AI Prompt Engineering · 课时

人工智能可以处理的请求类型

Q: 「人工智能可以处理的请求类型」这节课中我会学到什么？

人工智能任务分类：写作、总结、回答问题、编程和头脑风暴。 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。

人工智能任务分类：写作、总结、回答问题、编程和头脑风暴。

人工智能可以处理的请求类型 是 CoddyKit 上的免费 AI Prompt Engineering 课时。这是第 2 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。

人工智能任务分类体系

人工智能语言模型具有令人惊叹的多功能性。它们可以处理各种任务类型，而了解您的任务属于哪一类，有助于您编写更好的提示。

我们可以将任务分为：写作、总结、问答、编程、头脑风暴、翻译、分类和数据提取。

写作任务

写作是最常见的人工智能任务之一。示例包括：

起草电子邮件、求职信和博客文章
撰写短篇故事、剧本或创意内容
编写社交媒体标题
编辑和改写现有草稿

关键是要在提示中指定格式、语气、长度和受众。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=256,
    messages=[{
        'role': 'user',
        'content': (
            'Write a 150-word professional email declining a meeting invitation. '
            'Tone: polite and regretful. Suggest rescheduling next week.'
        )
    }]
)
print(response.content[0].text)

总结任务

总结会将长篇内容压缩成更短、更易理解的形式。常见用途包括：

长篇文章或报告的 TL;DR
根据文字记录整理会议笔记
研究论文的执行摘要
从书籍章节中提取关键要点

请指定目标长度和您需要的详细程度。

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

long_text = (
    'Artificial intelligence has transformed industries from healthcare '
    'to finance over the past decade. Machine learning models now diagnose '
    'diseases, detect fraud, and power recommendation engines. However, '
    'concerns about bias, privacy, and job displacement remain significant...'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': f'Summarize the following in exactly 2 sentences:\n\n{long_text}'
    }]
)
print(response.choices[0].message.content)

问答任务

问答任务利用模型广泛的知识库。类型包括：

事实性问题（“什么是克雷布斯循环？”）
解释性问题（“HTTPS 如何工作？”）
比较性问题（“RAM 和存储有什么区别？”）
文档问答——针对粘贴的文档提出问题

进行文档问答时，请始终在提示中包含源材料。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

document = 'Our refund policy allows returns within 30 days with receipt...'

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=256,
    system='Answer only based on the document provided. If unsure, say so.',
    messages=[{
        'role': 'user',
        'content': f'Document:\n{document}\n\nQuestion: How many days do I have to return an item?'
    }]
)
print(response.content[0].text)

编程任务

编程任务是人工智能助手真正擅长的领域。常见请求包括：

根据描述生成代码（“编写一个能够……的 Python 函数”）
解释现有代码的作用
调试或修复出错的代码
将代码从一种语言转换为另一种语言
为给定函数编写单元测试

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[
        {
            'role': 'system',
            'content': 'You are a Python expert. Include type hints and a brief docstring.'
        },
        {
            'role': 'user',
            'content': (
                'Write a function that takes a list of integers and returns '
                'the second largest unique value, or None if it does not exist.'
            )
        }
    ]
)
print(response.choices[0].message.content)

头脑风暴任务

头脑风暴利用人工智能快速生成大量想法。您可以将它用于：

生成产品名称
列出博客文章主题
为应用构思功能创意
构思营销活动的切入点
寻找问题解决方案的替代方案

请指定想法的数量，并告诉模型优先追求多样性而不是重复。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=512,
    messages=[{
        'role': 'user',
        'content': (
            'Generate 10 unique app name ideas for a habit-tracking app targeting busy professionals. '
            'Each name should be one or two words. Prioritize variety — avoid similar-sounding names. '
            'After each name, add a 5-word tagline.'
        )
    }]
)
print(response.content[0].text)

翻译任务

翻译不只是逐字转换。人工智能模型可以处理：

语言翻译（英语 → 西班牙语、法语 → 日语）
语域翻译（技术术语 → 通俗语言）
语气翻译（正式 → 随意）
格式转换（段落 → 要点列表）

请说明您需要的是直译，还是自然、地道的翻译。

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

text_en = 'Please ensure the deliverables are submitted prior to the agreed deadline.'

