吴恩达Prompt Engineering教程：从基础到实战的提示词工程完整指南

这次我们来看吴恩达的AI模型提示词教程。这套教程在2026年被公认为最好的Prompt Engineering学习资源，覆盖从大模型入门到进阶的全套内容，还附带课件代码。对于想要系统掌握提示词工程、提升与大模型交互效果的开发者来说，这份材料值得重点关注。

教程的核心价值在于它把零散的提示词技巧整合成了可落地的知识体系。从基础指令构造到高级思维链设计，从单轮对话到复杂任务拆解，都有对应的实战案例。配套的课件代码让学习者能直接验证效果，避免只看理论无法实操的问题。

本文将带大家梳理这套教程的核心内容框架，重点演示如何利用课件代码进行本地测试，并分享提示词优化的实用技巧。无论你是刚开始接触大模型，还是希望提升现有项目的交互效果，都能从中找到可复用的方法。

1. 核心能力速览

2. 适用场景与使用边界

这套教程特别适合以下场景：

模型集成开发：当你需要将大模型接入自己的应用时，优质的提示词能显著提升交互效果。教程中的结构化提示词设计方法可以帮助你构建更稳定的对话流程。

内容生成优化：无论是文本创作、代码生成还是数据分析，通过系统化的提示词训练，能够获得更符合预期的输出结果。教程中的案例覆盖了多种生成任务类型。

教育培训用途：如果你需要向团队或学生传授Prompt Engineering技能，这套教程的体系化内容可以作为标准教材，课件代码提供了即插即用的练习材料。

使用边界方面需要注意：

• 教程内容基于通用大模型能力设计，具体效果会因模型版本和供应商而异
• 课件代码需要结合实际API密钥和访问权限才能运行
• 提示词优化是一个迭代过程，需要根据实际反馈持续调整
• 商业使用时需确保符合模型供应商的服务条款和版权要求

3. 环境准备与前置条件

虽然教程本身不涉及复杂的本地部署，但要充分利用课件代码进行实践，需要做好以下准备：

基础开发环境：

• Python 3.8+ 环境（用于运行课件中的代码示例）
• 代码编辑器或IDE（VSCode、PyCharm等）
• Git客户端（用于克隆课件代码仓库）

模型访问权限：

• OpenAI API密钥或同等的大模型访问权限
• 确保API配额充足，能够支持多次测试调用
• 了解所用模型的token限制和费率标准

学习环境配置：

• 稳定的网络连接，确保能够顺畅访问模型API
• 本地文件系统权限，用于保存课件代码和测试结果
• 建议准备笔记工具，记录提示词优化过程中的关键发现

4. 课件代码结构与使用方式

教程配套的课件代码通常按学习模块组织，每个模块包含理论说明和可执行的代码示例。典型的目录结构如下：

prompt-engineering-course/ ├── 01-basic-prompts/ # 基础提示词模块 │ ├── theory.md # 理论讲解 │ ├── examples/ # 示例代码 │ └── exercises/ # 练习题目 ├── 02-advanced-techniques/ # 高级技巧模块 │ ├── chain-of-thought/ # 思维链提示 │ ├── few-shot-learning/ # 少样本学习 │ └── task-decomposition/ # 任务分解 ├── 03-real-world-applications/ # 实际应用 │ ├── code-generation/ # 代码生成 │ ├── content-creation/ # 内容创作 │ └──># 克隆课件代码仓库 git clone <repository-url> cd prompt-engineering-course # 安装依赖包 pip install -r requirements.txt # 配置API密钥（创建.env文件） echo "OPENAI_API_KEY=your_api_key_here" > .env # 运行基础示例 python 01-basic-prompts/examples/simple_prompt.py

5. 提示词功能测试与效果验证

5.1 基础提示词构造测试

测试目的：验证基本的指令清晰度和任务明确性

输入示例：

# 基础提示词测试 prompt = """ 请用简洁的语言解释人工智能的基本概念， 限制在100字以内，面向非技术背景的读者。 """

预期结果：模型应该生成一段通俗易懂的AI介绍，字数符合要求，避免使用专业术语。

判断标准：

• 输出长度是否控制在100字左右
• 语言是否通俗易懂
• 是否准确传达了核心概念

5.2 思维链提示词测试

测试目的：验证复杂问题的分步推理能力

输入示例：

prompt = """ 请按步骤解决以下数学问题： 问题：一个水池有进水管和出水管，进水管单独注满需要6小时， 出水管单独排空需要8小时。如果两个管子同时打开，需要多少小时注满水池？ 请先列出已知条件，再推导计算公式，最后给出答案和验证过程。 """

