夕小瑶科技说 原创
作者 | 小戏

对于刚接触 ChatGPT 的用户来说，Prompt 工程可能显得有些神秘。面对这个参数量庞大的 AI 系统，初学者往往将其视为某种需要"献祭"才能获得回应的神谕机器。但当你熟悉了 Prompt 的技巧后，会发现操纵 ChatGPT 更像指挥家指挥管弦乐队——通过精心编排的指令，让这个精密的 AI 工具高效完成复杂任务。

最近，OpenAI 官方发布了一份详尽的 Prompt 工程指南，系统性地总结了提升 ChatGPT 表现的六大策略。这份指南不仅包含理论框架，还提供了大量实用示例，帮助用户更有效地与大模型交互。下面我们就来深入解析这些技巧。

策略一：精准表达

首先是最基础也最重要的原则：清晰细致地描述需求。很多人习惯用模糊的指令与 ChatGPT 对话，比如"帮我总结会议纪要"。这种开放式的提问往往得不到理想结果。

更好的做法是将需求具体化：

假设你是一位专业会议秘书【角色设定】，请完成以下任务【步骤拆分】：1. 用一段话概括会议主要内容 2. 以 Markdown 格式列出每位发言人的核心观点（限制3条）【输出格式】 3. 提取后续行动计划【细节要求】

OpenAI 建议一个完善的 Prompt 应包含：任务细节、角色设定、分隔符、步骤说明、示例和长度限制。这些要素能显著减少理解偏差。

策略二：提供参考

第二个关键策略是给模型提供参考资料。就像人类回答问题需要依据一样，ChatGPT 在获得相关材料后能给出更准确的回答。

比如询问法律问题时，可以先提供法条原文：

指令：基于以下法律文件【参考材料】，解释知识产权侵权的法律后果。要求：仅引用提供的文件内容，使用{引用：...}格式标注来源。

这种方法特别适用于需要专业领域知识的场景，能有效减少模型幻觉。

策略三：任务拆分

借鉴软件工程的模块化思想，复杂任务应该被拆解为简单的子任务。比如要总结一本 300 页的书，直接让 ChatGPT 处理可能效果不佳，但可以：

1. 先逐章总结
2. 再整合章节摘要
3. 最后生成全书概要

这种递归处理的方式能大幅提升长文本处理的准确率。OpenAI 指出，任务拆分还能带来额外好处：降低错误率、改善用户体验、甚至节省 API 调用成本。

策略四：引导思考

第四个技巧源自著名的"思维链"(Chain of Thought)方法。研究表明，让模型"逐步思考"能显著提升准确率。

以数学题为例，直接问"学生的解答是否正确"时，模型可能会出错。但如果要求模型：

请先自己计算这道题，再对比学生答案【思考步骤】。在完成自己的计算前，不要做出判断【延迟判断】。

这样强制模型展示推理过程，能有效发现逻辑错误。这个技巧对需要严密推理的任务特别有效。

策略五：工具辅助

AI Agent 的核心思想是：让专业工具做专业事。大模型不擅长精确计算，但可以调用代码解释器：

• 数学题：要求模型"用 Python 计算 529 的平方根"
• 实际操作：通过 API 调用天气查询、发送消息等

这种模型+工具的组合能突破 LLM 本身的限制，实现更强大的功能。

策略六：系统测试

最后一个策略是建立完善的测试流程。不要满足于单次成功，要系统性评估 Prompt 的表现。OpenAI 建议的方法包括：

• 事实核查：检查输出是否包含必要信息
• 矛盾分析：验证答案是否自洽
• 细节评估：确认信息完整性

比如可以要求模型：

检查以下文本是否包含"阿姆斯特朗是首个登月者"这一事实【评估标准】，并标注相关语句【验证方法】。

实用资源

除了这些策略，OpenAI 还提供了即插即用的 Prompt 示例库，涵盖翻译、编程、分析等场景。比如需要翻译时，可以直接参考官方模板：

每个示例还包含推荐的 API 参数（如 temperature 设置），帮助开发者快速集成：

掌握 Prompt 工程正在成为 AI 时代的必备技能。这份指南就像一本入门教材，建议每位用户都去原文探索更多细节。随着这些技巧的普及，我们与大模型的交互将变得更加高效自然。

原文链接：https://platform.openai.com/docs/guides/prompt-engineering/six-strategies-for-getting-better-results

示例库：https://platform.openai.com/examples