Prompt Engineering Guide:从写提示词到 AI 智能体的提示工程实战知识库【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-GuidePrompt Engineering Guide 是一个开源的提示工程文档项目系统整理了与大语言模型协作的方法、论文和实践案例并延伸到上下文工程、RAG 与 AI 智能体。它适合想系统提升大模型输出质量的开发者以及评估 AI 应用路径的技术选型者。文档支持 13 种语言阅读示例提示词默认在 gpt-3.5-turbo 上验证模型配置与参数影响在正文中均有说明。解决什么问题适合谁、不适合谁用大模型做业务时最常见的痛点是同样的任务换个问法结果就不稳定。这个项目把提示词设计当作一门工程学科来处理而不是靠零散技巧碰运气。开发者获得零样本、少样本、思维链、提示链等经过验证的方法减少反复试错的沟通与调试成本。研究者快速了解模型的能力边界与局限每篇内容都附对应论文出处便于追溯。团队决策者评估提示工程、RAG、智能体三条技术路线的成熟度与风险点再决定是否投入。如果你期待一个装上就能直接出活的成品工具它并不合适。这是一套文档和资料库价值在于方法论与可复现的示例而不是开箱即用的功能。核心能力地图八大模块一览项目内容按模块组织在 pages/ 目录下可以按需求直接跳转模块路径主要内容入门基础pages/introduction/模型设置参数、提示词构成要素、设计建议、常见示例提示技术pages/techniques/零样本、思维链、提示链、ToT、ReAct、Reflexion 等 18 种方法实际应用pages/applications/函数调用、上下文缓存、合成数据、代码生成、职位分类案例Prompt Hubpages/prompts.en.mdx按任务分类的现成提示词模板分类、问答、摘要、真实性、对抗模型参考pages/models/ChatGPT、GPT-4、Claude 3、Gemini、LLaMA、Mistral 等专章风险与误用pages/risks/对抗提示、事实性、偏见研究发现pages/research/RAG、推理、智能体、词元化等方向的实证结论实践材料notebooks/12 个 Jupyter 笔记本另附论文、数据集、工具清单如何开始阅读并本地运行指南建议的阅读顺序是入门基础 → 提示技术 → 实际应用。每个章节都有独立示例不强制从头读到尾也可以直接跳到当前需要的技术点。如果想核对翻译或修改站点内容文档基于 Nextra 框架构建准备 Node 18 以上和 pnpm 后执行git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm install pnpm dev启动后在浏览器访问 http://localhost:3000 即可浏览。站点语言由文件名后缀决定中文、法语、日语等版本可自由切换。典型场景拆解三类常见需求1. 复杂推理任务输出不稳定需求多步数学或逻辑题经常出错反复提问也不改善。做法用思维链CoT让模型先输出中间推理步骤再配合自一致性Self-Consistency多次推理取多数答案。收益推理类任务正确率明显提升输出也更容易人工核对。更复杂的问题可以升级到思维树ToT让模型同时探索多条路径再剪枝。2. 回答需要依赖私有数据需求模型知识有截止日期不了解公司文档或最新资料。做法用 RAG检索增强生成先检索相关文档再把命中片段拼进提示词一起提交。收益答案可追溯到来源文档减少凭空编造。项目在 pages/techniques/ 提供了完整的 RAG 章节和配套笔记本pages/research/ 还分析了 RAG 与幻觉的关系。3. 希望模型自主完成多步骤任务需求单个提示词无法覆盖“查资料、列方案、产出报告”这类长任务。做法按智能体Agent模式搭建系统核心是三块组件规划能力、外部工具访问、记忆存储分别负责拆解任务、调用 API 与数据库、留存中间结果。收益原本需要人逐步衔接的长任务可以由模型串联完成。项目的 AI Agents 章节给出了路由、并行化、任务分解等设计模式。值得理解的几个关键机制不必背下全部 18 种技术理解三条主线就能快速选型。约束式生成思维链、思维树、提示链的本质是把一个大问题拆成多个可校验的小步骤上一步输出作为下一步输入错误在早期就被暴露。自我修正Reflexion 技术让模型先检查自身输出再针对性修改项目附带的实验数据表明它能提高一次通过的任务比例。外部信息注入RAG、函数调用、上下文缓存从不同角度解决同一个问题——把模型参数之外的信息补进提示上下文。常见问题与避坑建议别忽略模型设置文档示例均使用默认参数temperature1、top_p1调低温度会直接改变输出分布对比测试结果时先固定参数。别指望单一提示词保证稳定项目给出的建议组合是约束条件、示例说明、结构化输出格式外加一层输出校验机制。注意模型版本差异模型迭代很快pages/models/ 按模型分章讲解行为差异最新版本表现以仓库最新文档为准。本地运行需要 Node 18依赖安装失败时优先检查 Node 版本与 pnpm 是否可用。继续学习的路径阅读顺序pages/introduction/ → pages/techniques/ → pages/applications/。guides/ 下的 8 篇独立指南覆盖高级提示、对抗提示、可靠性等专题。notebooks/ 提供 12 个可运行笔记本lecture/ 存放一小时课程的讲义 PDF。项目采用 MIT 许可发现笔误或内容缺口可以直接提 PR 修复。【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 Prompt Engineering Guide:从写提示词到 AI 智能体的提示工程实战知识库