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            f'Translate the following into natural, idiomatic Spanish '
            f'suitable for a casual work chat message:\n\n{text_en}'
        )
    }]
)
print(response.choices[0].message.content)

分类任务

分类会将输入归入预先定义的类别。示例包括：

情感分析（正面 / 负面 / 中性）
主题分类（体育 / 政治 / 科技）
意图检测（投诉 / 询问 / 表扬）
垃圾信息与非垃圾信息

请始终在提示中提供有效类别列表，以便模型知道可以从中选择哪些类别。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

reviews = [
    'The product broke after one day. Terrible quality!',
    'Shipping was fast and the item is exactly as described.',
    'It is okay, nothing special but does the job.'
]

for review in reviews:
    response = client.messages.create(
        model='claude-opus-4-5',
        max_tokens=16,
        messages=[{
            'role': 'user',
            'content': (
                f'Classify this review as exactly one of: POSITIVE, NEGATIVE, NEUTRAL.\n'
                f'Reply with only the label.\n\nReview: {review}'
            )
        }]
    )
    label = response.content[0].text.strip()
    print(f'{label}: {review[:40]}...')

数据提取任务

数据提取会从非结构化文本中提取结构化信息。常见用途包括：

从发票中提取姓名、日期和金额
从新闻文章中提取关键事实
从电子邮件中解析联系信息
从产品描述中提取规格

请要求以 JSON 格式输出，这样便于在程序中使用提取出的数据。

import openai
import json

client = openai.OpenAI(api_key='sk-your-key-here')

email_text = (
    'Hi, I am Sarah Johnson from Acme Corp. '
    'Please send the invoice for $4,250 to billing@acmecorp.com by June 15th.'
)

response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Extract the following fields from the email below and output valid JSON:\n'
            'name, company, email, amount, deadline\n\nEmail:\n' + email_text
        )
    }]
)

raw = response.choices[0].message.content
data = json.loads(raw)
print(data)

组合任务类型

现实中的提示通常会在一个请求中组合多种任务类型。例如：

从文章中提取关键论点，然后将每个论点分类为事实或观点
总结文档，然后将摘要翻译成法语
头脑风暴产生想法，然后为最佳想法撰写一段简短的推介

在一个提示中串联多种任务类型非常强大——只需明确说明每个步骤。

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-your-key-here')

response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=512,
    messages=[{
        'role': 'user',
        'content': (
            'Do the following in order:\n'
            '1. Brainstorm 5 blog post titles about remote work productivity.\n'
            '2. Pick the most compelling title.\n'
            '3. Write a 3-sentence intro paragraph for that post.\n'
            'Format your output with clear numbered sections.'
        )
    }]
)
print(response.content[0].text)

选择正确的任务框架

同一个底层请求可以用不同的任务类型来构建，而构建方式会显著改变输出。

示例目标：了解某公司的定价页面。

问答框架：“有哪些定价层级？”
总结框架：“用 3 个要点总结定价页面。”
提取框架：“以 JSON 格式提取方案名称和价格。”
比较框架：“创建一个比较所有方案的表格。”

请选择与您使用输出的方式相匹配的框架。

import openai

client = openai.OpenAI(api_key='sk-your-key-here')

pricing_text = (
    'Starter: $9/month - 1 user, 5GB storage. '
    'Pro: $29/month - 10 users, 50GB storage. '
    'Enterprise: custom pricing - unlimited users.'
)

# Extraction frame
response = client.chat.completions.create(
    model='gpt-4o',
    messages=[{
        'role': 'user',
        'content': (
            'Extract plan names and monthly prices as a JSON array. '
            'Use null for custom pricing.\n\n' + pricing_text
        )
    }]
)
print(response.choices[0].message.content)

知识检查

您已经学习了人工智能任务类型的主要类别。现在看看您能否识别正确的类别。

开发者将一封 500 字的客户支持电子邮件粘贴到提示中，并要求人工智能：“提取客户姓名、订单号和问题类型——以 JSON 格式输出。”

这属于哪种任务类型？

任务分类体系回顾

现在，您可以将任何人工智能请求识别并构建为以下核心任务类型之一：

写作——生成原创文本内容
总结——压缩长篇内容
问答——根据知识或文档回答问题
编程——生成、解释或调试代码
头脑风暴——生成大量多样化想法
翻译——在语言或语域之间进行转换
分类——将输入归入预先定义的类别
数据提取——从非结构化文本中提取结构化数据

先确定任务类型，再围绕它编写提示。

常见问题解答

「人工智能可以处理的请求类型」课时是免费的吗？

是的 — 「人工智能可以处理的请求类型」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。

「人工智能可以处理的请求类型」这节课中我会学到什么？

人工智能任务分类：写作、总结、回答问题、编程和头脑风暴。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 2 节课，共 4 节。

「人工智能可以处理的请求类型」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