AI Prompt Engineering · 课时

为您的使用场景选择参数

Q: 「为您的使用场景选择参数」这节课中我会学到什么？

针对事实问答、创意写作、代码和聊天的推荐设置。 你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

针对事实问答、创意写作、代码和聊天的推荐设置。

第 4 / 4 课13 个步骤

为您的使用场景选择参数 是 CoddyKit 上的免费 AI Prompt Engineering 课时。这是第 4 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 AI Prompt Engineering 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Prompt Engineering 课程共包含 4 节课。

参数决策框架

选择采样参数并不是靠猜测——它遵循一套基于任务要求的逻辑。两个关键维度决定了合适的配置：

输出准确性：输出正确且可预测有多重要？
输出多样性：输出有所变化并进行探索有多重要？

高准确性 → 低温度。高多样性 → 高温度。大多数任务都处于这两个极端之间的某个位置。

事实性问答：准确性至关重要

对于事实性问答，通常只有一个正确答案。任何随机性都会增加回答错误的可能性。请使用：

温度 = 0：贪心解码，完全确定
top-p = 1.0：不加限制；在温度=0 时，top-p 不会产生任何影响

这样可以确保模型始终选择它最有把握的答案，而这通常也是最可能正确的答案。

import openai
client = openai.OpenAI(api_key='sk-...')

# Factual Q&A configuration
def factual_qa(question):
    resp = client.chat.completions.create(
        model='gpt-4o',
        messages=[
            {'role': 'system', 'content': 'Answer factual questions concisely and accurately.'},
            {'role': 'user', 'content': question}
        ],
        temperature=0,
        top_p=1.0
    )
    return resp.choices[0].message.content

answer = factual_qa('What is the boiling point of water at sea level?')
print(answer)  # Always: '100 degrees Celsius (212 degrees Fahrenheit).'

代码生成：接近贪心解码

代码必须在语法上正确、在语义上精确。随机性会导致语法错误、变量名错误或逻辑错误。请使用：

温度 = 0–0.2：几乎采用贪心解码——允许细微变化，但会强烈偏好正确的词元选择
top-p = 0.95：排除可能导致语法错误的极低概率尾部词元

# Code generation configuration
def generate_code(task):
    resp = client.chat.completions.create(
        model='gpt-4o',
        messages=[
            {'role': 'system', 'content': 'You are an expert Python programmer. Write clean, correct code.'},
            {'role': 'user', 'content': task}
        ],
        temperature=0.1,
        top_p=0.95
    )
    return resp.choices[0].message.content

code = generate_code('Write a Python function that merges two sorted lists.')
print(code)

摘要：适中的设置

摘要需要准确性（不要歪曲事实），但适度的变化也有好处（不同运行结果可以强调不同方面）。请使用：

温度 = 0.3–0.5：轻微的随机性能够保持自然的措辞
top-p = 1.0：在低温度下无需限制核心集合

# Summarization configuration
def summarize(text):
    resp = client.chat.completions.create(
        model='gpt-4o',
        messages=[
            {'role': 'system', 'content': 'Summarize the following text in 3 sentences.'},
            {'role': 'user', 'content': text}
        ],
        temperature=0.4,
        top_p=1.0
    )
    return resp.choices[0].message.content

summary = summarize(long_article)
print(summary)

对话聊天：自然变化

聊天响应得益于自然的变化——同一个问题不应总是产生完全相同的措辞。随机性过大会使响应缺乏连贯性。请使用：

温度 = 0.7–0.9：自然且多变的对话
top-p = 0.9–0.95：排除会产生不自然措辞的低概率尾部词元

# Chat configuration
def chat_response(user_message, history):
    messages = history + [{'role': 'user', 'content': user_message}]
    resp = client.chat.completions.create(
        model='gpt-4o',
        messages=[
            {'role': 'system', 'content': 'You are a friendly, helpful assistant.'},
            *messages
        ],
        temperature=0.8,
        top_p=0.9
    )
    reply = resp.choices[0].message.content
    history.append({'role': 'user', 'content': user_message})
    history.append({'role': 'assistant', 'content': reply})
    return reply, history

创意写作：高多样性

创意写作重视原创性和出人意料的效果。低温度会产生陈词滥调且可预测的输出。高温度会带来生动、出人意料的选择——但温度过高会导致内容缺乏连贯性。请使用：

温度 = 0.9–1.2：多样的词汇和不明显的用词选择
top-p = 0.95：防止出现缺乏连贯性的尾部词元，同时允许广泛探索

# Creative writing configuration
def write_story_opening(prompt):
    resp = client.chat.completions.create(
        model='gpt-4o',
        messages=[
            {'role': 'system', 'content': 'You are a creative fiction writer. Write vivid, original prose.'},
            {'role': 'user', 'content': f'Write a story opening for: {prompt}'}
        ],
        temperature=1.1,
        top_p=0.95
    )
    return resp.choices[0].message.content

opening = write_story_opening('A detective discovers her partner is the killer.')
print(opening)

头脑风暴与构思

对于头脑风暴，目标是让想法尽可能多样——即使其中有些不寻常或出人意料。请使用实际可行的最高温度：

温度 = 1.0–1.5：广泛探索想法空间
top-p = 0.95–1.0：只施加极少限制

多次运行并收集所有输出，然后手动筛选出最好的想法。头脑风暴提示受益于明确要求多样化，例如：“请给出 10 种不同的方法，其中包括不寻常的方法。”