Prompt Engineering Guide:从写提示词到 AI 智能体的提示工程实战知识库【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-GuidePrompt Engineering Guide 是一个开源的提示工程文档项目系统整理了与大语言模型协作的方法、论文和实践案例并延伸到上下文工程、RAG 与 AI 智能体。它适合想系统提升大模型输出质量的开发者以及评估 AI 应用路径的技术选型者。文档支持 13 种语言阅读示例提示词默认在 gpt-3.5-turbo 上验证模型配置与参数影响在正文中均有说明。解决什么问题适合谁、不适合谁用大模型做业务时最常见的痛点是同样的任务换个问法结果就不稳定。这个项目把提示词设计当作一门工程学科来处理而不是靠零散技巧碰运气。开发者获得零样本、少样本、思维链、提示链等经过验证的方法减少反复试错的沟通与调试成本。研究者快速了解模型的能力边界与局限每篇内容都附对应论文出处便于追溯。团队决策者评估提示工程、RAG、智能体三条技术路线的成熟度与风险点再决定是否投入。如果你期待一个装上就能直接出活的成品工具它并不合适。这是一套文档和资料库价值在于方法论与可复现的示例而不是开箱即用的功能。核心能力地图八大模块一览项目内容按模块组织在 pages/ 目录下可以按需求直接跳转模块路径主要内容入门基础pages/introduction/模型设置参数、提示词构成要素、设计建议、常见示例提示技术pages/techniques/零样本、思维链、提示链、ToT、ReAct、Reflexion 等 18 种方法实际应用pages/applications/函数调用、上下文缓存、合成数据、代码生成、职位分类案例Prompt Hubpages/prompts.en.mdx按任务分类的现成提示词模板分类、问答、摘要、真实性、对抗模型参考pages/models/ChatGPT、GPT-4、Claude 3、Gemini、LLaMA、Mistral 等专章风险与误用pages/risks/对抗提示、事实性、偏见研究发现pages/research/RAG、推理、智能体、词元化等方向的实证结论实践材料notebooks/12 个 Jupyter 笔记本另附论文、数据集、工具清单如何开始阅读并本地运行指南建议的阅读顺序是入门基础 → 提示技术 → 实际应用。每个章节都有独立示例不强制从头读到尾也可以直接跳到当前需要的技术点。如果想核对翻译或修改站点内容文档基于 Nextra 框架构建准备 Node 18 以上和 pnpm 后执行git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm install pnpm dev启动后在浏览器访问 http://localhost:3000 即可浏览。站点语言由文件名后缀决定中文、法语、日语等版本可自由切换。典型场景拆解三类常见需求1. 复杂推理任务输出不稳定需求多步数学或逻辑题经常出错反复提问也不改善。做法用思维链CoT让模型先输出中间推理步骤再配合自一致性Self-Consistency多次推理取多数答案。收益推理类任务正确率明显提升输出也更容易人工核对。更复杂的问题可以升级到思维树ToT让模型同时探索多条路径再剪枝。2. 回答需要依赖私有数据需求模型知识有截止日期不了解公司文档或最新资料。做法用 RAG检索增强生成先检索相关文档再把命中片段拼进提示词一起提交。收益答案可追溯到来源文档减少凭空编造。项目在 pages/techniques/ 提供了完整的 RAG 章节和配套笔记本pages/research/ 还分析了 RAG 与幻觉的关系。3. 希望模型自主完成多步骤任务需求单个提示词无法覆盖“查资料、列方案、产出报告”这类长任务。做法按智能体Agent模式搭建系统核心是三块组件规划能力、外部工具访问、记忆存储分别负责拆解任务、调用 API 与数据库、留存中间结果。收益原本需要人逐步衔接的长任务可以由模型串联完成。项目的 AI Agents 章节给出了路由、并行化、任务分解等设计模式。值得理解的几个关键机制不必背下全部 18 种技术理解三条主线就能快速选型。约束式生成思维链、思维树、提示链的本质是把一个大问题拆成多个可校验的小步骤上一步输出作为下一步输入错误在早期就被暴露。自我修正Reflexion 技术让模型先检查自身输出再针对性修改项目附带的实验数据表明它能提高一次通过的任务比例。外部信息注入RAG、函数调用、上下文缓存从不同角度解决同一个问题——把模型参数之外的信息补进提示上下文。常见问题与避坑建议别忽略模型设置文档示例均使用默认参数temperature1、top_p1调低温度会直接改变输出分布对比测试结果时先固定参数。别指望单一提示词保证稳定项目给出的建议组合是约束条件、示例说明、结构化输出格式外加一层输出校验机制。注意模型版本差异模型迭代很快pages/models/ 按模型分章讲解行为差异最新版本表现以仓库最新文档为准。本地运行需要 Node 18依赖安装失败时优先检查 Node 版本与 pnpm 是否可用。继续学习的路径阅读顺序pages/introduction/ → pages/techniques/ → pages/applications/。guides/ 下的 8 篇独立指南覆盖高级提示、对抗提示、可靠性等专题。notebooks/ 提供 12 个可运行笔记本lecture/ 存放一小时课程的讲义 PDF。项目采用 MIT 许可发现笔误或内容缺口可以直接提 PR 修复。【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