本文是利用 AI 生成的技术解析与实现示例。所发布的代码与步骤基于第一手资料构建，但未经作者在真实设备上进行运行验证。根据环境与版本的不同，实际运行结果可能会有所差异。
发布与主题概述
本文将基于第一手资料中记载的内容，对 Azure OpenAI 中提示词工程的基本概念与结构化方法进行解说。提示词是向模型提供完成任务的指令或上下文的手段，模型基于“根据概率生成接下来最优文本”这一基本动作来做出响应。
为什么有趣
生成式 AI 模型的行为乍一看似乎是在回答问题，但在内部，它是在基于训练数据输出“接下来概率最高的词汇”。理解这一机制，并恰当区分使用提示词的各个组成部分，从而更容易获得预期的输出，这是其引人入胜的特征。
在 Windows 或 Office 中的用途
【计划在 Windows 环境中确认】 在业务中将 Windows 上的应用程序或 Microsoft Office 与 Azure OpenAI 结合使用时，预计会应用结构化提示词。例如，在常规的文案撰写或数据摘要中，通过使用整理了指令或辅助内容的提示词，有望达到抑制输出不确定性的应用效果。
本次尝试的内容
梳理第一手资料中所示的提示词基本概念与组成部分的思考方式，并探讨以指令（Instructions）为首的各要素角色及组合方法。同时，也将提及在推理模型（如 gpt-5 或 o 系列等）中可能不推荐使用某些技巧这一点。
实验步骤
基于第一手资料，确认提示词的基本动作。
整理提示词组成部分（如 Instructions 等）的概念。
为将 Chat Completion API（system、user、assistant 的角色）与 Completion API 在实际 API 使用中的区别作为对比项目进行总结做好准备。
作为【实机确认前】的步骤，确认所提示的各结构要素对比表的概念。
代码与命令
作为第一手资料中记载的提示词示例，展示了为了把握输入著名文章开头时的补全动作倾向的概念。
Prompt: Four score and seven years ago our Completion: fathers brought forth on this continent, a new nation, conceived in Liberty...
此外，资料中还展示了在 Chat Completion API 中按角色（role）以数组形式发送的概念，如下所示。
[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "プロンプトの構成要素について説明してください。"}
]
确认的结果
正如第一手资料中所记载的，模型会根据训练数据和目标，输出被判定为概率最高的响应。它并没有走专门的 Q&A 代码路径，而是因为回答作为输出延续下去是最自然的，从而可以确认结果上看起来像是在回答问题。
学到的内容
本文涉及的内容均未经实机确认。从第一手资料中确认的范围来看，提示词是用户与 GPT 模型进行对话的文本，并且我们了解到 Completion API 和 Chat Completion API 在输入的结构（如字典数组或角色的定义等）上存在差异。此外，第一手资料中还记载了提示词的构建带有艺术的成分，且由于不同模型的行为各异，因此需要进行学习。
实用注意事项
本文内容未经实机运行验证。
在推理模型（如 gpt-5 或 o 系列等）中，此处介绍的技巧可能不被推荐。
由于不同模型的行为各异，因此需要根据实际环境与版本进行验证。请务必进行实际确认。
参考信息
source_title: Azure OpenAI prompt engineering concepts
source_url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering
コメント