Prompt Engineering 指南从思维链到 AI Agent 的提示词工程完整教程【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模型算错一道小学数学题、用你自己的文档答题时开始编造内容、你想让它调用搜索 API 却不知道提示词怎么写——问题通常不在模型而在你提问的方式。Prompt-Engineering-Guide是一份提示词工程Prompt Engineering指南系统收录提示词技巧、RAG检索增强生成、AI Agent 资料、论文清单与可运行的 notebook支持中文、英文等 13 种语言。 能力速览这份指南里有什么仓库按学习路径组织资料可以按你当前的需求直接跳转目录内容适合谁pages/introduction/提示词基础、system/user/assistant 三角色消息结构、设计原则零基础起步pages/techniques/Zero-shot、Few-shot、思维链CoT、思维树ToT、RAG、ReAct 等 16 种技巧需要提升输出质量pages/applications/函数调用、代码生成、合成数据、真实业务案例做应用开发pages/agents/上下文工程、深度智能体、多智能体架构构建 AI Agentpages/models/GPT、Gemini、LLaMA、Mixtral 等模型的提示策略选型或换模型notebooks/12 个可运行的 Jupyter notebook动手实践派让模型正确做多步推理从思维链开始模型做算术、逻辑推理时常直接甩出最终答案然后算错。指南的第一剂药方是思维链Chain-of-ThoughtCoT让模型先写出中间步骤再给结论。Few-shot CoT在提示词里放 1~2 个问题 分步解答的完整示例模型会模仿格式Zero-shot CoT一个示例都不用只在提示词末尾加一句 Lets think step by step。指南中的示例很直观直接提问还剩几个苹果模型答错加上一行提示它立刻列出初始 10 个、送掉 4 个、又买 5 个、吃了 1 个的步骤并给出正确答案。完整推导见 pages/techniques/cot.en.mdx。推理稳了之后下一个问题是答案需要模型知道你内部文档的内容怎么办让模型基于你的文档回答RAG 打法模型的知识停在训练截止日不知道你的产品手册。RAGRetrieval-Augmented Generation检索增强生成的思路是先从你的文档里检索出相关段落塞进提示词再让模型作答。文档切块、向量化存入索引提问时检索最相关的若干段落把背景资料 问题组装进提示词并要求模型只依据给定上下文回答。这是目前做企业知识问答最主流的方式。完整教程在 pages/techniques/rag.en.mdx研究专题 里还有 RAG 忠实度、幻觉抑制、合成数据补 RAG 等延伸。知识有了下一步是让模型不只会说还会动手。从单轮对话到会调用工具的 Agent函数调用Function Calling是核心机制你在 API 参数里定义好函数 schema模型决定调用哪个函数、传什么参数你的代码执行后把结果喂回去模型再基于结果继续。pages/agents/function-calling.en.mdx 逐段讲清函数调用流程pages/agents/context-engineering.en.mdx 讲长任务 Agent 的上下文窗口怎么管——哪些信息要放入、哪些要压缩pages/agents/deep-agents.en.mdx 覆盖带规划、子代理、结果校验的深度智能体架构。工具 记忆 规划三者配合就能搭出会拆解任务、调用工具、自我校验的 Agent。机制揭秘这些技巧为什么有效所有提示词技巧的本质都是管理上下文窗口。模型只会基于你给它的文本预测下一个词元CoT 的 step by step 让模型把中间结果写进上下文后面的词元才有据可查RAG 把检索到的段落注入上下文三角色消息里的 system 则是在上下文开头设定行为基调。这也是指南把该领域改称上下文工程的原因专门设有 指南专区。避坑清单4 个高频问题与解法模型算错简单算术先加 zero-shot CoT仍错再给一个分步示例别急着怪模型回答与内部文档无关根源常是检索质量差先验证检到了没再调提示词把需求全塞进一条 user 消息拆成 system行为规范、user具体任务、assistant示例回答三角色输出稳定性明显提升同一个提示词换个模型就失效不同模型族训练分布不同去 pages/models/ 查对应模型的专门策略。 资源索引与动手路径入门pages/introduction/ guides/prompts-basic-usage.md现成提示词模板pages/prompts.en.mdx覆盖分类、编码、创意、问答等场景进阶主题上下文工程指南、深度研究、推理模型论文清单pages/papers.en.mdx安全与风险pages/risks.en.mdx动手练习notebooks/pe-chatgpt-intro.ipynb基础、notebooks/pe-function-calling.ipynb函数调用、notebooks/pe-rag.ipynbRAG讲义lecture/Prompt-Engineering-Lecture-Elvis.pdfPrompt-Engineering-Guide 把提示词工程该掌握的东西收敛成了一套可查阅的目录和能跑的 notebook。最快的开始方式git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide然后打开notebooks/pe-chatgpt-intro.ipynb跑通你的第一条提示词。【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 指南：从思维链到 AI Agent 的提示词工程完整教程
