摘要：本文围绕吴恩达《面向开发者的提示词工程》第 2～8 集整理复习笔记，覆盖指南、迭代、摘要、推理、转换、扩展、聊天格式七大主题，适合提示词工程入门与系统复习。文中系统梳理了 Prompt 工程的核心原则、迭代开发流程，以及摘要、推理、转换、扩展四类文本任务，并结合大模型与 ChatGPT 的实战案例，帮助读者快速掌握提示词工程的完整方法论。
📌 本文导读
本笔记按课程集数组织，共七章：指南（两大原则）→ 迭代（好提示词是试出来的）→ 摘要 → 推理 → 转换 → 扩展 → 聊天格式。每章均配有「一句话总结」与「来源依据」，方便快速定位与复习。建议先通读总章节路线图，再按需深入各章。
📑 目录导航
- 第一章 第2集 指南——两大原则
- 第二章 第3集 迭代——好提示词是试出来的
- 第三章 第4集 摘要——一条评论，多种用法
- 第四章 第5集 推理
- 第五章 第6集 转换
- 第六章 第7集 扩展
- 第七章 第8集 聊天格式
- 🔗 全部来源依据汇总
李沐深度学习191集课程全解析：模块拆解、学习路径-CSDN博客
吴恩达 MCP 教程（Model Context Protocol）-CSDN博客吴恩达《面向开发者的提示词工程》-CSDN博客
《吴恩达 · 面向开发者的提示词工程》学习笔记 · 第 2～8 集合订复习版
课程主线：一条 prompt 开发主线——写清楚 → 迭代改 → 摘要 / 推理 / 转换 / 扩展四类任务 → 拼成聊天机器人
本笔记覆盖核心第 2～8 集；🖼️ 全 9 集在线可视化卡片：https://go.tabbit.site/projects/ckAuKAZfrG （点顶部按钮切换 2-8 集 + 课程全景总结）
🗺️ 总章节路线图
| 章 | 集数 | 主题 | 一句话核心 | 状态 |
|---|---|---|---|---|
| 一、指南 Guidelines | 第2集 | 两大原则 | 指令清晰具体 + 给模型思考时间 | ✅ |
| 二、迭代 Iterative | 第3集 | 反复打磨 | 好 prompt 是试出来的，不是一次写对的 | ✅ |
| 三、摘要 Summarizing | 第4集 | 按需浓缩 | 加约束=换视角；提取≠总结；可批量 | ✅ |
| 四、推理 Inferring | 第5集 | 文本分析 | 一个 prompt 替代传统 ML 训练流水线 | ✅ |
| 五、转换 Transforming | 第6集 | 形式变换 | 翻译/语气/格式/校对，替代正则工作 | ✅ |
| 六、扩展 Expanding | 第7集 | 短写长 | 要点扩成邮件，温度控制随机性 | ✅ |
| 七、聊天 Chatbot | 第8集 | 消息格式 | system/user/assistant 三角色拼机器人 | ✅ |
第一章 第2集：指南——两大原则
一句话总结：写清晰具体的指令（清晰 ≠ 简短），并给模型留出思考时间。 ✅
原则 1：写清晰、具体的指令
清晰不等于简短，指令越具体，输出越可控。四大策略：
| 策略 | 做法 | 关键点 🧩 |
|---|---|---|
| 🧩 分隔符 | ```````````、"""、< > 圈住文本 | 划清指令与内容边界，防提示注入 |
| 📦 结构化输出 | 直接要求 JSON / HTML / 列表 | 便于程序解析，省二次处理 |
| ⚖️ 条件检查 | “如有步骤则…，否则告知无步骤” | 避免模型对不存在的内容硬编 |
| 🎯 少样本示例 | 给 1~2 个示范对话 | “照这个风格来”，比描述更直观 |
下面用一段 Python 代码演示如何结合「分隔符」与「结构化输出（JSON）」构造清晰具体的 Prompt，并调用 OpenAI 接口获取结果：
import json
from openai import OpenAI
client = OpenAI()
用分隔符 <text> 圈住待处理文本，划清指令与内容边界
text = """
卧室灯是白色的，品牌是 Lumina，价格 299 元，
支持三档亮度调节，包装完好，物流很快。
"""
prompt = f"""
请从 <text> 标签包裹的文本中提取商品信息，
并以 JSON 格式输出，字段如下：
商品
品牌
价格
是否支持调光
<text>
{text}
</text>
"""
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "user", "content": prompt}
],
temperature=0, # 结构化输出建议用 0，保证稳定可复现
)
result = json.loads(response.choices[0].message.content)
print(json.dumps(result, ensure_ascii=False, indent=2))
运行结果：
{
"商品": "卧室灯",
"品牌": "Lumina",
