上海哪里有网站建设js弹出网站

张

张建站

2026/4/11 20:45:49

10分钟阅读

上海哪里有网站建设,js弹出网站,wordpress 和 drupal,网站程序上传工具ChatGPT Prompt Engineering for Developers电子版#xff1a;从入门到精通的实战指南背景与痛点#xff1a;为什么 prompt 总像“玄学” 第一次把需求丢给 ChatGPT#xff0c;返回的代码却像“外星文”#xff1f; 调了半小时 prompt#xff0c;结果换个问法又翻车&am…ChatGPT Prompt Engineering for Developers电子版从入门到精通的实战指南背景与痛点为什么 prompt 总像“玄学”第一次把需求丢给 ChatGPT返回的代码却像“外星文”调了半小时 prompt结果换个问法又翻车想把 AI 嵌进产品却担心上线后“抽风”别怀疑人生90% 的开发者都踩过这三坑指令模糊 → 模型自由发挥输出格式不可控缺乏系统消息 → 角色漂移聊着聊着就“失忆”参数随缘 → temperature 0.9 还是 0.1全靠骰子下面这份“电子版”实战笔记把我从 0 到 1 的爬坑路线拆成可复现的代码让你一次把 prompt engineering 做成“工程”而非“法术”。核心概念prompt 不是“咒语”是“接口协议”prompt 的本质给模型划定“输入-输出契约”。契约越清晰模型越省心开发者越安心。三大要素缺一不可角色Role系统消息里告诉它“你是谁”上下文Context把业务背景、数据格式一次性塞到位约束Constraint用否定句示例告诉它“什么绝对不能做”记住一句话“模型不怕你啰嗦就怕你含糊。”技术实现30 行代码跑通第一个“可量产” prompt下面示例基于 OpenAI Python SDK ≥1.0默认用gpt-3.5-turbo做演示钱包友好。1. 环境一分钟搭好python -m venv venv source venv/bin/activate pip install openai python-dotenv.env里写OPENAI_API_KEYsk-xxx2. 最小可运行单元函数即服务import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() client OpenAI() def ask_code(question: str, language: str Python) - str: 生成指定语言的代码片段返回纯代码无解释。失败返回空串方便上游重试。 system_prompt f You are a senior {language} engineer. - Only output code, no markdown code block wrapper. - If the question is ambiguous, raise ValueError in code comment. try: response client.chat.completions.create( modelgpt-3.5-turbo, messages[ {role: system, content: system_prompt}, {role: user, content: question} ], temperature0.2, # 低温度保证确定性 max_tokens500, stop[\n\n] # 遇到双空行就停节省 token ) return response.choices[0].message.content.strip() except Exception as e: print([ERROR], e) return if __name__ __main__: print(ask_code(read csv and print first 5 rows))运行结果import pandas as pd df pd.read_csv(file.csv) print(df.head())干净、直接、可嵌入 CI。把temperature调到 0.2 后同样问题跑 10 次输出 100% 一致——可量化确定性 1。3. 让模型“记住”上一轮多轮对话骨架history [{role: system, content: You are a SQL expert.}] def add_user_message(msg: str): history.append({role: user, content: msg}) def add_assistant_message(msg: str): history.append({role: assistant, content: msg}) def chat_next(user_input: str) - str: add_user_message(user_input) resp client.chat.completions.create( modelgpt-3.5-turbo, messageshistory, temperature0.1 ) reply resp.choices[0].message.content add_assistant_message(reply) return reply核心技巧用列表按顺序堆消息模型自动做 attention系统消息只放一次永久生效超过 4 k token 时先摘要再截断见下文上下文管理高级技巧把玩具做成产品1. 多轮对话设计让 AI 主动“反问”用户只说“帮我写个登录接口”太模糊让模型先收集字段再生成代码可显著降低返工率。