对话 Prompt 设计：角色设定与对话控制技巧（零基础入门教程）

我第一次使用 AI API 时，发送了"帮我写个程序"，结果 AI 返回了一段完全不是我想要的代码。后来我才明白，Prompt 的质量直接决定了 AI 输出的质量。今天我就用最通俗易懂的方式，带大家从零开始掌握 Prompt 设计的核心技巧。

本文使用的 API 平台是 HolySheep AI，它支持国内直连，延迟低于 50ms，而且汇率是 ¥1=$1（比官方 ¥7.3=$1 节省超过 85%），非常适合国内开发者入门学习。

一、Prompt 到底是什么？

简单来说，Prompt 就是你给 AI 发的"指令"。就像你告诉别人"帮我倒杯水"，但如果你说"帮我倒杯 50 度的温水，用透明的玻璃杯装着"，结果会更符合你的期望。AI 也是一样的——指令越清晰，结果越准确。

一个完整的 Prompt 通常包含三个部分

• 角色设定：让 AI 扮演什么身份
• 任务说明：需要 AI 完成什么
• 格式要求：输出结果的格式或风格

二、角色设定：让 AI 秒变专家

这是 Prompt 设计中最重要的一环。我最初也不理解为什么要"让 AI 扮演专家"，后来才发现，同样的问题，给 AI 设定角色后，回答质量提升了至少 3 倍。

2.1 基础角色设定

import requests

response = requests.post(
    "https://api.holysheep.ai/v1/chat/completions",
    headers={
        "Authorization": "Bearer YOUR_HOLYSHEEP_API_KEY",
        "Content-Type": "application/json"
    },
    json={
        "model": "gpt-4o",
        "messages": [
            {
                "role": "system",
                "content": "你是一位拥有 10 年经验的高级 Python 软件工程师，精通 Django、Flask 和 FastAPI 框架。"
            },
            {
                "role": "user",
                "content": "帮我写一个用户登录的 API 接口"
            }
        ]
    }
)

print(response.json()["choices"][0]["message"]["content"])

我在实战中发现，角色设定越具体，AI 的回答越专业。比如"10 年经验"比单纯的"专家"效果更好，因为这给 AI 一个明确的资历框架。

2.2 多角色组合设定

import requests

response = requests.post(
    "https://api.holysheep.ai/v1/chat/completions",
    headers={
        "Authorization": "Bearer YOUR_HOLYSHEEP_API_KEY",
        "Content-Type": "application/json"
    },
    json={
        "model": "gpt-4o",
        "messages": [
            {
                "role": "system",
                "content": "你是一位技术博主，擅长用通俗易懂的语言解释复杂的技术概念。同时你也是一位有洁癖的代码审查员，注重代码规范和性能优化。"
            },
            {
                "role": "user",
                "content": "解释一下什么是 Python 的装饰器"
            }
        ]
    }
)

我在写技术博客时经常用这种多角色组合——既要求讲解通俗易懂，又要求代码规范严谨。使用 HolySheep AI 的 GPT-4o 模型（$8/百万输出 token），比官方渠道节省 85% 以上的成本。

三、对话控制：让 AI 记住上下文

这是初学者最容易踩坑的地方。我在第一次做多轮对话时，问了 AI"上文中的代码有什么问题"，结果 AI 完全不理解我说的是什么——因为我只发送了最后一条消息。

3.1 多轮对话的正确姿势

import requests

构建完整的对话历史
messages = [
    # 系统角色设定
    {"role": "system", "content": "你是一位 Python 导师，擅长用生动的例子帮助初学者理解概念。"},
    
    # 第一轮对话
    {"role": "user", "content": "什么是列表推导式？"},
    
    # AI 的回复（必须包含，否则 AI 不知道上文）
    {"role": "assistant", "content": "列表推导式是 Python 的一种简洁语法，用于创建列表。比如 [x**2 for x in range(5)] 会生成 [0, 1, 4, 9, 16]。"},
    