"价格": 299,
"是否支持调光": true
}原则 2：给模型思考时间
- 指定步骤序列：明确第一步做什么、第二步做什么，让模型按流程完成任务；
- 先独立推理再对比：判断答案对错前，先让模型自己独立推理一遍再做比较——直接问"对不对"容易被你的错误答案带偏。
来源依据
- https://adg.csdn.net/6970a39d437a6b40336b0067.html
- https://blog.csdn.net/Jay_Xio/article/details/130456580
第二章 第3集：迭代——好提示词是试出来的
一句话总结：prompt 开发是一个反复迭代的循环，重要的是掌握流程本身而非一步到位。 🔁
迭代开发循环
想法 → 初版 Prompt → 看输出 → 分析哪里不满意 → 改指令 → 再试 ↑
└──────────────────────── 循环往复 ────────────────────────┘
实战案例：给"灯椅"写电商文案（四轮迭代）
第1轮 初版文案 → 输出太啰嗦
第2轮 加约束"≤50词" → 反而太短
第3轮 补充目标受众与维度 → 面向零售商，补充细节维度
第4轮 限定数据来源 → 只用说明书数据、结尾附产品ID（治编造尺寸）
💡 核心心态：不存在万能 prompt，不要追求一次写对；把"看输出 → 定位问题 → 改指令"的迭代流程练熟，才是这门课的关键。
来源依据
- https://adg.csdn.net/6970a39d437a6b40336b0067.html
- https://blog.csdn.net/Jay_Xio/article/details/130456580
第三章 第4集：摘要——一条评论，多种用法
一句话总结：摘要要按需加约束（换约束=换视角），能提取就别总结，还能批量处理。 📝
同一条熊猫玩偶评论的三种用法
| 版本 | 约束 | 服务对象 |
|---|---|---|
| ① 精简摘要 | 限 30 词 | 通用快速浏览 |
| ② 定向摘要 | 只讲物流配送 | 电商部门 |
| ③ 定向摘要 | 只讲价格 | 定价团队 |
加约束 = 换视角：同一份素材，约束不同，输出服务于不同团队。
extract 提取 vs summarize 总结
| 技巧 | 行为 | 适用场景 |
|---|---|---|
| extract 提取 | 照抄原文相关片段，不改写 | 要喂给程序、需要原始表述 |
| summarize 总结 | 模型自行改写、重新组织 | 给人看、要压缩理解 |
批量处理
多条评论可批量处理：用 JSON 逐条输出情绪与商品标签，直接接入后台管道。
来源依据
- https://adg.csdn.net/6970a39d437a6b40336b0067.html
- https://blog.csdn.net/Jay_Xio/article/details/130456580
第四章 第5集：推理
一句话总结：用 LLM 从文本中推理出情感、信息、主题——传统 ML 要训模型，这里一个 prompt 搞定。 🔍
传统 ML vs LLM
传统机器学习：收集标注数据 → 训练模型 → 部署，且每个任务单独一套
LLM： 一个 Prompt → 一个 API 通吃所有任务，开发速度大幅提升
把 LLM 想成"文本进 → 分析出"的分析器。
典型任务与 Prompt 写法
| 任务 | Prompt 写法 | 输出 |
|---|---|---|
| ❤️ 情感判断 | “评论的情感是什么？用一个词回答” | 积极 |
| 😡 愤怒检测 | “评论者是否表达愤怒？” | true/false |
| 📦 信息提取 | “提取商品和品牌，以 JSON 输出” | {“商品”:“卧室灯”,“品牌”:“Lumina”} |
进阶玩法
- 字段自由扩展：是否礼品购买、送达日期、价格等，想提什么加什么；
- 多任务合一：一条 prompt 同时输出情绪类型（最多3个）＋是否愤怒＋商品＋品牌，一个 JSON 搞定；
- 主题推断与零样本分类：以新闻为例——先识别文中 5 个主题，再给定主题清单做零样本分类（不给任何训练样本），例如命中"NASA"就自动触发报警通知。
来源依据
- https://deepseek.csdn.net/6a2a21acee063c0dbe28d218.html
- https://juejin.cn/post/7306118763023319074
- https://deepseek.csdn.net/6a2a216aee063c0dbe28d18e.html
第五章 第6集：转换
一句话总结：LLM 天然擅长"一种形式 → 另一种形式"，替代了大量正则表达式工作。 🔄
四类转换任务
| 类型 | 能力演示 |
|---|---|
| 🌍 翻译 | 指定目标语言、识别未知语言；一句翻成法语+西语+中文（JSON）；同一句给正式/非正式两版；还能做"通用翻译器"——每个用户说母语，LLM 统一翻译 |
