10 分钟搭好提示工程学习站Prompt-Engineering-Guide 实战指南【免费下载链接】Prompt-Engineering-Guide Guides, papers, lessons, notebooks and resources for prompt engineering, context engineering, RAG, and AI Agents.项目地址: https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide这篇文章带你 10 分钟跑起开源项目 Prompt-Engineering-Guide。它把提示工程Prompt Engineering、RAG 与 AI Agent 的指南、论文、课程笔记整合成一套可本地运行的知识库解决学提示工程去哪学、怎么练的问题。当 AI 的回答总是差点意思把这句话丢给任意一个大语言模型LLM即靠海量文本训练的 AI 模型试试The sky is天空是……模型大概率补一句blue然后就没了。任务稍复杂一点回答就开始跑偏、啰嗦、自相矛盾。问题往往不在模型而在你给它的那句话——也就是提示词Prompt怎么写的。提示工程就是研究怎么把话说得让模型更听话的一门手艺给指令、给示例、给格式、引导它一步步思考。Prompt-Engineering-Guide 项目就是围绕这件事攒下的一份大合集包含从入门到 Agent 开发的指南、15 种以上技术讲解、可运行的 Notebook 和论文索引还支持 13 种语言的文档。下面把它跑起来。三步跑起本地学习站 项目用 Nextra一个基于 Next.js 的文档框架搭建本地启动只需要三步。前提是机器上装好 Node.js 18 及以上版本和 pnpm 包管理器。git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm i next react react-dom nextra nextra-theme-docs pnpm dev最后一条命令启动开发服务器浏览器打开http://localhost:3000/左侧目录树就是整份知识库。想改文档、校对翻译改完pages/下的 mdx 文件刷新页面即可看到效果。别被体量吓到目录即地图第一次打开可能会觉得内容很多。其实路径就是章节按下面的对照表按需取用即可路径内容什么时候看pages/introduction/提示词基本要素、模型参数、通用技巧零基础第一站pages/techniques/零样本、少样本、思维链等 15 种技术想提升输出质量时pages/applications/函数调用、代码生成、合成数据做真实功能时pages/agents/AI Agent、上下文工程任务变复杂时pages/risks/幻觉、偏见、对抗攻击上线前自查notebooks/Jupyter 实操练习想动手敲代码时pages/papers/论文总览与合集想深挖原理时如果只想在浏览器里读guides/目录里有一套纯 Markdown 版本入口见 guides/README.md适合当快速读物。先练两个最常用的技术知识库里有十几种技术新手阶段掌握两个就能应付大多数场景。思维链CoT让模型一步步解题Chain-of-Thought 的做法很直白在提示词里给一两个先列步骤、再给答案的示例模型会模仿这种推理节奏。同一个苹果问题直接问它可能算错给出推理示例后它会把23 减 20 等于 33 加 6 等于 9写出来答案跟着对了。RAG不靠模型记忆靠外挂资料RAGRetrieval Augmented Generation检索增强生成的思路是先从一个文档库里检索出和当前问题相关的片段把片段拼进提示词再让模型基于这些资料作答。这样做的好处是答案可追溯到具体资料更新知识时只需换文档库不用重新训练模型——这也是 RAG 常被拿来和微调Fine-Tuning对比着选的原因详见pages/techniques/rag.en.mdx。任务变大之后Agent 登场当一次回答不够、需要查数据库、调接口、分步骤执行时提示工程会演化成给 Agent 下指令。一个 Agent 的核心就是三块工具Tools、记忆Memory、规划Planning提示词负责把这三块串起来。最典型的场景是函数调用用户问苹果股价多少模型不直接编答案而是输出一个get_stock_price(APL)的调用请求你的代码真正执行这个函数把结果198.50再喂回模型模型才生成自然语言的最终回答。更完整的 Agent 章节包括多路径推理把一个大任务拆成多条推理分支再汇总等内容都集中在 pages/agents/。起步阶段常踩的三个坑 ⚠️同一提示词换个模型就变脸。不同模型的指令风格差异不小pages/models/对 GPT-4、LLaMA、Mistral、Gemini 等逐一给了调优建议换模型时先查一眼。两个采样参数一起调。Temperature 和 Top-p 都控制输出的随机程度官方教程的建议是只动其中一个不然分不清是哪个起了作用。上线前没查风险清单。即使接了 RAG模型仍可能产生幻觉。pages/risks/把事实性、偏见、对抗性输入恶意提示词分了三篇发布前过一遍能省很多事。下一步今天就能做完的三件事读完 guides/prompts-intro.md用文中的天空例子在任意 Playground 里亲手改三轮提示词观察输出变化。打开 notebooks/pe-lecture.ipynb跟着跑一遍配套 1 小时课程的实操代码。想系统过一遍技术全景时对照 lecture/Prompt-Engineering-Lecture-Elvis.pdf 的课件把pages/techniques/里的零样本、少样本、思维链三篇读完然后回到知识库挑一个技术动手复现。跑通这三步提示工程从听过就变成会用了。【免费下载链接】Prompt-Engineering-Guide Guides, papers, lessons, notebooks and resources for prompt engineering, context engineering, RAG, and AI Agents.项目地址: https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 10 分钟搭好提示工程学习站：Prompt-Engineering-Guide 实战指南
