prompt = f"""
你的任务是根据技术规格书，为零售网站写产品描述。
描述应面向家具零售商，侧重技术细节和材料。
在描述末尾包含产品ID（7个字符）。
最多50词。
技术规格：

三个反引号把技术表包起来，模型就不会把输入和指令搞混。再指定受众（家具零售商）和格式（末尾加ID），输出质量直接起飞。

另一个翻车：从用户评论里提取关键词，我写“提取关键词”，结果模型给每个关键词配了一堆解释，像写小作文。后来改成：“从用三个反引号括起来的评论中，提取产品特性关键词，以逗号分隔。不要额外解释。” 干净利落。

关键就是这几招：用分隔符（```、###）帮模型分清指令和输入；指定输出格式（JSON、表格、逗号列表）；给例子（one-shot/few-shot）比空说一百句管用；prompt不怕长，怕模糊，越长越清楚反而好。

---

**原则二：让模型思考，但别让它瞎想**

吴恩达说“给模型推理的时间”。你以为它什么都能一步到位？大错特错。

直接问“3×8+5等于多少？”它大概率对。但复杂任务，比如分析产品评论，它偷懒起来气死人。

我做过测试：给模型一段评论，让它判断是否正面并提取观点。一开始写“判断情感：{review}”。结果情感对了，观点乱成一团。后来我拆成步骤：

执行以下步骤： 
1. 用一句话总结评论的主要内容。 
2. 列出评论者提到的产品特性。 
3. 判断整体情感（正面/负面/中性）。 
4. 如果情感是负面，给出改进建议。

输出结构好到哭。这就是“思考时间”——把任务切成3-5个逻辑步骤，模型就不容易跳步或乱猜。

**但有个坑**：步子别太小。我试过让模型“先写第一句，再写第二句”，结果它写出来的句子像机器人，毫无连贯性。一般拆成3-5步刚刚好。

**温度也有关系**：课程没细讲，实测发现temperature=0时输出最稳定，适合分类、提取等确定性任务；temperature=0.7适合创意写作。我一度用高温度跑情感分析，每次输出不一样，还以为模型抽风了——后来调到0就好了。工具本身没问题，是你没用对。

---

**迭代开发：我的prompt从60分到90分，改了6版**

这是课程里我觉得最值的一节。吴恩达说：好的prompt不是一次写成的，要不断试错。

我帮一个电商平台写商品描述，真实案例。

**第一版**，直接模仿课程例子：“根据技术表写出产品描述，技术性，最多50词。”输出及格，但干巴巴，像说明书。

**第二版**，加入“强调高密度海绵和耐用框架”，因为客户说用户喜欢耐用关键词。好一些，但依然没灵魂。

**第三版**，增加一个步骤：“先列出卖点，再组织成描述。”输出有了逻辑层次。

**第四版**，要求开头用不超过20词的句子，最后加“立即订购”的行动号召。终于像人类销售文案了。

总共改了6次，每次只改一个变量，这样你才知道哪个改动起了作用。我把每个版本存档在备注里，方便回退。这就是课程推荐的迭代流程：写初版 → 用几个样本测试 → 分析输出 → 修prompt（更明确、加步骤、给例子） → 重复直到满意。

**一个常见误区**：很多人觉得prompt越长越好。我看过有人写800字prompt，结果模型开始“猜”你到底想干嘛，反而跑偏。我自己经验：prompt不要超过300-400个token（按英文算），太长模型容易丢失重点。如果真有大量背景信息，放在system message里，或者在用户消息开头加个摘要。

---

**四大任务：不只是聊天，能省多少事？**

课程后半段演示了摘要、推理、转换、扩展。每个我都试过，说说实际体会。

**摘要**：用来处理用户评论。一开始直接给评论让它总结，输出太啰嗦。后来学乖了：指定长度（“用一句话总结”或“最多3个要点”），并告诉它目标受众（“给产品经理看”或“给客服看”）。效果天壤之别。

**推理**：情感分析、主题提取。注意模型容易“过度推理”。有次评论说“物流有点慢但产品品质好”，它输出“中性”。但我一看，应该偏正面。于是改prompt为“如果整体偏向满意，即使有点抱怨也算正面”。调教后准确率从70%升到90%。

**转换**：翻译、改写、纠错。我常用它写英文邮件。有个坑：翻译时如果不指定tone（正式/随意），它默认用中性语气。我写商务邮件必须加“用正式礼貌的语气”，否则出来像机器人。课程里提到可以同时做多种转换，我试过把中文评论翻译成英文并改成正面表述，一遍搞定，效率奇高。

**扩展**：从短notes生成长文。我用来写会议纪要的扩展。注意模型容易编造细节。课程建议用temperature=0.7保持创意，同时设置“如果信息不足，请明确指出，不要虚构”。我加了这句后，编造率下降一半。

**额外收获**：课程没专门讲，但我发现把多个任务组合到一个prompt里很容易出错。比如同时做“总结和情感分类”，模型有时只做一件事。所以我一般分开调用，或者用pipeline：先总结，再把总结输入下一个模型做分类。

---

**几个你可能会踩的坑，我先帮你填了**

**版本差异**：gpt-3.5-turbo和gpt-4对相同prompt的反应差很多。gpt-4更能理解隐含指令，gpt-3.5则依赖明确指示。如果你换模型，prompt必须重新测试。我用gpt-4写的prompt放到gpt-3.5上完全不能用，反过来倒还好。 

**Token限制**：就算prompt再清晰，如果总token超过模型限制（比如4096），它可能会截断你的输入。我吃过亏：传了一整份合同让它总结，结果后半部分被吞了。解决方案：先把长文本切成块，分批处理。 

**RLHF的副作用**：课程里讲了RLHF让模型更“听话”，但也会带来偏见。比如它倾向于输出政治正确的回答，有时反而不诚实。我写prompt时尽量避免让它做价值判断，如果必须做，我会加“基于事实，不要考虑道德评判”来平衡。 

**别把prompt当护身符**：学提示工程后一度沉迷于“调教”prompt，以为万能。后来发现有些问题模型本身就处理不好，比如复杂的数学计算、需要最新知识的信息。该用外部工具（计算器、数据库查询）时别硬扛。prompt只是帮你更好地使用模型，不是模型能力的替代品。

---

**最后说句心里话**

吴恩达这门课最狠的一点是，它不教你怎么写“金句提示词”，而是教你一套把需求理清楚的方法。就像自己当项目经理，模型是程序员，prompt就是需求文档。文档写不好，程序肯定烂。

我把课程笔记和实操代码放到GitHub（https://github.com/youcans/GPT-Prompt-Tutorial），感兴趣的可以拿去用。但别忘了，最好的学习方式是打开Jupyter Notebook，自己跑一遍所有例子，然后改成你自己的场景。祝翻车快乐——翻完，你就学会了。

提示工程不是让你变成咒语大师。它是让你变成更清晰的沟通者——跟AI说清楚，跟自己说清楚。