| 🎩 语气转换 | 俚语口语 → 正式商务信函 |
| 🧱 格式转换 | JSON 餐厅评论 → HTML 表格，可直接展示 |
| ✅ 拼写语法 | 校对错句、检查论文；可指定美式/英式、正式/随意风格 |
转换可以串成链
查语法 → 转美式英语 → 按指定格式输出（多种转换一条流水线完成）
来源依据
- https://deepseek.csdn.net/6a2a21acee063c0dbe28d218.html
- https://juejin.cn/post/7306118763023319074
- https://deepseek.csdn.net/6a2a216aee063c0dbe28d18e.html
第六章 第7集：扩展
一句话总结：把一组要点/短指令扩成完整邮件、文章，并用温度参数控制随机性。 ✍️
案例：自动回复客户邮件
先判情绪（复用第5集推理技）
├─ 积极 → 感谢
└─ 消极 → 道歉并建议联系客服
▼
生成时引用评论具体细节，语气简洁专业
▼
署名"AI客服助理"（透明告知是 AI 很重要 ⚠️）
🌡️ 温度参数（本集核心）
温度控制模型探索/采样的多样性：
温度=0 ──────── 温度>0（0.7 / 1.0）────────►
总选最可能的词 输出更多样、有创意
稳定、可复现 适合写作变体、头脑风暴
→ 构建可靠业务应用推荐 ⭐ → 创意发散场景
来源依据
- https://blog.csdn.net/wo1141786653/article/details/158006873
- https://blog.csdn.net/Jay_Xio/article/details/130460267
- https://blog.csdn.net/kingsea442/article/details/140800082
- https://blog.csdn.net/shimly123456/article/details/147563808
第七章 第8集：聊天格式
一句话总结：聊天模型的输入是消息列表，用 system/user/assistant 三种角色即可构建自定义聊天机器人。 💬
三个角色
| 角色 | 作用 |
|---|---|
| ⚙️ System | 总体指令，设定行为人设，用户不可见 |
| 🧑 User | 用户发言 |
| 🤝 Assistant | 模型回复，也可由你代写来铺垫行为 |
关键机制：模型无记忆
模型本身不记历史，每轮都靠重读 messages 列表获得上下文——因此每交互一次，就要把新消息追加进 context 列表再发回去。
压轴案例：OrderBot 披萨店点餐机器人 🍕
System：写死人设与流程
问候 → 收单 → 问堂食/外带 → 汇总订单 → 输出 JSON 订单摘要
每轮交互：新消息自动追加进 context 列表
temperature=0.7：让对话更自然
🖼️ 在线可视化卡片的第8集面板另含「课程全景」总结，可访问：https://go.tabbit.site/projects/ckAuKAZfrG
来源依据
- https://blog.csdn.net/wo1141786653/article/details/158006873
- https://blog.csdn.net/Jay_Xio/article/details/130460267
- https://blog.csdn.net/kingsea442/article/details/140800082
- https://blog.csdn.net/shimly123456/article/details/147563808
🔗 全部来源依据汇总
第2-4集（指南 / 迭代 / 摘要）
- https://adg.csdn.net/6970a39d437a6b40336b0067.html
- https://blog.csdn.net/Jay_Xio/article/details/130456580
第5-6集（推理 / 转换）
- https://deepseek.csdn.net/6a2a21acee063c0dbe28d218.html
- https://juejin.cn/post/7306118763023319074
- https://deepseek.csdn.net/6a2a216aee063c0dbe28d18e.html
第7-8集（扩展 / 聊天）
- https://blog.csdn.net/wo1141786653/article/details/158006873
- https://blog.csdn.net/Jay_Xio/article/details/130460267
- https://blog.csdn.net/kingsea442/article/details/140800082
