编写有效的后续提示
学习如何纠正方向：“缩短一些”“具体说明 X”
编写有效的后续提示 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。
纠偏的艺术
后续提示词不是抱怨，而是引导模型生成更好输出的校正信号。
有效的后续提示词会具体说明哪里出了问题，以及您希望得到什么结果。像“再试一次”或“不太对”这样的模糊后续提示词，无法为模型提供任何有用的信息。
掌握一小组纠偏模式，就能快速修复几乎所有类型的输出问题。
模式 1：缩短内容
当响应过长、冗长或充斥填充内容时，请使用缩短内容的模式：
- “请缩短内容——目标是 100 个词。”
- “删除开头的段落以及所有填充性句子。”
- “用三句话概括上文。”
- “在不丢失要点的情况下将其缩短一半。”
具体说明会更有效：告诉模型目标字数或要删除的具体内容，比只说“短一点”更有用。
模式 2：更具体地说明 X
当响应过于笼统或停留在高层次时，请使用增加具体性的模式：
- “请更具体地说明定价模式。”
- “请提供具体数字，而不是百分比。”
- “请关注用户是小企业主的情况，而不是大型企业。”
- “关于安全性的建议过于模糊——请指出具体漏洞以及修复方法。”
这些模式会将模型的关注范围缩小到您需要深入了解的方面。
模式 3：删除关于 Y 的部分
当响应包含您不需要的内容时，请使用删除内容的模式：
- “删除关于历史背景的部分——我只需要了解当前情况。”
- “删除最后两个项目符号，它们偏离了主题。”
- “删除末尾的免责声明段落后重新改写。”
- “删除第三点之后的所有内容，并在那里结束。”
请指出要删除的具体部分。说“删除无关部分”含义不明确——模型可能无法判断哪些内容无关。
模式 4：为每个要点添加示例
当响应内容正确但过于抽象时，请使用添加示例的模式：
- “请在每个项目符号后添加一个具体示例。”
- “请用一个现实场景说明第三点。”
- “请为每项最佳实践提供一个修改前/修改后的代码片段。”
- “请为每条建议添加一个反例，展示 NOT 应采取的做法。”
示例能让抽象的建议变得可执行。这种模式对于教学内容和操作指南尤其有用。
模式 5：改写为项目符号
当响应内容正确但结构不合适时，请使用重新格式化的模式：
- “请将其改写为项目符号列表。”
- “请将其转换为编号的分步指南。”
- “请将其拆分为多个部分，并使用 H2 标题。”
- “请将其排成比较表：功能 | 选项 A | 选项 B。”
重新格式化的后续提示词会保留内容，只改变呈现方式。这类操作风险较低——实质内容本来就是正确的。
在一个后续提示词中组合多个模式
您可以在一条后续提示词中组合多个校正模式：
“请将上面的响应改写为项目符号列表，删除历史背景部分，并为每个要点添加一个代码示例。将内容控制在 300 个词以内。”
这比发送四条单独的后续消息更高效。不过，请保持组合后的后续提示词清晰易读——如果它变得过于复杂，与其写成一条令人困惑的提示词，不如拆分为两条后续提示词。
代码中的后续提示词模式
您可以在 Python 处理流程中自动执行后续校正，将校正指令追加到对话历史中：
import openai
client = openai.OpenAI(api_key='sk-...')
def apply_correction(conversation_history, correction_pattern):
# Append the follow-up prompt to the existing conversation
updated_history = conversation_history + [
{'role': 'user', 'content': correction_pattern}
]
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=updated_history
)
assistant_reply = response.choices[0].message.content
# Return updated history for chaining
updated_history.append({'role': 'assistant', 'content': assistant_reply})
return assistant_reply, updated_history
# Example usage
history = [{'role': 'user', 'content': 'Explain REST APIs.'},
{'role': 'assistant', 'content': '... (long explanation) ...'}]
corrected, history = apply_correction(history, 'Make it shorter — 3 bullet points only.')
print(corrected)让后续提示词锚定响应内容
最有效的后续提示词会明确指向上一条响应的具体部分。这样可以消除歧义：
- 较弱：“您能改进第二部分吗？”
- 较强：“在标题为‘安全注意事项’的部分，建议过于笼统。请使用三条具体的防火墙规则改写该部分。”
通过引用或点明具体的部分、句子或要点来锚定内容，可以迫使模型准确关注您的意图。
后续提示词何时不再奏效
有时，某种后续提示词模式无法带来您想要的改进。对话陷入停滞的迹象包括：
- 经过两次校正后，模型又恢复为相同的结构
- 模型确认了您的校正，却继续犯同样的错误
- 每次校正虽然修复了旧问题，却又产生了新问题
此时，重新改写最初的提示词并从头开始，通常比继续校正更快。我们将在后面的课程中介绍如何做出这一决定。
建立个人后续提示词库
由于纠偏模式可以重复使用，因此值得建立一个小型的个人短语库，保存您经常使用的后续提示词：
- “请缩短内容——目标是 X 个词。”
- “请为每个要点添加一个具体示例。”
- “请改写为项目符号列表，并在顶部添加一行摘要。”
- “请删除免责声明 / 历史背景 / 开头的冗余内容。”
- “请更具体地说明 [X]——提供实际数字 / 步骤 / 代码。”
将这些内容存放在文件或笔记应用中，可以节省您今后每次使用时的时间。
知识检查：校正模式
您要求模型为一个项目管理应用撰写产品说明。它返回了一篇 600 词的文章，涵盖了该应用的历史、理念、核心功能、定价和竞争对手比较。您实际只需要一段 100 词的核心功能说明，用于网站首屏的主视觉区域。
哪条后续提示词最有效？
回顾：编写有效的后续提示词
后续提示词是校正信号，而不是抱怨。五种核心模式——缩短、具体化、删除、添加示例、重新格式化——可以解决您将遇到的绝大多数输出问题。
关键原则是：具体说明哪里出了问题，锚定相关部分，并在需要时组合多个模式。当后续提示词不再奏效时，请考虑重新开始。
在下一课中，您将练习多轮对话，在先前响应的基础上继续构建，而不是纠正先前的响应。
常见问题解答
「编写有效的后续提示」课时是免费的吗？
是的 — 「编写有效的后续提示」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。
「编写有效的后续提示」这节课中我会学到什么？
学习如何纠正方向：“缩短一些”“具体说明 X” 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。
「编写有效的后续提示」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
- 阅读和评估人工智能输出
- 编写有效的后续提示
- 基于之前的响应继续操作
- 何时优化，何时重新开始