10 分钟搭好提示工程学习站Prompt-Engineering-Guide 实战指南【免费下载链接】Prompt-Engineering-Guide Guides, papers, lessons, notebooks and resources for prompt engineering, context engineering, RAG, and AI Agents.项目地址: https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide这篇文章带你 10 分钟跑起开源项目 Prompt-Engineering-Guide。它把提示工程Prompt Engineering、RAG 与 AI Agent 的指南、论文、课程笔记整合成一套可本地运行的知识库解决学提示工程去哪学、怎么练的问题。当 AI 的回答总是差点意思把这句话丢给任意一个大语言模型LLM即靠海量文本训练的 AI 模型试试The sky is天空是……模型大概率补一句blue然后就没了。任务稍复杂一点回答就开始跑偏、啰嗦、自相矛盾。问题往往不在模型而在你给它的那句话——也就是提示词Prompt怎么写的。提示工程就是研究怎么把话说得让模型更听话的一门手艺给指令、给示例、给格式、引导它一步步思考。Prompt-Engineering-Guide 项目就是围绕这件事攒下的一份大合集包含从入门到 Agent 开发的指南、15 种以上技术讲解、可运行的 Notebook 和论文索引还支持 13 种语言的文档。下面把它跑起来。三步跑起本地学习站 项目用 Nextra一个基于 Next.js 的文档框架搭建本地启动只需要三步。前提是机器上装好 Node.js 18 及以上版本和 pnpm 包管理器。git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm i next react react-dom nextra nextra-theme-docs pnpm dev最后一条命令启动开发服务器浏览器打开http://localhost:3000/左侧目录树就是整份知识库。想改文档、校对翻译改完pages/下的 mdx 文件刷新页面即可看到效果。别被体量吓到目录即地图第一次打开可能会觉得内容很多。其实路径就是章节按下面的对照表按需取用即可路径内容什么时候看pages/introduction/提示词基本要素、模型参数、通用技巧零基础第一站pages/techniques/零样本、少样本、思维链等 15 种技术想提升输出质量时pages/applications/函数调用、代码生成、合成数据做真实功能时pages/agents/AI Agent、上下文工程任务变复杂时pages/risks/幻觉、偏见、对抗攻击上线前自查notebooks/Jupyter 实操练习想动手敲代码时pages/papers/论文总览与合集想深挖原理时如果只想在浏览器里读guides/目录里有一套纯 Markdown 版本入口见 guides/README.md适合当快速读物。先练两个最常用的技术知识库里有十几种技术新手阶段掌握两个就能应付大多数场景。思维链CoT让模型一步步解题Chain-of-Thought 的做法很直白在提示词里给一两个先列步骤、再给答案的示例模型会模仿这种推理节奏。同一个苹果问题直接问它可能算错给出推理示例后它会把23 减 20 等于 33 加 6 等于 9写出来答案跟着对了。RAG不靠模型记忆靠外挂资料RAGRetrieval Augmented Generation检索增强生成的思路是先从一个文档库里检索出和当前问题相关的片段把片段拼进提示词再让模型基于这些资料作答。这样做的好处是答案可追溯到具体资料更新知识时只需换文档库不用重新训练模型——这也是 RAG 常被拿来和微调Fine-Tuning对比着选的原因详见pages/techniques/rag.en.mdx。任务变大之后Agent 登场当一次回答不够、需要查数据库、调接口、分步骤执行时提示工程会演化成给 Agent 下指令。一个 Agent 的核心就是三块工具Tools、记忆Memory、规划Planning提示词负责把这三块串起来。最典型的场景是函数调用用户问苹果股价多少模型不直接编答案而是输出一个get_stock_price(APL)的调用请求你的代码真正执行这个函数把结果198.50再喂回模型模型才生成自然语言的最终回答。更完整的 Agent 章节包括多路径推理把一个大任务拆成多条推理分支再汇总等内容都集中在 pages/agents/。起步阶段常踩的三个坑 ⚠️同一提示词换个模型就变脸。不同模型的指令风格差异不小pages/models/对 GPT-4、LLaMA、Mistral、Gemini 等逐一给了调优建议换模型时先查一眼。两个采样参数一起调。Temperature 和 Top-p 都控制输出的随机程度官方教程的建议是只动其中一个不然分不清是哪个起了作用。上线前没查风险清单。即使接了 RAG模型仍可能产生幻觉。pages/risks/把事实性、偏见、对抗性输入恶意提示词分了三篇发布前过一遍能省很多事。下一步今天就能做完的三件事读完 guides/prompts-intro.md用文中的天空例子在任意 Playground 里亲手改三轮提示词观察输出变化。打开 notebooks/pe-lecture.ipynb跟着跑一遍配套 1 小时课程的实操代码。想系统过一遍技术全景时对照 lecture/Prompt-Engineering-Lecture-Elvis.pdf 的课件把pages/techniques/里的零样本、少样本、思维链三篇读完然后回到知识库挑一个技术动手复现。跑通这三步提示工程从听过就变成会用了。【免费下载链接】Prompt-Engineering-Guide Guides, papers, lessons, notebooks and resources for prompt engineering, context engineering, RAG, and AI Agents.项目地址: https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考