Prompt Engineering 指南完整教程如何在 3 分钟内系统掌握提示工程、RAG 与 AI Agent【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 DAIR.AI 维护的一个开源教程仓库一站式覆盖提示工程、上下文工程、RAG 与 AI Agent的教程、论文、Notebook 和讲座资源。如果你正被提示词技巧散落在各篇博客里、RAG 和 Agent 资料跟不上更新的问题卡住这个仓库就是为你准备的它把 16 种提示技术、主流模型图鉴和多语言文档整理成了一条可以从头走到尾的学习路径。 先看它替你省下什么大多数人的提示工程学习是这样的搜到一篇 2023 年的博客照做后发现 GPT 和 Llama 行为完全不同再搜 RAG又陷入一堆论文。这个仓库的价值在于把找资料的时间换成了看资料的时间你原本要花的地方仓库替你做的事逐篇翻论文找提示技巧16 种技术Zero-Shot、CoT、RAG、ReAct 等已按场景整理成卡片式章节试错不同模型的脾气models 目录收录 GPT-4、Gemini、LLaMA、Mistral 等逐模型性格说明书担心资料过时RAG、AI Agent、上下文工程等 2024 年后的新方向均已补充独立章节语言障碍文档支持 13 种语言含中文它还是免费且开源的MIT 协议个人学习和团队内部培训都能直接用。⚡ 3 分钟跑通本地环境这个仓库本身就是一个 Next.jsNextra文档站点跑通意味着把整套文档在本地浏览器里打开。前置要求只有一项Node.js 18并安装好pnpm包管理器。然后执行三步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最后启动开发服务器pnpm dev浏览器打开http://localhost:3000/即可浏览全部内容。本地跑起来还有一个实用场景翻译校对——改完某个语言的 mdx 文件后刷新页面就能验证效果。 六大核心能力按需取用哪张卡片卡片一提示基础先把角色分工和参数搞懂introduction/ 目录是所有人的起点提示的构成元素、常用技巧、模型参数temperature、top_p 等。它用一个 ChatGPT API 的经典调用示范了系统指令 用户指令 上下文如何组装成一次提问看懂这张图你就理解了后面所有技术都在改什么要么是改 SYSTEM 部分要么是改 USER 部分要么是调右侧参数。卡片二16 种提示技术工具箱techniques/ 是整个仓库最厚的部分覆盖从入门到研究的完整光谱基础层Zero-Shot、Few-Shot推理层Chain-of-Thought、Self-Consistency、Tree of Thoughts检索与工具层RAG、ReAct、ART自动推理与工具调用、PAL程序辅助自动化层APE自动提示工程、Active-Prompt、DSP每种技术一页讲原理、给例子、附论文出处。你不必通读按手头任务去对应卡片查即可。卡片三RAG让模型有据可依rag 章节配了完整流程图把检索增强生成的链路拆开文档切块 → 向量化建索引 → 按查询检索相关片段 → 与原始问题合并成上下文 → 交给 LLM 生成答案。对比无 RAG和有 RAG的回答差异是这一页最直观的部分想往生产场景走继续看 applications/synthetic_rag如何用大模型合成 RAG 所需的问答训练数据这是目前企业落地 RAG 最常用的配套技巧。卡片四AI Agent工具、记忆与规划agents/ 目录把 Agent 拆成三个核心组件来教一张架构图就能说清骨架Tools函数调用让模型执行代码、调 APIfunction-calling 有独立详解Memory对话历史与状态管理Planning任务分解与策略制定context-engineering-deep-dive 深入讲了 Deep Agents 模式卡片五模型图鉴不同模型的性格说明书models/ 收录 ChatGPT、GPT-4、Gemini、LLaMA、Mistral 7B、Mixtral、Phi-2、OLMo、Code Llama、Flan 等模型的专项说明。价值不在堆参数而在告诉你同一个提示词在不同模型上表现如何、该做哪些针对性调整。选型纠结时先翻这里比盲目跑 benchmark 快。卡片六风险与误用上线前必看risks/ 讲三类问题对抗性提示如何防注入攻击、事实性模型为什么会一本正经地胡说、偏见训练数据带来的系统性偏差。如果你的提示词要面对外部用户输入这一章不是选修而是必修。 进阶玩法把技术组合起来解决真问题单独的技术是零件组合才是机器。三个值得优先练的组合1. 思维链CoT复杂推理题的分步解题CoT 的核心是让模型先展示推理过程再给答案。仓库用一道苹果数学题演示了前后对比标准提示让模型直接猜答案算错CoT 提示让模型逐步写出算式算对经验法则加减乘除、多步逻辑、需要引用的任务都值得加一句请分步思考。2. 树思维ToT允许模型开多条路再选优当一条推理链容易走死胡同时ToT 让模型同时展开多条思考分支再评估、剪枝、回溯它比 CoT 贵一次生成多条分支适合高价值、可验证的规划类任务。3. 上下文工程提示词只是更大的盘子之一仓库最新的 context-engineering-guide 把视野从写好一句提示升级到管好整个上下文窗口。