如何使用神经网络 - 为编程和创意编写 ChatGPT 提示词

定义一个明确的目标：制作提示语，引导 ChatGPT 提供可靠的代码模板和有趣的想法，用于编程任务和创意探索。在实践中，一些提示语平衡精确性和探索性，使您能够比较结果并更快地学习。

构建系统，以重用提示片段。为了创建用于代码生成和想法生成的提示。提供访问高质量输出。使用风格和简洁的约束来提高可读性。这是一种支持此在上下文中的方法吗？

在测试期间，我们分析什么有效：请求多种方法并比较输出；捕捉用户和利益相关者的声音来塑造提示。结果表明，由于结果发生了严肃的变化，您会看到更可靠的代码和更有趣的想法，用于创作项目。这增强了对您和您的团队成员的帮助。

健壮提示的提示：指定确切的输入和输出格式，使用代码片段作为锚点，并测试边缘情况。编写鼓励有效使用约束和指标的指令。以质量和清晰度为目标，保持稳定的风格，它支持您的项目。保持一致的风格，以便团队成员能够理解和重用提示，确保访问您的模板，并实现创建高质量输出，这些输出帮助他人。

如果您遇到平台期，寻找新的角度重新开始。记录什么有效，什么无效，以便帮助您和您的团队可以重用经过验证的片段，并且您的高质量输出在扩展时保持可靠。

编码任务的提示架构：从意图到输出

定义精确的意图和固定的输出模式，然后锁定一个可重用的模板，指导规划、编码和验证。使用种子提示来编码任务家族和成功标准，以便您可以在许多情况下重用它。在工坊心态中，将情况映射到具体的检查点，并针对一小组代表性输入进行测试。在早期验证期间引用 gpt5 来校准长度、结构和错误处理。现在您有一个可靠的基线，可以迭代。

将提示结构化为四个部分：意图、计划、约束和输出。提供输入和预期结果的简短示例。为输出使用一致的模式，例如带有“code”和“tests”键的 JSON 对象，可选“notes”。紧凑的骨架有助于您验证任务的一致性。这里是一个您可以粘贴和适应的骨架：任务：...；约束：...；输入：...；输出：...；计划：...；测试：...

种子提示和变体。保持一个编码语言级别、允许的库和目标环境的基种子。对于许多任务，创建 3–5 个具有小变异的候选提示并比较它们的输出。在此，种子作为基础，您通过调整约束、测试案例和示例来生成新版本。使用图标或简单占位符来可视化步骤，当与团队成员共享提示时，同时保持关注代码质量。对于新任务，细化种子以反映案例的具体性。现在您可以跨数十种场景扩展提示设计。

评估和迭代。构建一个数字评分标准：正确性、可读性、效率和可维护性。运行精选的测试套件，并要求模型生成代码和测试，然后统计通过/失败率。如果结果漂移，则收紧约束或添加针对性的边缘案例提示。必要时，复制种子，调整细节，并重新运行评估以确认稳定性。这个有纪律的循环保持输出的可靠性和对人类审查者的可解释性。

示例提示骨架。任务：编写一个 Python 函数来解决指定的问题；语言：Python 3.11；输出：带有“code”和“tests”键的 JSON；计划：1) 概述方法，2) 实现，3) 使用测试验证；约束：无外部依赖，少于 150 行，包括文档字符串和类型提示；输入：描述输入格式；示例：提供至少 2 个代表性案例；评估：确保测试通过且代码可读性符合评分标准。

团队的实用提示。保持常见模式（排序、搜索、解析、DP）的种子库，并为每个种子标记候选任务。在审查期间，将输出与数字阈值和人类检查进行比较，然后逐步改进种子和示例。包括对模型的明确指示，说明什么重要：正确性、错误处理和边缘案例覆盖。当您需要入职新人时，共享种子的人类可读紧凑版本，突出约束、预期输出和测试策略等细节。

引导调试提示：重现、解释和修复错误

使用最小、自包含的片段重现故障，并记录确切的输入、输出和异常细节（行号）。收集关于环境、Python 版本和库版本的信息；捕捉数据和涉及的样本对象或图像。注意期望的结果和用户旅程，包括报告 bug 的用户和人员。如果问题涉及支付流程或特定在线服务，则明确命名它。想象与候选人的快速访谈，以揭示边缘案例并检查假设，并考虑一个人如何描述重现步骤。

