機器學習工程師ChatGPT提示詞2026｜ML必備Prompt模板
最後更新：2025年12月 | 適用於ChatGPT、Claude、DeepSeek等AI模型
為什麼機器學習工程師需要專業的Prompt？
機器學習涉及資料處理、特徵工程、模型設計、訓練調優等多個環節。使用 專業的Prompt可以讓ChatGPT提供更專業的ML建議和程式碼實現。
使用本頁Prompt的優勢：
- 快速編寫資料處理Pipeline
- 高效設計模型架構
- 系統化的調參策略
- 完整的MLOps方案
核心角色Prompt（複製即用）
你现在是一名拥有8年经验的资深机器学习工程师，你：
- 精通PyTorch、TensorFlow、Scikit-learn等框架
- 擅长深度学习、NLP、CV、推荐系统等领域
- 有丰富的特征工程和模型调优经验
- 熟悉MLOps和模型部署生产化
请以这个专业身份回答问题。回答时：
1. 提供可直接运行的代 码
2. 解释算法原理和设计思路
3. 给出性能优化建议
4. 考虑工程实践和生产部署
一、資料處理 📊
資料清洗
| 場景 | Prompt模板 |
|---|---|
| 缺失值處理 | 請用Python處理這個資料集的缺失值，特徵型別：[數值/類別/時序] |
| 異常值檢測 | 請實現[特徵]的異常值檢測和處理，使用[IQR/Z-score/孤立森林] |
| 資料平衡 | 訓練集類別不平衡（1:100），請給出處理方案和程式碼 |
特徵工程
| 場景 | Prompt模板 |
|---|---|
| 特徵構造 | 請為[業務場景]設計特徵工程方案，原始特徵：[特徵列表] |
| 特徵選擇 | 請用[過濾法/包裝法/嵌入法]篩選重要特徵，目標變數：[描述] |
| 特徵編碼 | 請為這些類別特徵選擇編碼方式：[特徵列表及基數] |
資料增強
| 場景 | Prompt模板 |
|---|---|
| 影象增強 | 請設計影象資料增強Pipeline，任務是[分類/檢測/分割] |
| 文字增強 | 請實現NLP資料增強，方法：回譯、同義詞替換、隨機插入 |
| 表格增強 | 請用SMOTE/GAN方法增強表格資料 |
二、傳統機器學習 🔧
模型選擇
| 場景 | Prompt模板 |
|---|---|
| 演算法選型 | [業務問題]應該用什麼演算法？資料量[X]，特徵數[Y]，要求可解釋 |
| 模型對比 | 請對比XGBoost、LightGBM、CatBoost在[場景]下的優劣 |
| 整合方法 | 請設計模型融合方案，基模型：[模型列表] |
模型訓練
| 場景 | Prompt模板 |
|---|---|
| 訓練程式碼 | 請用Scikit-learn實現[演算法]訓練，包含交叉驗證和網格搜尋 |
| 超參調優 | 請為[模型]設計超參搜尋空間和調優策略 |
| 特徵重要性 | 請分析模型的特徵重要性並視覺化 |
模型評估
| 場景 | Prompt模板 |
|---|---|
| 評估指標 | [業務場景]應該用什麼評估指標？請解釋選擇原因 |
| 模型診斷 | 模型AUC只有0.6，請給出診斷和改進思路 |
| 過擬合處理 | 訓練集準確率95%，測試集60%，如何解決過擬合？ |
三、深度學習 🧠
模型設計
| 場景 | Prompt模板 |
|---|---|
| CNN架構 | 請用PyTorch實現[ResNet/EfficientNet]，輸入[尺寸]，類別數[N] |
| Transformer | 請實現[BERT/GPT]風格的Transformer架構 |
| 自定義網路 | 請設計一個網路解決[問題]，輸入[描述]，輸出[描述] |
訓練技巧
| 場景 | Prompt模板 |
|---|---|
| 訓練迴圈 | 請實現完整的PyTorch訓練迴圈，包含早停、學習率排程、混合精度 |
| 損失函式 | [場景]應該用什麼損失函式？請實現自定義Loss |
| 最佳化器選擇 | AdamW vs Lion vs SAM，哪個更適合[任務]？ |
模型除錯
| 場景 | Prompt模板 |
|---|---|
| 梯度問題 | 訓練時loss不下降/爆炸，請給出排查思路 |
| 過擬合 | 請實現正則化方法：Dropout、權重衰減、資料增強 |
| 視訊記憶體最佳化 | 視訊記憶體不夠，請給出最佳化方案：梯度累積、混合精度等 |
四、NLP任務 📝
文字處理
| 場景 | Prompt模板 |
|---|---|
| 文字預處理 | 請實現中文文字預處理：分詞、去停用詞、詞向量 |
| Tokenizer | 請用Hugging Face實現[模型]的tokenizer |
| 文字向量化 | 請對比TF-IDF、Word2Vec、BERT embeddings的適用場景 |
模型應用
| 場景 | Prompt模板 |
|---|---|
| 文字分類 | 請用BERT實現[任務]的文字分類 ，資料格式：[描述] |
| 命名實體 | 請實現NER任務，使用[BiLSTM-CRF/BERT-CRF] |
| 文字生成 | 請用GPT-2實現文字生成，包含取樣策略 |
大模型應用
| 場景 | Prompt模板 |
|---|---|
| 微調方案 | 請設計[大模型]的微調方案，使用[LoRA/QLoRA/全量微調] |
| Prompt工程 | 請為[任務]設計Few-shot Prompt模板 |
| RAG系統 | 請設計RAG系統架構，包含向量資料庫選型 |
五、CV任務 🖼️
影象處理
| 場景 | Prompt模板 |
|---|---|
| 資料載入 | 請用PyTorch實現影象資料載入和預處理Pipeline |
| 增強策略 | 請用Albumentations實現[任務]的資料增強 |
模型應用
| 場景 | Prompt模板 |
|---|---|
| 影象分類 | 請用[模型]實現影象分類，支援遷移學習 |
| 目標檢測 | 請實現[YOLO/Faster R-CNN]目標檢測 |
| 影象分割 | 請實現語義分割，使用[U-Net/DeepLab] |
六、MLOps 🚀
實驗管理
| 場景 | Prompt模板 |
|---|---|
| 實驗追蹤 | 請用MLflow/Weights&Biases記錄實驗 |
| 版本管理 | 如何管理資料版本和模型版本？ |
| 超參管理 | 請用Hydra/OmegaConf管理配置 |
模型部署
| 場景 | Prompt模板 |
|---|---|
| 模型匯出 | 請將PyTorch模型匯出為[ONNX/TorchScript] |
| 服務部署 | 請用[FastAPI/TorchServe]部署模型服務 |
| 效能最佳化 | 請最佳化推理效能：量化、剪枝、蒸餾 |
監控運維
| 場景 | Prompt模板 |
|---|---|
| 模型監控 | 請設計模型上線後的監控指標 |
| 資料漂移 | 如何檢測和處理資料漂移？ |
| A/B測試 | 請設計模型A/B測試方案 |
使用技巧
- 說明資料情況：資料量、特徵型別、類別分佈
- 明確任務目標：分類、迴歸、生成、推薦
- 指定框架版本：PyTorch 2.0、TensorFlow 2.x等
- 考慮資源限制：視訊記憶體大小、訓練時間、部署環境