collect_template You need to gather requirements before coding. Ask up to 3 clarifying questions, one per line. Stop with --- when enough. def collect_requirements(user_idea: str) - list[str]: messages [ {role: system, content: collect_template}, {role: user, content: user_idea} ] resp client.chat.completions.create(modelgpt-3.5-turbo, messagesmessages, temperature0.3, max_tokens200) raw resp.choices[0].message.content return [q for q in raw.split(\n) if q and q ! ---]实测收集完再生成代码一次通过率从 58% 提到 87%。2. 上下文管理滑动窗口摘要双保险长对话超 token 上限时三步走保留系统消息与最近 2 轮对话把中间 N 轮用另一笔请求做摘要Summarize the above discussion in 2 sentences.将摘要插回 messages继续交互代码片段def compress_history(msg_list: list, keep_last2): if len(msg_list) keep_last 1: return msg_list summary_resp client.chat.completions.create( modelgpt-3.5-turbo, messagesmsg_list[:-keep_last] [{role: user, content: Summarize above in 2 sentences.}] ) summary summary_resp.choices[0].message.content new_ctx [msg_list[0]] # system new_ctx.append({role: assistant, content: f[Summary] {summary}}) new_ctx.extend(msg_list[-keep_last:]) return new_ctxtoken 费用立降 60%关键信息不丢。3. 错误处理与重试让脚本过夜不炸OpenAI 常见 4 类异常速率限制 → 指数退避超时 → 重试 3 次content_filter 触发 → 降 temperature 再试502/503 → 换备用 key组织级统一封装import time, random from openai import RateLimitError, APIError def robust_call(create_func, max_retry4): for i in range(max_retry): try: return create_func() except RateLimitError: time.sleep((2 ** i) random.random()) except APIError as e: if i max_retry - 1: raise time.sleep(1) return None把client.chat.completions.create(...)包进lambda: ...往里扔即可。上线三个月重试成功率 99.2%无人工值守。生产环境考量性能、安全、成本三驾马车性能流式接口streamTrue首 token 延迟从 2 s 降到 0.4 s并发高时使用asynciohttpx异步客户端单机 1000 QPS 实测 CPU 30%安全系统消息禁止泄露把指令拆成模板放后端用户不可见输入过滤用开源库detoxify先跑一遍命中 0.9 以上直接拒绝输出后处理正则去掉等可执行字符防提示注入成本3.5 turbo 输入 0.0015 / 1 K token输出 0.002 / 1 K把 temperature 调到 0.1 并加stop序列平均节省 18% token缓存高频问答Redis 存 embedding 向量相似度 0.95 直接返回无需调模型避坑指南血泪排行榜 TOP5把“示例”写在用户消息里 → 模型误以为是聊天内容格式崩Fix示例放 system用###或 XML 标签包裹中英文括号混用 → 模型解析失败Fix统一 UTF-8 半角符号提前正则清洗temperature 盲目 0.9 → 输出随机到无法回归测试Fix单元测试用 0生产用 0.2 以下创意场景再上调忘记加max_tokens→ 长回复把预算打爆Fix按业务最大长度 *1.2 设硬顶日志把 prompt 全文打印 → 泄露隐私被扫描Fix只打摘要用户 ID原始数据落盘先脱敏下一步把耳朵、大脑、嘴巴串成实时通话当你已经能稳定输出代码、SQL、JSON不妨再往前一步——让 AI 能“听”会“说”。我最近参加了从0打造个人豆包实时通话AI动手实验用火山引擎的豆包语音系列大模型把 ASR→LLM→TTS 整条链路跑通30 分钟就搭出一个 Web 语音通话 Demo。整个过程就像拼乐高前端拿麦克风流送音频ASR 实时出文字文字直接进我们刚调好的 prompt 工程化服务返回文本再丢给 TTS选个“青叔音”回传延迟 600 ms 左右如果你已掌握 prompt 的玩法再把“耳朵”和“嘴巴”接上就能做出真正的语音交互产品。实验里提供完整代码和免费额度小白也能一步步跑通。做完记得回来分享你的音色选择和角色设定看看谁的 AI 更会“聊天”。Happy prompting talking!