预期结果：模型应该展示完整的解题思路，包括条件分析、公式推导和结果验证。

判断标准：

• 是否清晰列出已知条件
• 推导过程是否逻辑严密
• 最终答案是否正确（应为24小时）

5.3 少样本学习提示测试

测试目的：验证模型从示例中学习模式的能力

输入示例：

prompt = """ 根据以下示例，将普通描述转换为专业的产品特性说明： 示例1： 输入：这个手机电池很耐用 输出：搭载5000mAh大容量电池，支持智能省电技术，续航时间长达48小时 示例2： 输入：相机拍照很清晰 输出：配备4800万像素主摄像头，支持OIS光学防抖，夜景拍摄表现优异 现在请转换： 输入：这个软件运行速度很快 输出： """

判断标准：

• 输出是否遵循示例的格式和风格
• 是否将普通描述转化为具体的技术特性
• 语言是否专业且有说服力

6. 高级提示词技巧实战

6.1 角色扮演提示词

通过赋予模型特定角色，可以获得更专业的回答：

def create_expert_prompt(role, question): return f""" 假设你是{role}，请以该领域专家的身份回答以下问题。 要求回答专业、准确，并给出实际操作建议。 问题：{question} """

使用示例：

# 医疗专家角色 medical_prompt = create_expert_prompt( "资深内科医生", "如何预防高血压？请给出具体的生活建议" ) # 编程专家角色 coding_prompt = create_expert_prompt( "Python高级开发工程师", "如何优化Python代码的执行效率？" )

6.2 任务分解提示词

对于复杂任务，使用分解策略提高完成质量：

complex_task_prompt = """ 请按以下步骤完成数据分析任务： 1. 数据理解：分析提供的数据集结构和特征 2. 数据清洗：识别并处理缺失值、异常值 3. 探索分析：进行描述性统计和可视化探索 4. 建模建议：基于分析结果推荐合适的机器学习模型 5. 实施要点：说明模型实施的关键注意事项 数据集描述：{dataset_description} 分析目标：{analysis_goal} """

6.3 约束条件提示词

通过明确约束条件，控制输出格式和内容：

constrained_prompt = """ 请生成一份项目进度报告，要求： - 格式：使用Markdown格式 - 结构：包含项目概述、当前进度、遇到的问题、下一步计划 - 长度：不超过500字 - 时间范围：覆盖最近一周的工作 - 重点：突出关键里程碑和风险点 项目信息：{project_info} 时间范围：{time_period} """

7. 提示词优化与迭代方法

7.1 A/B测试框架

建立系统的提示词测试流程：

def test_prompt_variants(base_prompt, variants, test_cases): results = {} for i, variant in enumerate(variants): variant_results = [] for test_case in test_cases: # 测试每个变体在测试用例上的表现 response = call_model(variant.format(**test_case)) score = evaluate_response(response, test_case['expected']) variant_results.append(score) results[f'variant_{i}'] = { 'prompt': variant, 'avg_score': sum(variant_results) / len(variant_results), 'details': variant_results } return results

7.2 效果评估指标

建立多维度的提示词评估体系：

def evaluate_prompt_effectiveness(response, expected): metrics = {} # 相关性评分 metrics['relevance'] = calculate_semantic_similarity(response, expected) # 完整性检查 metrics['completeness'] = check_key_points_coverage(response, expected) # 格式符合度 metrics['format_adherence'] = evaluate_format_compliance(response) # 可读性评估 metrics['readability'] = calculate_readability_score(response) return metrics

8. 实际应用场景测试

8.1 代码生成场景

测试提示词在编程任务中的效果：

code_generation_prompt = """ 请编写一个Python函数，实现以下需求： 功能要求： - 函数名：calculate_statistics - 输入：数值列表 - 输出：包含平均值、中位数、标准差的字典 - 要求：处理空列表异常，添加适当的类型检查 请确保代码： 1. 有清晰的注释说明 2. 包含异常处理 3. 遵循PEP8编码规范 4. 提供简单的使用示例 """