1. 重现错误
   • 要求一个最小、自包含的 Python 脚本（python），使用与实际使用相同的输入形状触发故障。
   • 要求输入、输出和确切的异常类型及消息的简短日志；包括带有文件名和行号的堆栈跟踪。
   • 请求环境细节：Python 版本、操作系统、包版本（例如，numpy、pandas、torch）；明确提及版本以跟踪漂移（данные）。
   • 如果 bug 依赖于数据，则请求一个小数据集或图像子集；描述如何使用这些样本重现。
   • 指定场景：编程的哪一部分或 UI 路径，以及问题是否发生在特定城市、地区或平台（онлайн-сервис）。
   • 如果错误出现在交易期间，则包括支付的模拟流程（оплата）；概述输入字段和预期 vs. 实际结果。
   • 要求模型“回退”非必需步骤（назад）并运行干净的重现，以避免混杂因素。
2. 解释错误
   • 以编号顺序列出可能根因，并为每个根因提供简要理由，避免宽泛的泛化。
   • 对于每个原因，请求针对性的测试或诊断步骤：一个小单元测试、变量的快速打印，或数据形状的健全性检查（объектов, данных）。
   • 要求故障路径的简要叙述：代码偏离预期行为的位置，以及负责的函数或模块。
   • 邀请模型比较当前结果与期望（желаемый）结果，并指出输入、输出或状态的不匹配。
   • 如果问题涉及图像处理，则请求中间张量或图像通道的可视化，以识别不匹配发生的位置。
3. 修复错误
   • 提出针对根因的具体代码更改，具有最小范围；避免全面重写，并优先选择带有针对性测试的小补丁。
   • 建议确认修复的测试：函数的单元测试、工作流的集成测试，以及防止重新发生的回归测试。
   • 描述如何跨用户角色验证：人员、各种用户（пользователей）和不同场景（кандидата），包括边缘案例和典型流程。
   • 在补丁引入新问题的情况下提供回滚计划；包括回退到先前工作状态的步骤，并比较前后输出（данные）。
   • 提供审计轨迹：记录确切更改、理由，以及测试套件如何覆盖修复，以便审查者或访谈者（интервью）可以跟随推理。
   • 提出后续改进以提高鲁棒性，例如输入验证、更清晰的错误消息，或防御性编码模式，以防范未来类似故障。

在处理真实在线工作流程时，将提示连接到具体工件：样本数据集、小型 Google 搜索或相关 ChatGPT 讨论（chatgpt），这些告知了方法，以及团队可以快速行动的简洁摘要。对于构建在线服务并与用户（пользователей）合作的团队，记录修复如何影响人员（люди）的感知质量，以及它如何与您产品的期望（желаемый）用户体验一致。在工坊（мастерская）设置中，使用相同的提示来指导快速调试周期，保持关注重现、解释和修复，而不是冗长的推测（представь）或不必要的理论。

创意提示：生成想法、界面和叙事

从任务映射开始并列出细节。使用 chatgpt-5 来理解模式，然后编写一套提示，将任务翻译成新的界面和叙事。依赖知识来揭示具体想法。这种方法提供现在访问在线服务、测试提示并收集反馈。您可以进行用户访谈来验证假设并细化反映人员和人类需求的提示。

想法提示

框架提示以生成新鲜的主题、角色和设置。要求三个简洁选项，每个选项带有单段钩子和实现的具体路径。要求输出为文本形式：大纲、项目符号列表和简短场景。将每个提示与任务和您收集的细节联系起来。通过这些提示，您可以理解新机会并快速原型化想法。模型能够生成角色（лица）并通过人类的不同角色测试提示，确保输出映射到真实上下文。使用知识来编写变体并比较结果以提高覆盖率。

界面和叙事

开发提示以揭示界面概念和叙事弧。要求模型呈现三个界面草图（低保真、基于文本），每个带有用户流程、角色（лица）和输入长度的约束。输出应为带有清晰部分的文本块：目标、动作和结果。对于叙事，要求三场景弧、中央冲突和匹配所选角色的声音。跨不同角色测试提示，收集反馈，并细化为更广泛的覆盖。在线服务提供现在可用的游乐场，让您通过聊天和访谈迭代并快速验证想法。通过 chatgpt-5，您获得战略机会来塑造编程和创意如何交汇，同时保持提示以人为中心且易于接近。

文档和示例提示：自动生成文档和样本

从将您的代码库转变为活文档集开始：在一遍中自动生成 API 文档和样本提示。使用模板驱动管道解析文档字符串和签名，然后输出简洁的 API 参考加上可运行示例。这种方法节省时间，确保一致性，并使新人为阅读文档和尝试提示的入职更快。

