吴恩达AI应用课精选：用Prompt驯服大模型输出

在 AI 应用开发中，Prompt 工程是最基础也是最关键的一环，没有之一。

吴恩达老师的《AI 应用开发》课程中反复强调：Prompt 工程绝非玄学，而是一套能让大模型稳定、可靠、按预期输出的“操作手册”。结合课堂笔记，从底层原理到落地实操，本文把让大模型“言听计从”的核心技法逐一拆解。

一、为什么 Prompt 如此关键？

大模型的输出天然带有随机性——同样的问题，换一种问法，结果可能截然不同。Prompt 工程的核心目标，就是降低随机性，让大模型稳定、可靠地完成任务。

先从一段基础的 API 调用入手，这也是课程中反复出现的示例：

from openai import OpenAI

# 初始化客户端（这里用DeepSeek作为示例，兼容OpenAI接口）
client = OpenAI(
    api_key="你的API_KEY",
    base_url="https://api.deepseek.com"
)

def get_completion(prompt, model="deepseek-chat"):
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "user", "content": prompt}
        ]
    )
    return response.choices[0].message.content

这个函数即最基础的调用骨架，而 Prompt 就是与大模型对话的“指令”。如何写好这条指令，正是 Prompt 工程需要解决的核心问题。

二、吴恩达 Prompt 四大核心原则

1. 清晰且具体的指令：让模型准确理解你的意图

很多人觉得“说清楚”是废话，但这恰恰是最容易被忽略的环节。清晰具体的 Prompt 需满足两个条件：

• 清晰：让模型抓住核心需求，不跑偏、不犯错。
• 具体：提供充分上下文，减少模型猜测的成本。

课程中提到了两个实用技巧：

1. 用特殊符号隔离待处理文本。例如用 ``` 把需要处理的文本包裹起来，明确告诉模型“这是你要处理的内容”。

   text = """大模型的应用越来越广泛，但许多人不知道如何与它高效沟通。"""
   prompt = f"""
   请对以下文本进行总结，用一句话概括其核心观点：
   ```{text}```
   """
   print(get_completion(prompt))
   

2. 明确任务类型与输出要求。例如“用 bullet points 列出要点”“限制在 100 字以内”，而非仅说“帮我总结一下”。

2. 约束响应格式：让输出可直接使用

在实际开发中，通常需要模型返回结构化数据，而非一段自由文本。课程的核心建议是：强制模型返回 JSON 格式，这样代码能直接解析，省去处理非结构化文本的麻烦。

示例：

prompt = """
请分析下面这条用户评论，提取情感倾向（positive/negative/neutral）和关键词，以JSON格式返回，key包括sentiment和keywords。
评论："这个产品质量很好，物流也快，很满意！"
"""
print(get_completion(prompt))

模型会返回类似以下结果，可直接被 Python 解析：

{
  "sentiment": "positive",
  "keywords": ["质量好", "物流快", "满意"]
}

还可以在 Prompt 里给 JSON 的 key 加上注释，比如 "sentiment": "情感倾向，可选值为 positive/negative/neutral"，让模型更精准地理解每个字段的含义。

3. Few-Shot 少样本提示：给模型一个“样板”

当任务比较复杂，仅靠文字描述不够清晰时，Few-Shot 提示是最佳选择。简单来说，就是在 Prompt 里附带 1-3 个示例，让模型参照格式、逻辑和风格输出。

示例：

prompt = """
请按照下面的格式，将用户输入的句子转换为反问句：
示例1：
输入：今天天气很好。
输出：今天天气难道不好吗？

示例2：
输入：他是个好人。
输出：他难道不是个好人吗？

请转换下面的句子：
输入：这个方案很合理。
"""
print(get_completion(prompt))

这种方式尤其适合固定格式、特定风格的任务——文案写作、数据提取、生成特定格式的文本，都比单纯指令更稳定。

4. 直面模型的“幻觉”：做好校验与约束

课程中特别强调：大模型存在幻觉，会编造不存在的信息。应对幻觉，除了在 Prompt 中加上“如果不知道就说‘无法回答’，不要编造信息”之外，还可通过以下方式降低风险：

• 提供权威的上下文来源，让模型基于给定信息回答。
• 对关键输出进行格式校验（比如 JSON Schema 校验）。
• 对事实性问题，要求模型标注信息来源。

三、写在最后：Prompt 不是魔法，而是工程化的沟通

很多人把 Prompt 工程当作“玄学”，但吴恩达老师的课程揭示了它的本质：一套与大模型高效沟通的工程化方法。

• 清晰的指令，减少理解偏差；
• 固定的格式，方便代码集成；
• 少量的示例，对齐任务要求；
• 合理的约束，降低幻觉风险。

这些技巧不是为了“让模型变聪明”，而是为了让模型的能力稳定、可控地释放出来。这恰恰是 AI 应用开发的关键所在。

来源：互联网