这张图说得很清楚——提示工程、RAG、状态/历史、记忆、结构化输出都是上下文工程这个大盘子里的局部对应的落地建议先优化信息优先级关键信息放前面防截断再考虑压缩与缓存。仓库在 applications/context-caching 中专门讲了上下文缓存如何省成本。️ 避坑实录四个高频踩坑场景踩坑场景现象解法依赖安装失败pnpm i报错先确认 Node 版本 ≥ 18清理缓存重装检查网络与代理设置开发服务器起不来pnpm dev无响应或报错确认 3000 端口未被其他进程占用检查配置文件语法是否因手改而破坏模型输出不稳定同样提示词时好时坏在提示中增加约束条件和示例要求结构化输出格式对关键输出加校验机制响应时间过长长提示词下等待久压缩提示词长度与复杂度对重复内容上缓存策略用流式输出改善体验前两条针对本地跑仓库后两条针对实际调模型——前者是环境坑后者是工程坑分开处理会更高效。 适用人群与上手路径四类读者各走各的你是谁核心诉求建议起点零基础新手建立正确概念少走弯路从 introduction/ 的 basics 读到 examples配合 lecture/ 里 1 小时讲座的幻灯片LLM 应用开发者把技术落进产品techniques/ 查 CoT 与 RAGapplications/ 看函数调用、代码生成和一份真实的职场分类案例研究人员追最新论文与实验papers 按主题分类索引notebooks/ 里 12 个 Jupyter 笔记本可复现实验团队 / 非英文用户低门槛接入站点支持 13 种语言含中文各语言目录结构一致翻译校对可直接本地改 mdx 文件 生态延伸四条深入路径与后续方向guides/最早的 8 篇 Markdown 教程从入门到对抗性提示适合离线精读pages/多语言文档站的完整源码13 个语言的 mdx 文件都在这里notebooks/12 个可运行的 Jupyter 笔记本覆盖 RAG、函数调用、ReAct 等动手实验lecture/1 小时完整讲座的幻灯片 PDF适合当学习地图用作者团队同时在 DAIR.AI Academy 提供配套的提示工程、RAG 与 AI Agent 实操课程可作为自学之后的进阶选项。后续建议持续跟踪三条线上下文工程从单轮提示走向多轮状态管理、Deep Agents长期任务拆解与验证、合成数据 RAG用模型给模型造训练料。这三条线都已在仓库中占位内容还在持续更新。【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 指南完整教程：如何在 3 分钟内系统掌握提示工程、RAG 与 AI Agent
Prompt Engineering 指南完整教程如何在 3 分钟内系统掌握提示工程、RAG 与 AI Agent【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 DAIR.AI 维护的一个开源教程仓库一站式覆盖提示工程、上下文工程、RAG 与 AI Agent的教程、论文、Notebook 和讲座资源。如果你正被提示词技巧散落在各篇博客里、RAG 和 Agent 资料跟不上更新的问题卡住这个仓库就是为你准备的它把 16 种提示技术、主流模型图鉴和多语言文档整理成了一条可以从头走到尾的学习路径。 先看它替你省下什么大多数人的提示工程学习是这样的搜到一篇 2023 年的博客照做后发现 GPT 和 Llama 行为完全不同再搜 RAG又陷入一堆论文。这个仓库的价值在于把找资料的时间换成了看资料的时间你原本要花的地方仓库替你做的事逐篇翻论文找提示技巧16 种技术Zero-Shot、CoT、RAG、ReAct 等已按场景整理成卡片式章节试错不同模型的脾气models 目录收录 GPT-4、Gemini、LLaMA、Mistral 等逐模型性格说明书担心资料过时RAG、AI Agent、上下文工程等 2024 年后的新方向均已补充独立章节语言障碍文档支持 13 种语言含中文它还是免费且开源的MIT 协议个人学习和团队内部培训都能直接用。⚡ 3 分钟跑通本地环境这个仓库本身就是一个 Next.jsNextra文档站点跑通意味着把整套文档在本地浏览器里打开。前置要求只有一项Node.js 18并安装好pnpm包管理器。然后执行三步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最后启动开发服务器pnpm dev浏览器打开http://localhost:3000/即可浏览全部内容。本地跑起来还有一个实用场景翻译校对——改完某个语言的 mdx 文件后刷新页面就能验证效果。 六大核心能力按需取用哪张卡片卡片一提示基础先把角色分工和参数搞懂introduction/ 目录是所有人的起点提示的构成元素、常用技巧、模型参数temperature、top_p 等。它用一个 ChatGPT API 的经典调用示范了系统指令 用户指令 上下文如何组装成一次提问看懂这张图你就理解了后面所有技术都在改什么要么是改 SYSTEM 部分要么是改 USER 部分要么是调右侧参数。