使用模板从代码自动文档化

为文档建立单一真相来源：一个可重用的模板，为每个函数产生描述、参数、返回和两个示例提示。在提交后运行，发布 HTML 或 Markdown，并附加轻量级图表或视觉提示以便理解。模板应包括解释的对话友好版本，以便团队成员可以以最小编辑重用提示。对于多语言提示，嵌入令牌，如 него,модель,лицом,достаточно,мастерская,написание,шага,omni,моделей,обратить,коде,написания,умеет,решить,моделях,музыки,используй,диалог,возможности,объяснение,нейросеть,тариф,grok,задача,визуальные,тогда,результате，以测试跨语言支持。

编程和创意的示例提示

提供一套精选的提示，演示文档和样本如何翻译成真实任务。对于每个函数，附加：最小使用提示、复杂场景，以及如果适用的话，视觉或音乐变体。为提示使用相同的模板，并确保输出在模型间保持一致。这种对齐帮助神经网络推理代码、图表和对话，并在代码生成和创意任务中产生可预测的结果。

角色、约束和工具集成：塑造模型行为

定义角色和约束

从精确角色开始：模型充当软件工程师和创意伙伴，提供干净的代码、简洁的解释和务实的权衡。使用紧凑的约束层来管理动作，要求外部调用的明确确认，并以可预测结构返回输出。例如，сделает заявку仅访问白名单 API，不在未经批准的情况下触及对象或生产数据。模型应首先提供简短摘要，然后，如果被问及，则扩展为逐步步骤。虽然它可能建议高层想法，但它必须验证信息并在需要时引用来源，如果信息不确定，则告知用户。它应通过不暴露机密信息并与您的流程对齐来保持数据安全。角色还要求视觉提示：视觉提示、图标和简单图表，聊天机器人可以生成或描述。指导强调最简洁的输出，减少冗长迂回，同时保留有用性。

设计工具集成和提示策略

有意集成工具：通过受控接口连接搜索、代码执行和图像生成。使用种子提示来引导上下文，然后使用提示细化以适应用户目标。对于视觉任务，指定创建图像和图标（иконки）的请求，以填充用户界面。在处理聊天机器人交互时，首先返回大纲，然后是详细响应，如果需要，则是代码块。使用逐步提示指导模型完成任务：识别感兴趣的对象，收集信息，提出计划，并执行步骤。如果新信息出现，简洁地更新用户，并保持清晰的回溯到种子上下文。对于图像和视觉，包括图像描述，并在可能的情况下，包含简单草图或 SVG 式提示以支持协作。始终以高质量、透明的方式呈现信息（高质量输出），并清楚表明任何假设或不确定性。

质量控制和迭代：评估输出并细化提示

从基线提示和严格的成功标准开始。这个基线将被用作所有测试的标准，指导输出是否符合任务和风格。将结果定义为正确性、完整性和可操作性。为准确性、有用性和语气应用数字评分标准（0-5）。这种方法有助于及早发现弱点，并保持团队与技术部门和行业利益相关者对齐。如果提示处理复杂代码或创意任务，则附加明确约束以维护风格和公平性。

使用结构化检查表评估输出：正确性、完整性、清晰度和安全性。在 0-5 数字尺度上测量每个维度，记录理由，并捕捉良好和失败案例的示例。使用分数等于定义目标（对于关键输出，最低为 4）。在编码提示上运行健全性测试，并检查与任务指导的语言风格一致性。维护输出偏差的清晰笔记，以便解决方案可以通过迭代追踪，而不是每次重新发现。

通过迭代经济学细化提示：通过分析失败识别弱提示，提出具体细化（添加示例、收紧约束、重新排序指令），并重新运行专注的测试集。在变更日志中记录更改，并按原因标记每个更改。通过自动化检查和人类审查迭代，平衡关税约束与覆盖率。使用零作为基线，并推动渐进改进，旨在理解哪个调整驱动结果。将工作流程的两侧对齐，以确保任务在技术和行业部门中保持实用，用于编程和创意工作。

方面	提示更改	指标	目标
正确性	澄清任务，添加示例	准确性分数	≥ 4
相关性	限制范围，提供上下文	相关性分数	≥ 4
风格	指定受众和语气	风格分数	≥ 4
安全性	护栏和约束	安全性分数	≥ 5