验证重点：

• 生成的代码是否能直接运行
• 是否包含要求的统计计算
• 异常处理是否完善
• 代码风格是否符合规范

8.2 内容创作场景

测试创意写作任务的提示词效果：

content_creation_prompt = """ 请创作一篇技术博客文章，主题为"机器学习模型部署的最佳实践"。 要求： - 文章结构：引言、核心挑战、解决方案、总结 - 目标读者：有一定技术背景的开发者 - 字数：800-1000字 - 包含实际案例和经验分享 - 避免过于理论化，侧重实操建议 请确保内容： - 观点明确，逻辑清晰 - 技术细节准确 - 语言生动易懂 - 有实用的建议价值 """

9. 常见问题与优化策略

9.1 提示词效果不佳的排查方法

9.2 模型特性适配技巧

不同模型对提示词的响应特性有所差异，需要针对性优化：

GPT系列模型：擅长理解复杂指令，适合多步骤任务分解

• 技巧：使用清晰的编号步骤，提供思维链示例

Claude模型：对上下文长度支持较好，适合长文档处理

• 技巧：充分利用大上下文窗口，提供充足的背景信息

开源大模型：可能需要更明确的指令格式

• 技巧：使用标准的指令跟随格式，减少歧义表达

9.3 性能优化建议

token使用优化：

# 减少不必要的重复内容 optimized_prompt = """ 简洁指令：{core_instruction} 必要背景：{essential_context} 输出要求：{format_constraints} """

批量处理优化：

def batch_prompt_processing(prompts, batch_size=5): results = [] for i in range(0, len(prompts), batch_size): batch = prompts[i:i+batch_size] # 使用批量API调用提高效率 batch_results = call_model_batch(batch) results.extend(batch_results) return results

10. 课件代码的深入使用

10.1 自定义提示词模板开发

基于课件代码构建可复用的提示词模板系统：

class PromptTemplate: def __init__(self, template_text, variables): self.template = template_text self.variables = variables def render(self, **kwargs): # 验证输入参数 missing_vars = set(self.variables) - set(kwargs.keys()) if missing_vars: raise ValueError(f"缺少必要参数: {missing_vars}") # 渲染模板 return self.template.format(**kwargs) # 使用示例 code_review_template = PromptTemplate( """ 请对以下{language}代码进行代码审查： 代码： {code} 审查要求： 1. 检查代码风格和规范符合度 2. 识别潜在的性能问题 3. 建议改进的安全实践 4. 评估可读性和维护性 请按严重程度对问题分类（严重、一般、建议）。 """, variables=['language', 'code'] )

10.2 提示词版本管理

建立提示词的迭代管理机制：

class PromptVersionManager: def __init__(self): self.versions = {} def add_version(self, name, prompt, metadata=None): self.versions[name] = { 'prompt': prompt, 'metadata': metadata or {}, 'created_at': datetime.now() } def compare_versions(self, version1, version2, test_cases): # 比较不同版本提示词的效果 results = {} for version in [version1, version2]: results[version] = self.test_prompt_performance( self.versions[version]['prompt'], test_cases ) return results

10.3 效果监控与自动化优化

建立持续的提示词优化流程：

def automated_prompt_optimization(base_prompt, optimization_iters=10): best_prompt = base_prompt best_score = evaluate_prompt(base_prompt) for iteration in range(optimization_iters): # 生成提示词变体 variants = generate_prompt_variants(best_prompt) # 测试每个变体 for variant in variants: score = evaluate_prompt(variant) if score > best_score: best_prompt = variant best_score = score print(f"Iteration {iteration}: Best score = {best_score}") return best_prompt, best_score

通过系统化地学习和实践吴恩达的提示词教程，结合课件代码的动手练习，能够快速提升与大模型交互的效果。关键是要建立完整的测试验证流程，持续迭代优化提示词设计，并将成功经验沉淀为可复用的模板库。

建议从基础提示词开始练习，逐步掌握高级技巧，最终形成适合自己项目需求的提示词工程实践体系。课件代码中的示例提供了很好的起点，但真正的价值在于能够根据具体场景进行定制化扩展。