    # 第二轮对话
    {"role": "user", "content": "那这个 [0, 1, 4, 9, 16] 怎么用普通循环实现？"},
]

response = requests.post(
    "https://api.holysheep.ai/v1/chat/completions",
    headers={
        "Authorization": "Bearer YOUR_HOLYSHEEP_API_KEY",
        "Content-Type": "application/json"
    },
    json={
        "model": "gpt-4o",
        "messages": messages,
        "temperature": 0.7  # 控制回答的随机性
    }
)

print(response.json()["choices"][0]["message"]["content"])

关键点：每一轮对话，你都需要把之前所有的 user、assistant 消息都传给 API。这样 AI 才能理解上下文。我的经验是，一般保留最近 10-15 轮对话就够了，太久远的信息 AI 也记不住。

3.2 控制回答风格的参数

除了 Prompt 文本，还可以通过 API 参数控制 AI 的行为：

• temperature：0-1 之间，越高越有创意，越低越稳定。我写代码时用 0.3，写营销文案用 0.8。
• max_tokens：限制回答的最大长度，避免 AI 废话太多。
• top_p：控制采样的多样性，通常设 0.9 左右。

四、实战案例：打造专属 AI 助手

现在我来演示一个完整的实战案例：创建一个代码审查助手。这个助手不仅能审查代码，还能解释问题并给出修改建议。

import requests

def code_reviewer(code_snippet):
    """代码审查函数"""
    messages = [
        {
            "role": "system",
            "content": """你是一位严格的代码审查员，有以下原则：
            1. 只指出关键问题，不吹毛求疵
            2. 每个问题都要给出具体代码示例
            3. 最后给出修改后的参考代码
            4. 用中文回答，但代码保持英文命名规范"""
        },
        {
            "role": "user",
            "content": f"请审查以下 Python 代码：\n\n{code_snippet}"
        }
    ]
    
    response = requests.post(
        "https://api.holysheep.ai/v1/chat/completions",
        headers={
            "Authorization": "Bearer YOUR_HOLYSHEEP_API_KEY",
            "Content-Type": "application/json"
        },
        json={
            "model": "gpt-4o",
            "messages": messages,
            "temperature": 0.3,  # 代码审查需要稳定输出
            "max_tokens": 2000
        }
    )
    
    return response.json()["choices"][0]["message"]["content"]

测试
bad_code = """
def get_user(id):
    data = db.query("SELECT * FROM users WHERE id = " + id)
    return data
"""

print(code_reviewer(bad_code))

我在公司内部就是这么用的，发现代码规范性问题减少了 60%。使用 HolySheep AI 的 API，响应延迟低于 50ms，国内直连不用备案，比用官方 API 方便太多。

五、常见报错排查

我刚开始用 AI API 时，几乎把所有错误都踩了一遍。下面是我总结的最常见的 5 个错误及其解决方案。

错误 1：401 Unauthorized - API Key 错误

# ❌ 错误写法
headers = {"Authorization": "Bearer your_api_key_here"}

✅ 正确写法
headers = {"Authorization": "Bearer YOUR_HOLYSHEEP_API_KEY"}  # 替换成真实 Key

解决方案：登录 HolySheep AI 官网，在个人中心获取真实的 API Key。注意 Key 只能看一次，记得保存好。

错误 2：400 Bad Request - 消息格式错误

# ❌ 错误写法 - 缺少 role 字段
{"content": "你好"}

✅ 正确写法
{"role": "user", "content": "你好"}

解决方案：每条消息必须包含 role 字段，值为 system、user 或 assistant 之一。

错误 3：429 Rate Limit Exceeded - 请求过于频繁

import time

添加重试机制
for i in range(3):
    response = requests.post(url, headers=headers, json=data)
    if response.status_code != 429:
        break
    time.sleep(2 ** i)  # 指数退避：1s, 2s, 4s