卡片二16 种提示技术工具箱techniques/ 是整个仓库最厚的部分覆盖从入门到研究的完整光谱基础层Zero-Shot、Few-Shot推理层Chain-of-Thought、Self-Consistency、Tree of Thoughts检索与工具层RAG、ReAct、ART自动推理与工具调用、PAL程序辅助自动化层APE自动提示工程、Active-Prompt、DSP每种技术一页讲原理、给例子、附论文出处。你不必通读按手头任务去对应卡片查即可。卡片三RAG让模型有据可依rag 章节配了完整流程图把检索增强生成的链路拆开文档切块 → 向量化建索引 → 按查询检索相关片段 → 与原始问题合并成上下文 → 交给 LLM 生成答案。对比无 RAG和有 RAG的回答差异是这一页最直观的部分想往生产场景走继续看 applications/synthetic_rag如何用大模型合成 RAG 所需的问答训练数据这是目前企业落地 RAG 最常用的配套技巧。卡片四AI Agent工具、记忆与规划agents/ 目录把 Agent 拆成三个核心组件来教一张架构图就能说清骨架Tools函数调用让模型执行代码、调 APIfunction-calling 有独立详解Memory对话历史与状态管理Planning任务分解与策略制定context-engineering-deep-dive 深入讲了 Deep Agents 模式卡片五模型图鉴不同模型的性格说明书models/ 收录 ChatGPT、GPT-4、Gemini、LLaMA、Mistral 7B、Mixtral、Phi-2、OLMo、Code Llama、Flan 等模型的专项说明。价值不在堆参数而在告诉你同一个提示词在不同模型上表现如何、该做哪些针对性调整。选型纠结时先翻这里比盲目跑 benchmark 快。卡片六风险与误用上线前必看risks/ 讲三类问题对抗性提示如何防注入攻击、事实性模型为什么会一本正经地胡说、偏见训练数据带来的系统性偏差。如果你的提示词要面对外部用户输入这一章不是选修而是必修。 进阶玩法把技术组合起来解决真问题单独的技术是零件组合才是机器。三个值得优先练的组合1. 思维链CoT复杂推理题的分步解题CoT 的核心是让模型先展示推理过程再给答案。仓库用一道苹果数学题演示了前后对比标准提示让模型直接猜答案算错CoT 提示让模型逐步写出算式算对经验法则加减乘除、多步逻辑、需要引用的任务都值得加一句请分步思考。2. 树思维ToT允许模型开多条路再选优当一条推理链容易走死胡同时ToT 让模型同时展开多条思考分支再评估、剪枝、回溯它比 CoT 贵一次生成多条分支适合高价值、可验证的规划类任务。3. 上下文工程提示词只是更大的盘子之一仓库最新的 context-engineering-guide 把视野从写好一句提示升级到管好整个上下文窗口。这张图说得很清楚——提示工程、RAG、状态/历史、记忆、结构化输出都是上下文工程这个大盘子里的局部对应的落地建议先优化信息优先级关键信息放前面防截断再考虑压缩与缓存。仓库在 applications/context-caching 中专门讲了上下文缓存如何省成本。️ 避坑实录四个高频踩坑场景踩坑场景现象解法依赖安装失败pnpm i报错先确认 Node 版本 ≥ 18清理缓存重装检查网络与代理设置开发服务器起不来pnpm dev无响应或报错确认 3000 端口未被其他进程占用检查配置文件语法是否因手改而破坏模型输出不稳定同样提示词时好时坏在提示中增加约束条件和示例要求结构化输出格式对关键输出加校验机制响应时间过长长提示词下等待久压缩提示词长度与复杂度对重复内容上缓存策略用流式输出改善体验前两条针对本地跑仓库后两条针对实际调模型——前者是环境坑后者是工程坑分开处理会更高效。 适用人群与上手路径四类读者各走各的你是谁核心诉求建议起点零基础新手建立正确概念少走弯路从 introduction/ 的 basics 读到 examples配合 lecture/ 里 1 小时讲座的幻灯片LLM 应用开发者把技术落进产品techniques/ 查 CoT 与 RAGapplications/ 看函数调用、代码生成和一份真实的职场分类案例研究人员追最新论文与实验papers 按主题分类索引notebooks/ 里 12 个 Jupyter 笔记本可复现实验团队 / 非英文用户低门槛接入站点支持 13 种语言含中文各语言目录结构一致翻译校对可直接本地改 mdx 文件 生态延伸四条深入路径与后续方向guides/最早的 8 篇 Markdown 教程从入门到对抗性提示适合离线精读pages/多语言文档站的完整源码13 个语言的 mdx 文件都在这里notebooks/12 个可运行的 Jupyter 笔记本覆盖 RAG、函数调用、ReAct 等动手实验lecture/1 小时完整讲座的幻灯片 PDF适合当学习地图用作者团队同时在 DAIR.AI Academy 提供配套的提示工程、RAG 与 AI Agent 实操课程可作为自学之后的进阶选项。后续建议持续跟踪三条线上下文工程从单轮提示走向多轮状态管理、Deep Agents长期任务拆解与验证、合成数据 RAG用模型给模型造训练料。这三条线都已在仓库中占位内容还在持续更新。【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