# Brainstorming: run multiple times for variety
def brainstorm(topic, n_runs=5):
    ideas = []
    for _ in range(n_runs):
        resp = client.chat.completions.create(
            model='gpt-4o',
            messages=[
                {'role': 'system', 'content': 'Generate creative, diverse ideas. Include unusual approaches.'},
                {'role': 'user', 'content': f'Give me 3 ideas for: {topic}'}
            ],
            temperature=1.3,
            top_p=0.95
        )
        ideas.append(resp.choices[0].message.content)
    return ideas

all_ideas = brainstorm('reducing customer churn')

参数敏感性测试

在确定参数之前，请运行参数敏感性测试：保持提示不变，每次只改变一个参数，并评估每种设置下的输出质量。

def sensitivity_test(prompt, evaluator, temperatures, n_samples=5):
    results = {}
    for temp in temperatures:
        scores = []
        for _ in range(n_samples):
            resp = client.chat.completions.create(
                model='gpt-4o',
                messages=[{'role': 'user', 'content': prompt}],
                temperature=temp
            )
            score = evaluator(resp.choices[0].message.content)
            scores.append(score)
        results[temp] = sum(scores) / len(scores)

    for temp, score in sorted(results.items()):
        print(f'T={temp}: avg score = {score:.2f}')
    best_temp = max(results, key=results.get)
    print(f'Best temperature: {best_temp}')
    return best_temp

何时保留默认值

并非每个应用都需要自定义参数。出现以下情况时，请保留默认值：

使用场景是一般聊天——默认温度（大多数 API 为 1.0）已经过良好调校
您正在进行原型设计，还不知道合适的设置
任务在准确性和创意之间保持平衡（例如起草电子邮件）

经验法则：只有当默认行为在测试中造成了可测量的质量问题时，才自定义参数。过早调优参数会增加复杂性，却没有可测量的收益。

# Defaults are often correct
default_resp = client.chat.completions.create(
    model='gpt-4o',
    messages=[{'role': 'user', 'content': 'Draft a professional email declining a meeting.'}]
    # No temperature or top_p specified — API defaults apply
    # OpenAI default: temperature=1, top_p=1
)
print(default_resp.choices[0].message.content)

快速参考卡

按使用场景列出的推荐设置汇总表：

PARAMETER_PRESETS = {
    # task: (temperature, top_p, notes)
    'factual_qa':        (0.0, 1.0, 'greedy, max accuracy'),
    'classification':    (0.0, 1.0, 'deterministic labels'),
    'code_generation':   (0.1, 0.95, 'near-greedy, avoid tail tokens'),
    'data_extraction':   (0.2, 1.0, 'slight variation for robustness'),
    'summarization':     (0.4, 1.0, 'preserve facts, vary phrasing'),
    'translation':       (0.3, 1.0, 'accurate but natural'),
    'chat':              (0.8, 0.9, 'natural conversation'),
    'email_drafting':    (0.7, 0.9, 'professional but varied'),
    'creative_writing':  (1.1, 0.95, 'vivid, original'),
    'brainstorming':     (1.3, 0.95, 'maximum diversity'),
}

for task, (temp, top_p, notes) in PARAMETER_PRESETS.items():
    print(f'{task:22} temp={temp}, top_p={top_p} | {notes}')

频率惩罚与存在惩罚

另外两个参数可以补充温度和 top-p：

频率惩罚（0–2）：根据词元在当前输出中已经出现的次数按比例降低其概率——防止词语重复
存在惩罚（0–2）：只要某个词元出现过，就降低其概率——鼓励主题多样性

对于创意写作：添加频率惩罚=0.5，以减少重复用词，同时不改变温度。

resp = client.chat.completions.create(
    model='gpt-4o',
    messages=[{'role': 'user', 'content': 'Write a paragraph about coffee.'}],
    temperature=1.0,
    top_p=0.95,
    frequency_penalty=0.5,  # discourage repeating the same words
    presence_penalty=0.3    # encourage introducing new topics/aspects
)
print(resp.choices[0].message.content)

知识检查

对于生成将在生产环境中执行的 Python 代码的任务，哪种参数配置最合适？

在交互式课程中回答

回顾：选择采样参数

根据您对准确性和多样性的需求匹配参数：

事实性内容/代码：温度=0–0.2，top-p=0.95——准确性优先
摘要：温度=0.3–0.5——保持平衡
聊天：温度=0.7–0.9，top-p=0.9——自然变化
创意内容：温度=0.9–1.2，top-p=0.95——多样性
头脑风暴：温度=1.3，top-p=0.95——最大程度地探索

请运行参数敏感性测试。如果没有观察到质量问题，请保留默认值。如果存在重复问题，请添加频率惩罚。本课程 19 到此结束。下一部分：提示测试与回归。

免费开始

用 AI 导师学习 AI Prompt Engineering — 免费

在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。

课程: 53
课程: 199

免费开始学习查看完整课程

常见问题解答

「为您的使用场景选择参数」课时是免费的吗？

是的 — 「为您的使用场景选择参数」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Prompt Engineering 课程的其余内容，请升级到 CoddyKit PRO。 AI Prompt Engineering 课程共包含 4 节课。

「为您的使用场景选择参数」这节课中我会学到什么？

针对事实问答、创意写作、代码和聊天的推荐设置。你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 AI Prompt Engineering 需要有经验吗？

无需任何先前经验。CoddyKit 上的 AI Prompt Engineering 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 4 节课，共 4 节。

「为您的使用场景选择参数」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 AI Prompt Engineering 课中编写并运行代码吗？

能。每节 AI Prompt Engineering 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 AI Prompt Engineering