- https://blog.csdn.net/shimly123456/article/details/147563808
在线可视化卡片（全 9 集）：https://go.tabbit.site/projects/ckAuKAZfrG
🏁 收官
至此第 2～8 集核心笔记齐活 🎓 七项能力串成一条线：指南定原则 → 迭代出好 prompt → 摘要/推理/转换/扩展覆盖四类文本任务 → 聊天格式把一切组装成机器人。
《吴恩达 · 面向开发者的提示词工程》学习笔记 · 第 2～8 集合订复习版
课程主线：一条 prompt 开发主线——写清楚 → 迭代改 → 摘要 / 推理 / 转换 / 扩展四类任务 → 拼成聊天机器人
本笔记覆盖核心第 2～8 集；🖼️ 全 9 集在线可视化卡片：https://go.tabbit.site/projects/ckAuKAZfrG （点顶部按钮切换 2-8 集 + 课程全景总结）
🗺️ 总章节路线图
| 章 | 集数 | 主题 | 一句话核心 | 状态 |
|---|---|---|---|---|
| 一、指南 Guidelines | 第2集 | 两大原则 | 指令清晰具体 + 给模型思考时间 | ✅ |
| 二、迭代 Iterative | 第3集 | 反复打磨 | 好 prompt 是试出来的，不是一次写对的 | ✅ |
| 三、摘要 Summarizing | 第4集 | 按需浓缩 | 加约束=换视角；提取≠总结；可批量 | ✅ |
| 四、推理 Inferring | 第5集 | 文本分析 | 一个 prompt 替代传统 ML 训练流水线 | ✅ |
| 五、转换 Transforming | 第6集 | 形式变换 | 翻译/语气/格式/校对，替代正则工作 | ✅ |
| 六、扩展 Expanding | 第7集 | 短写长 | 要点扩成邮件，温度控制随机性 | ✅ |
| 七、聊天 Chatbot | 第8集 | 消息格式 | system/user/assistant 三角色拼机器人 | ✅ |
📑 目录导航
- 第一章 第2集 指南——两大原则
- 第二章 第3集 迭代——好提示词是试出来的
- 第三章 第4集 摘要——一条评论，多种用法
- 第四章 第5集 推理
- 第五章 第6集 转换
- 第六章 第7集 扩展
- 第七章 第8集 聊天格式
- 🔗 全部来源依据汇总
第一章 第2集：指南——两大原则
一句话总结：写清晰具体的指令（清晰 ≠ 简短），并给模型留出思考时间。 ✅
原则 1：写清晰、具体的指令
清晰不等于简短，指令越具体，输出越可控。四大策略：
| 策略 | 做法 | 关键点 🧩 |
|---|---|---|
| 🧩 分隔符 | ```````````、"""、< > 圈住文本 | 划清指令与内容边界，防提示注入 |
| 📦 结构化输出 | 直接要求 JSON / HTML / 列表 | 便于程序解析，省二次处理 |
| ⚖️ 条件检查 | “如有步骤则…，否则告知无步骤” | 避免模型对不存在的内容硬编 |
| 🎯 少样本示例 | 给 1~2 个示范对话 | “照这个风格来”，比描述更直观 |
原则 2：给模型思考时间
- 指定步骤序列：明确第一步做什么、第二步做什么，让模型按流程完成任务；
- 先独立推理再对比：判断答案对错前，先让模型自己独立推理一遍再做比较——直接问"对不对"容易被你的错误答案带偏。
来源依据
- https://adg.csdn.net/6970a39d437a6b40336b0067.html
- https://blog.csdn.net/Jay_Xio/article/details/130456580
第二章 第3集：迭代——好提示词是试出来的
一句话总结：prompt 开发是一个反复迭代的循环，重要的是掌握流程本身而非一步到位。 🔁
迭代开发循环
想法 → 初版 Prompt → 看输出 → 分析哪里不满意 → 改指令 → 再试 ↑
└──────────────────────── 循环往复 ────────────────────────┘
实战案例：给"灯椅"写电商文案（四轮迭代）
第1轮 初版文案 → 输出太啰嗦
第2轮 加约束"≤50词" → 反而太短
第3轮 补充目标受众与维度 → 面向零售商，补充细节维度
第4轮 限定数据来源 → 只用说明书数据、结尾附产品ID（治编造尺寸）
💡 核心心态：不存在万能 prompt，不要追求一次写对；把"看输出 → 定位问题 → 改指令"的迭代流程练熟，才是这门课的关键。
来源依据
- https://adg.csdn.net/6970a39d437a6b40336b0067.html
- https://blog.csdn.net/Jay_Xio/article/details/130456580
第三章 第4集：摘要——一条评论，多种用法
一句话总结：摘要要按需加约束（换约束=换视角），能提取就别总结，还能批量处理。 📝
同一条熊猫玩偶评论的三种用法
