TL;DR
本文档旨在为团队成员提供一套标准化的ChatGPT提示词工程实践。核心在于通过明确的指令、角色设定和输出格式，最大化AI模型的效能。重点覆盖结构化提示词的构建、迭代优化策略以及对话历史的有效利用。目标是减少无效交互，提高信息获取效率。
前置条件
- 已注册并能访问OpenAI ChatGPT服务（建议使用Plus订阅）。
- 对基本自然语言处理概念有初步理解。
- 熟悉Markdown语法，以便处理AI输出。
1. 结构化提示词构建
高效的提示词是与AI有效交互的基础。我们采用分层结构，确保指令清晰且无歧义。
1.1 明确角色与任务
在提示词开头明确AI的角色和其需要执行的具体任务。这有助于AI聚焦于特定领域知识。
你是一位资深的SRE工程师，专门负责系统故障诊断。你的任务是分析日志并提供根本原因分析。预期输出：AI将以SRE工程师的视角进行回应。
1.2 提供上下文与约束
为AI提供必要的背景信息和输出格式上的约束。这对于确保结果的可用性至关重要。
上下文：我们正在排查一个生产环境的API延迟问题。日志片段如下：
```
[2024-03-15 10:00:01] ERROR: API_CALL_FAILED - ServiceA timeout after 5000ms
[2024-03-15 10:00:02] WARN: Database connection pool exhausted
```
请按照以下JSON格式输出根本原因分析：
```json
{
"problem": "",
"root_cause": "",
"impact": "",
"mitigation_steps": []
}
```预期输出：一个符合JSON格式的故障分析报告。
Note: 在处理敏感数据时，务必注意数据脱敏。关于AI模型的数据处理政策，请参考 OpenAI隐私政策。
2. 迭代优化与对话技巧
提示词工程是一个迭代过程。通过反馈和修正，逐步逼近理想的输出。
2.1 逐步细化指令
如果首次输出不符合预期，不要重新开始。而是通过追加指令来修正AI的行为。
第一次尝试：
请总结上述日志。
第二次尝试（基于第一次输出不满意）：
请重新总结，但这次只关注错误信息，并提出三个可能的解决方案。预期输出：更聚焦于错误信息和解决方案的总结。
2.2 利用历史对话进行追问
ChatGPT的对话模型具有记忆能力。利用这一特性进行多轮对话，可以深入探讨某个特定问题。这对于“Gemini怎么用”或“Google AI怎么用”的复杂查询同样适用。
用户：解释一下Kubernetes的Pod调度原理。
AI：(解释Pod调度原理)
用户：那么，当资源不足时，调度器会如何处理？预期输出：基于前一轮对话，AI将解释资源不足时的调度策略。
Warning: 随着对话轮次增加，AI可能会出现“遗忘”早期信息的情况（上下文窗口限制）。若出现此情况，请在新的对话中重新提供关键上下文。
3. 提示词模板与应用案例
为常见任务建立提示词模板，能够显著提高效率。
3.1 代码审查提示词模板
用于代码审查的提示词，可用于“AI编程”场景。
你是一位经验丰富的Go语言开发者。请审查以下Go代码片段，并提出改进意见，包括但不限于：潜在的bug、性能优化、代码风格和最佳实践。请以Markdown代码块形式输出建议。预期输出：关于Go代码的详细审查报告。
3.2 文档生成提示词模板
用于生成技术文档，例如API接口文档或内部Wiki页面的草稿。这对于“Gemini国内使用”的本地化文档编写尤为重要。
你是一位技术文档专家。请根据以下信息，生成一份API接口文档草稿。请包含：接口名称、HTTP方法、URL路径、请求参数（JSON格式，包含类型和说明）、响应示例（JSON格式）和错误码。预期输出：一份结构化的API接口文档草稿。
通过遵循这些提示词工程实践，团队成员可以更有效地利用ChatGPT等AI工具，提升日常工作效率，尤其是在“奉化市求职网”等平台处理技术咨询或内容生成时。
版本: 1.2
日期: 2024-03-15