Prompt Engineering 指南实战教程：从本地跑通到掌握核心提示技巧

Prompt Engineering 指南实战教程从本地跑通到掌握核心提示技巧【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为什么学提示工程要先看这个仓库写提示词靠感觉Prompt Engineering提示工程直接决定大模型的输出质量而 Prompt-Engineering-Guide提示工程指南把提示技巧、RAG、AI Agent 教程、可运行 notebook 和论文索引整合成一套可本地部署的文档适合新手与需要快速查技术的开发者。项目速览一站式的提示工程知识库 支持含中文在内的 14 种语言文档覆盖 Zero-Shot、CoT、RAG、Agent 全链路技巧附带 13 个可直接运行的 Jupyter 示例一条命令在本地部署 Web 文档站图中蓝色大圈是上下文工程黄色圈是提示工程核心它与 RAG、状态/历史、记忆三块相互交叠。整份指南就是按这个框架组织的写一句提示词只是小圈真正要掌握的是这些要素的组合方式。五分钟上手克隆到运行的最短命令git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm install pnpm dev启动后在浏览器打开http://localhost:3000/会看到文档首页左侧边栏是章节导航把地址栏加上/zh即可切到中文版例如http://localhost:3000/zh/introduction。核心机制拆解思维链 CoT让模型一步步推理 看图的左半边模型只拿到问题和最终答案遇到下一道同类题就自信地给出错误答案 27。右边在示例里补了一行中间步骤“5 6 11”模型照着这种拆解方式做答案 9 就对了。原因不复杂大语言模型本质上在做模式匹配示例里展示“逐步想”推理过程就成了它模仿的模式比只给结论可靠得多。这也是提升多步推理准确率成本最低的办法。RAG把外部知识放进上下文而不是参数 流程是提示先走到 Document store 检索相关文档拼回原文再送进语言模型Generator产出有依据的回答。之所以这样设计是因为模型参数训练完就固定了而业务知识天天在变——与其重训模型不如把答案材料检索出来塞进上下文既用上最新数据还能追溯引用来源。Agent 框架从回答到办事 图中央的 Agent 连着 Tools、Memory、Planning 三块。大语言模型单次调用只能“生成下一段文本”接上工具调用搜索、跑代码、多轮记忆和任务规划后它才能完成跨步骤的任务。这时提示工程的工作内容也随之变化从打磨一句话变成设计整套系统的指令、工具说明与交接规则。典型场景实操场景一模型总把多步题答错当你发现模型做数学或逻辑题“自信地错”时先别急着换模型。打开 pages/techniques/ 下的 CoT 页面对照标准提示词与思维链提示词的差异再去 notebooks/ 里找到示例 notebook 复现“网球”数学题然后把题目换成你自己的业务场景。注意运行示例时如果提示缺少 API Key按 notebook 顶部注释填入密钥即可这是新手最常卡住的第 1 步。你会看到只要在示例里补上一两句中间步骤错误率就明显下降。场景二让模型基于内部文档作答遇到“模型编造公司内部制度”的情况走 RAG 思路先把文档切块、建索引再让模型先检索后作答。文档里详细讲了向量库选择、检索策略和提示词模板的写法。检索后答案仍跑偏时再加一道验证环节用第二段提示词让模型对照原文复查——这套组合在 Agent 章节的 pages/agents/ 里有完整示例。进阶路线从基础到精通 基础读透 Introduction 章节把“清晰、结构、示例”三件事练成本能写出第一批结构化提示词熟练依次实践 CoT、RAG、Prompt Chaining每学一节就跑对应 notebook 验证精通啃下 Agent 章节的函数调用与上下文工程主题为自己的业务设计一条多步任务流最值得深入的三处Techniques 技巧合集、Agents 上下文工程、notebooks 可运行示例。跑通本地文档站后把示例换成你自己的业务数据写第一条 CoT 提示词吧——第一版肯定不完美但真正的调优就从这里开始。【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