| 版本 | 约束 | 服务对象 |
|---|---|---|
| ① 精简摘要 | 限 30 词 | 通用快速浏览 |
| ② 定向摘要 | 只讲物流配送 | 电商部门 |
| ③ 定向摘要 | 只讲价格 | 定价团队 |
加约束 = 换视角：同一份素材，约束不同，输出服务于不同团队。
extract 提取 vs summarize 总结
| 技巧 | 行为 | 适用场景 |
|---|---|---|
| extract 提取 | 照抄原文相关片段，不改写 | 要喂给程序、需要原始表述 |
| summarize 总结 | 模型自行改写、重新组织 | 给人看、要压缩理解 |
批量处理
多条评论可批量处理：用 JSON 逐条输出情绪与商品标签，直接接入后台管道。
来源依据
- https://adg.csdn.net/6970a39d437a6b40336b0067.html
- https://blog.csdn.net/Jay_Xio/article/details/130456580
第四章 第5集：推理
一句话总结：用 LLM 从文本中推理出情感、信息、主题——传统 ML 要训模型，这里一个 prompt 搞定。 🔍
传统 ML vs LLM
传统机器学习：收集标注数据 → 训练模型 → 部署，且每个任务单独一套
LLM： 一个 Prompt → 一个 API 通吃所有任务，开发速度大幅提升
把 LLM 想成"文本进 → 分析出"的分析器。
典型任务与 Prompt 写法
| 任务 | Prompt 写法 | 输出 |
|---|---|---|
| ❤️ 情感判断 | “评论的情感是什么？用一个词回答” | 积极 |
| 😡 愤怒检测 | “评论者是否表达愤怒？” | true/false |
| 📦 信息提取 | “提取商品和品牌，以 JSON 输出” | {“商品”:“卧室灯”,“品牌”:“Lumina”} |
进阶玩法
- 字段自由扩展：是否礼品购买、送达日期、价格等，想提什么加什么；
- 多任务合一：一条 prompt 同时输出情绪类型（最多3个）＋是否愤怒＋商品＋品牌，一个 JSON 搞定；
- 主题推断与零样本分类：以新闻为例——先识别文中 5 个主题，再给定主题清单做零样本分类（不给任何训练样本），例如命中"NASA"就自动触发报警通知。
来源依据
- https://deepseek.csdn.net/6a2a21acee063c0dbe28d218.html
- https://juejin.cn/post/7306118763023319074
- https://deepseek.csdn.net/6a2a216aee063c0dbe28d18e.html
第五章 第6集：转换
一句话总结：LLM 天然擅长"一种形式 → 另一种形式"，替代了大量正则表达式工作。 🔄
四类转换任务
| 类型 | 能力演示 |
|---|---|
| 🌍 翻译 | 指定目标语言、识别未知语言；一句翻成法语+西语+中文（JSON）；同一句给正式/非正式两版；还能做"通用翻译器"——每个用户说母语，LLM 统一翻译 |
| 🎩 语气转换 | 俚语口语 → 正式商务信函 |
| 🧱 格式转换 | JSON 餐厅评论 → HTML 表格，可直接展示 |
| ✅ 拼写语法 | 校对错句、检查论文；可指定美式/英式、正式/随意风格 |
转换可以串成链
查语法 → 转美式英语 → 按指定格式输出（多种转换一条流水线完成）
来源依据
- https://deepseek.csdn.net/6a2a21acee063c0dbe28d218.html
- https://juejin.cn/post/7306118763023319074
- https://deepseek.csdn.net/6a2a216aee063c0dbe28d18e.html
第六章 第7集：扩展
一句话总结：把一组要点/短指令扩成完整邮件、文章，并用温度参数控制随机性。 ✍️
案例：自动回复客户邮件
先判情绪（复用第5集推理技）
├─ 积极 → 感谢
└─ 消极 → 道歉并建议联系客服
▼
生成时引用评论具体细节，语气简洁专业
▼
署名"AI客服助理"（透明告知是 AI 很重要 ⚠️）
🌡️ 温度参数（本集核心）
温度控制模型探索/采样的多样性：
温度=0 ──────── 温度>0（0.7 / 1.0）────────►
总选最可能的词 输出更多样、有创意
稳定、可复现 适合写作变体、头脑风暴
→ 构建可靠业务应用推荐 ⭐ → 创意发散场景
来源依据
- https://blog.csdn.net/wo1141786653/article/details/158006873
- https://blog.csdn.net/Jay_Xio/article/details/130460267
- https://blog.csdn.net/kingsea442/article/details/140800082