解决方案：合理控制请求频率，添加重试机制。HolySheep AI 的免费额度足够新手学习使用。

错误 4：空响应 - 模型名称错误

# ❌ 错误写法 - 使用了不存在的模型名
"model": "gpt-4.5"  # 不存在这个模型

✅ 正确写法 - 使用支持的模型
"model": "gpt-4o"  # 或 "gpt-4o-mini"

解决方案：确认使用的是 HolySheep AI 支持的模型名称。新手推荐使用 gpt-4o-mini，价格仅 $0.42/百万输出 token。

错误 5：上下文过长 - token 超出限制

# 超过模型的上下文窗口限制
gpt-4o 支持 128K tokens，但如果对话太长...

✅ 解决方案：截取最近的对话
MAX_MESSAGES = 20  # 只保留最近 20 轮
messages = messages[-MAX_MESSAGES:]

或者总结上文后继续
summary_prompt = "请用一句话总结之前的对话要点"
... 调用 AI 获取总结 ...
然后用总结 + 新问题继续对话

解决方案：控制对话长度，或者使用 summarization 技术压缩上下文。HolySheep AI 的 DeepSeek V3.2 模型（$0.42/百万 token）性价比极高，适合处理长文本。

六、进阶技巧：让你的 Prompt 更强大

6.1 Few-shot Learning（少样本学习）

给 AI 几个示例，让它学习你的期望格式：

messages = [
    {"role": "system", "content": "你是一个翻译助手，把中文翻译成英文。"},
    {"role": "user", "content": "你好"},
    {"role": "assistant", "content": "Hello"},
    {"role": "user", "content": "今天天气真好"},
    {"role": "assistant", "content": "The weather is nice today"},
    {"role": "user", "content": "我想吃火锅"},  # AI 会自动翻译
]

6.2 思维链提示（Chain of Thought）

messages = [
    {"role": "system", "content": "解决数学问题时，请先写出解题步骤，最后再给出答案。"},
    {"role": "user", "content": "小明有 10 个苹果，给了小红 3 个，又买了 5 个，请问小明现在有多少个苹果？"},
]

这种方式能让 AI 的推理过程更透明，也更容易发现错误。

6.3 格式化输出

messages = [
    {"role": "system", "content": "以 JSON 格式返回结果，包含字段：name(姓名), age(年龄), skills(技能数组)。"},
    {"role": "user", "content": "介绍你自己"},
]

我在做数据处理时经常用这个技巧，让 AI 直接返回结构化数据，省去解析的麻烦。

七、价格对比与推荐

我用 HolySheep AI 一年多了，最满意的还是价格。新手入门的话，我建议先用 DeepSeek V3.2（$0.42/百万输出 token），练手足够了。需要更强能力时再用 GPT-4o（$8/百万输出 token）。

模型	输出价格 ($/MTok)	适用场景
DeepSeek V3.2	$0.42	日常对话、轻量任务
Gemini 2.5 Flash	$2.50	需要快速响应的场景
GPT-4o	$8	复杂推理、专业任务
Claude Sonnet 4.5	$15	高质量长文本创作

在 HolySheep AI 上，这些模型都是 ¥1=$1 的汇率，比官方渠道节省 85% 以上。

总结

今天我分享了 Prompt 设计的核心技巧：

• 角色设定：让 AI 扮演专家，越具体越好
• 对话控制：保留完整的消息历史
• 参数调节：用 temperature、max_tokens 控制输出
• 常见错误：API Key、消息格式、频率限制等

我自己的经验是，Prompt 设计是一门需要不断实践的艺术。同样的需求，可能要调整好几版才能达到理想效果。建议大家多动手实验，遇到问题就回来查这篇教程。

👉 免费注册 HolySheep AI，获取首月赠额度，国内直连延迟低于 50ms，微信/支付宝即可充值，非常适合新手入门。