Prompt Engineering 指南从思维链到 AI Agent 的提示词工程完整教程【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模型算错一道小学数学题、用你自己的文档答题时开始编造内容、你想让它调用搜索 API 却不知道提示词怎么写——问题通常不在模型而在你提问的方式。Prompt-Engineering-Guide是一份提示词工程Prompt Engineering指南系统收录提示词技巧、RAG检索增强生成、AI Agent 资料、论文清单与可运行的 notebook支持中文、英文等 13 种语言。 能力速览这份指南里有什么仓库按学习路径组织资料可以按你当前的需求直接跳转目录内容适合谁pages/introduction/提示词基础、system/user/assistant 三角色消息结构、设计原则零基础起步pages/techniques/Zero-shot、Few-shot、思维链CoT、思维树ToT、RAG、ReAct 等 16 种技巧需要提升输出质量pages/applications/函数调用、代码生成、合成数据、真实业务案例做应用开发pages/agents/上下文工程、深度智能体、多智能体架构构建 AI Agentpages/models/GPT、Gemini、LLaMA、Mixtral 等模型的提示策略选型或换模型notebooks/12 个可运行的 Jupyter notebook动手实践派让模型正确做多步推理从思维链开始模型做算术、逻辑推理时常直接甩出最终答案然后算错。指南的第一剂药方是思维链Chain-of-ThoughtCoT让模型先写出中间步骤再给结论。Few-shot CoT在提示词里放 1~2 个问题 分步解答的完整示例模型会模仿格式Zero-shot CoT一个示例都不用只在提示词末尾加一句 Lets think step by step。指南中的示例很直观直接提问还剩几个苹果模型答错加上一行提示它立刻列出初始 10 个、送掉 4 个、又买 5 个、吃了 1 个的步骤并给出正确答案。完整推导见 pages/techniques/cot.en.mdx。推理稳了之后下一个问题是答案需要模型知道你内部文档的内容怎么办让模型基于你的文档回答RAG 打法模型的知识停在训练截止日不知道你的产品手册。RAGRetrieval-Augmented Generation检索增强生成的思路是先从你的文档里检索出相关段落塞进提示词再让模型作答。文档切块、向量化存入索引提问时检索最相关的若干段落把背景资料 问题组装进提示词并要求模型只依据给定上下文回答。这是目前做企业知识问答最主流的方式。完整教程在 pages/techniques/rag.en.mdx研究专题 里还有 RAG 忠实度、幻觉抑制、合成数据补 RAG 等延伸。知识有了下一步是让模型不只会说还会动手。从单轮对话到会调用工具的 Agent函数调用Function Calling是核心机制你在 API 参数里定义好函数 schema模型决定调用哪个函数、传什么参数你的代码执行后把结果喂回去模型再基于结果继续。pages/agents/function-calling.en.mdx 逐段讲清函数调用流程pages/agents/context-engineering.en.mdx 讲长任务 Agent 的上下文窗口怎么管——哪些信息要放入、哪些要压缩pages/agents/deep-agents.en.mdx 覆盖带规划、子代理、结果校验的深度智能体架构。工具 记忆 规划三者配合就能搭出会拆解任务、调用工具、自我校验的 Agent。机制揭秘这些技巧为什么有效所有提示词技巧的本质都是管理上下文窗口。模型只会基于你给它的文本预测下一个词元CoT 的 step by step 让模型把中间结果写进上下文后面的词元才有据可查RAG 把检索到的段落注入上下文三角色消息里的 system 则是在上下文开头设定行为基调。这也是指南把该领域改称上下文工程的原因专门设有 指南专区。避坑清单4 个高频问题与解法模型算错简单算术先加 zero-shot CoT仍错再给一个分步示例别急着怪模型回答与内部文档无关根源常是检索质量差先验证检到了没再调提示词把需求全塞进一条 user 消息拆成 system行为规范、user具体任务、assistant示例回答三角色输出稳定性明显提升同一个提示词换个模型就失效不同模型族训练分布不同去 pages/models/ 查对应模型的专门策略。 资源索引与动手路径入门pages/introduction/ guides/prompts-basic-usage.md现成提示词模板pages/prompts.en.mdx覆盖分类、编码、创意、问答等场景进阶主题上下文工程指南、深度研究、推理模型论文清单pages/papers.en.mdx安全与风险pages/risks.en.mdx动手练习notebooks/pe-chatgpt-intro.ipynb基础、notebooks/pe-function-calling.ipynb函数调用、notebooks/pe-rag.ipynbRAG讲义lecture/Prompt-Engineering-Lecture-Elvis.pdfPrompt-Engineering-Guide 把提示词工程该掌握的东西收敛成了一套可查阅的目录和能跑的 notebook。最快的开始方式git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide然后打开notebooks/pe-chatgpt-intro.ipynb跑通你的第一条提示词。【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