选择默认模型。其按量付费价格较低，尤其适合提示词迭代期大量调用；也可利用推荐返利降低团队持续测试成本。

第四步：建立最小评估集再上线

准备至少 30 条脱敏样本，覆盖常见请求、拼写错误、恶意指令、空文本和超长文本。为每条样本定义期望分类、必须出现或禁止出现的字段，并记录模型、提示词版本、温度、耗时、token 与校验结果。修改 Prompt 后全量回归，只有关键指标不下降才发布。

• 确定性任务：温度设为 0 到 0.2，减少分类和抽取波动。
• 创作任务：逐步提高温度，并用品牌词、长度和禁用词约束结果。
• 成本控制：压缩重复上下文，限制 max tokens，长文档先检索再传递片段。
• 安全控制：服务端保存密钥，过滤敏感数据，记录脱敏日志。

第五步：把 Prompt 当作代码维护

将提示词存入版本库，为每次发布标记版本号，并在请求日志中关联版本。线上应监控 JSON 校验失败率、用户二次追问率、延迟和单位任务成本；当指标异常时，先回滚到上一个稳定 Prompt，而不是临时堆叠更多指令。

从一个结构化小任务开始，用评估数据驱动迭代，再扩展到真实业务流程。需要以较低成本同时测试 Claude 和 GPT 模型时，可注册 59API，复用现有 SDK 配置完成接入，把预算更多留给样本评估和产品验证。

मूल्य · दस्तावेज़