- https://blog.csdn.net/shimly123456/article/details/147563808
第七章 第8集：聊天格式
一句话总结：聊天模型的输入是消息列表，用 system/user/assistant 三种角色即可构建自定义聊天机器人。 💬
三个角色
| 角色 | 作用 |
|---|---|
| ⚙️ System | 总体指令，设定行为人设，用户不可见 |
| 🧑 User | 用户发言 |
| 🤝 Assistant | 模型回复，也可由你代写来铺垫行为 |
关键机制：模型无记忆
模型本身不记历史，每轮都靠重读 messages 列表获得上下文——因此每交互一次，就要把新消息追加进 context 列表再发回去。
压轴案例：OrderBot 披萨店点餐机器人 🍕
System：写死人设与流程
问候 → 收单 → 问堂食/外带 → 汇总订单 → 输出 JSON 订单摘要
每轮交互：新消息自动追加进 context 列表
temperature=0.7：让对话更自然
🖼️ 在线可视化卡片的第8集面板另含「课程全景」总结，可访问：https://go.tabbit.site/projects/ckAuKAZfrG
来源依据
- https://blog.csdn.net/wo1141786653/article/details/158006873
- https://blog.csdn.net/Jay_Xio/article/details/130460267
- https://blog.csdn.net/kingsea442/article/details/140800082
- https://blog.csdn.net/shimly123456/article/details/147563808
🔗 全部来源依据汇总
第2-4集（指南 / 迭代 / 摘要）
- https://adg.csdn.net/6970a39d437a6b40336b0067.html
- https://blog.csdn.net/Jay_Xio/article/details/130456580
第5-6集（推理 / 转换）
- https://deepseek.csdn.net/6a2a21acee063c0dbe28d218.html
- https://juejin.cn/post/7306118763023319074
- https://deepseek.csdn.net/6a2a216aee063c0dbe28d18e.html
第7-8集（扩展 / 聊天）
- https://blog.csdn.net/wo1141786653/article/details/158006873
- https://blog.csdn.net/Jay_Xio/article/details/130460267
- https://blog.csdn.net/kingsea442/article/details/140800082
- https://blog.csdn.net/shimly123456/article/details/147563808
在线可视化卡片（全 9 集）：https://go.tabbit.site/projects/ckAuKAZfrG
🏁 收官
至此第 2～8 集核心笔记齐活 🎓 七项能力串成一条线：指南定原则 → 迭代出好 prompt → 摘要/推理/转换/扩展覆盖四类文本任务 → 聊天格式把一切组装成机器人。
❓ 常见问题（FAQ）
- Q1：提示词工程的核心原则是什么？ 写清晰、具体的指令，并给模型留出思考时间。
- Q2：如何写出好的 Prompt？ 不存在万能 Prompt，需要通过「看输出 → 定位问题 → 改指令」的迭代流程反复打磨。
- Q3：摘要与提取有什么区别？ 提取（extract）照抄原文片段，适合喂给程序；总结（summarize）由模型改写压缩，适合给人看。
- Q4：如何用大模型做文本推理？ 一个 Prompt 即可完成情感判断、愤怒检测、信息提取等任务，无需训练模型。
- Q5：温度参数有什么作用？ 温度=0 时输出稳定可复现，适合业务应用；温度>0 时输出更多样，适合创意发散。
- Q6：如何构建聊天机器人？ 使用 system/user/assistant 三种角色组织消息列表，并注意模型本身无记忆，需每轮追加上下文。
🏷️ 相关推荐
- 提示词工程入门：从「写清晰指令」与「给模型思考时间」两大原则开始。
- Prompt 工程进阶：掌握迭代开发循环，用「看输出 → 定位问题 → 改指令」打磨提示词。
- 大模型应用开发：结合摘要、推理、转换、扩展四类任务，构建完整业务链路。
- ChatGPT 实战：用 system/user/assistant 三角色搭建自定义聊天机器人。
扫一扫
480
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
